一文秒懂！“人工智慧、機器學習、深度學習”傻傻分得清

要說當下科技圈炙手可熱的詞兒， “人工智慧”一定佔據一席。

不過，雖然是當下的前沿科技，一般人兒還真不一定都能聽懂。

何況，當創業者或者大佬們在討論“人工智慧”時，往往還會帶上 “機器學習”和 “深度學習”。

“人工智慧”究竟是什麼？

“機器學習”又是什麼鬼？

“深度學習”四個字你知我知，

但合起來似乎又不懂……

為了讓你成為一枚合格的科技知識分子，

今天我們一起來掰扯清楚它們到底是個啥。

先說說“人工智慧”，也就是一直臉熟的“ AI”。“人工智慧”一詞最早由認知科學家約翰·麥卡錫提出，他寫到，“這項研究基於一種推測，即任何學習行為或其它智力特徵，在原則上都可以被精確地描述，從而可以製造出一臺機器來模擬它。”這種描述在今天仍然適用。

從廣義上講，“人工智慧”是一門新技術 學科，目前教育部新設了人工智慧技術服務專業，國內還有多所開設該專業的院校。

人工智慧描述了一種機器與周圍世界互動的各種方式。通過軟體和硬體的結合——一臺“人工智慧”裝置可以模仿人類的行為或像人一樣執行任務，比如它會 模仿人類的思維過程去區分是你媽還是你女朋友。

有觀點指出，目前的人工智慧還處於“弱人工智慧”，可以比人類更好地去做特定的事，比如機器視覺、語音識別。而像鋼鐵俠一樣的智慧則是“強人工智慧”了，而當下距離它還有很長的一段征途要走。

那麼，具有人工智慧的裝置是如何區分你媽和你女朋友的呢？

——這就涉及到了“機器學習”。

“機器學習”（Machine Learning）是AI的核心，是AI的分支之一。

“機器學習”的基本做法是通過複雜的演算法來分析大量的資料，識別資料中的模式，並據此做出預測。也就是說，學的資料越多，效果會越好。這就像人類學習的過程——我們在學校學到知識，然後在生活中應用。只不過這一過程的學習主體，是機器。通過機器學習，一個系統可以不斷改正自身的錯誤，從而提高它的模式識別能力。

剛剛講到機器學習是通過各種複雜的演算法，而這演算法之一就比如“深度學習”。

作為近十年來人工智慧領域取得的重大突破，“深度學習”是機器學習的最新領域，它推動了計算機智慧的長足進步。

“深度學習”（Deep Learning）用大量的資料和計算能力來模擬深度神經網路，這些網路模仿人類大腦的連通性，對資料集進行分類，並發現它們之間的相關性。通過深度學習，機器可以處理大量資料，識別複雜的模式，並提出深入的見解。

以識別女朋友和老媽為例，傳統的機器學習，往往需要人工調整引數，因此引數的數量十分有限。“深度學習”則能從大資料中自動獲得成千上萬的引數，自動分析影象中人物的年齡、表情、姿態等資訊，而這過程中不需要人的參與。

簡單總結　

人工智慧是一個寬泛概念，機器學習是其子集；機器學習可以實現人工智慧，而深度學習可以實現機器學習，是機器學習的子集。

機器學習VS深度學習

1、應用場景

機器學習在指紋識別、特徵物體檢測等領域的應用基本達到了商業化的要求。

深度學習主要應用於文字識別、人臉技術、語義分析、智慧監控等領域。目前智慧硬體、教育、醫療等行業也在快速佈局。

基於人工智慧和大資料分析的資料底層， 催米科技 自主研發了AI米智慧語音系統，利用先進的語音識別、合成和語義理解技術，整合IVR平臺，目前已廣泛應用於商業銀行、消費金融等多個場景，為客戶提供了高效、智慧、專業的綜合服務。

2、所需資料量

機器學習能適應各種資料量，特別是資料量較小的場景。

如果資料量迅速增加，那麼深度學習的效果將更加突出，這是因為深度學習演算法需要大量資料才能完美理解。

3、執行時間

執行時間是指訓練演算法所需要的時間量。

一般來說，機器學習需要很短的執行時間。而深度學習需要更多的訓練時間，因為該演算法包含有太多引數。

4、硬體依賴性

機器學習的話，一般普通機器就可以。而深度學習對硬體的依賴更高，大多數情況下需要GPU運算。

通過以上介紹，大家是不是對“人工智慧、機器學習、深度學習”這三個名詞有一個清晰的瞭解呢？

其實有關科技流行語還有不少，它們都代表著對未來技術的分析。

我們有理由相信，在未來，機器學習與深度學習將能為更多行業帶來令人激動的光明前景。

更多人工智慧資訊，歡迎關注催米科技公眾號SH-Cuimi

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/69954940/viewspace-2665285/，如需轉載，請註明出處，否則將追究法律責任。