所以，人工智慧遲早要趕上和超過人類的智力和行為能力，不難想象，例如，人類不可能直接將鋼筋掰彎或扯斷，而機器就很容易做到，因此，人類應該而且必須在鼓勵人工智慧的發展的同時，透過立法或其他方式限制人工智慧的過度發展，因為人類資本的特性加上人工智慧的不斷開發，會造成人類的大量失業和其他社會問題，而人工智慧的綜合感知能力，和思維能力會造成人類的毀滅，應該像禁止化學武器一樣訂立國際條約加以絕對禁止開發。

人工智慧是對人的意識、思維的資訊過程的模擬，目的在於開發一個模擬人類在某種環境下做出反應和行為的系統或軟體。人工智慧是全方位模擬人，包括邏輯推理，知識儲存，資料運算，聽覺視覺等；

而機器學習相當於人的大腦，能夠從歷史資料或經驗中感悟事物的規律或啟迪。

深度學習是源於人工神經網路的研究，深度模擬了人類大腦的構成，是含多隱層感知器，就是一種深度學習結構。機器學習演算法包括決策樹、邏輯迴歸、神經網路、貝葉斯等多種演算法，而深度學習是指人工神經網路的一種學習方法。

因此機器學習是人工智慧的子類，是深度學習的父類。

機器學習是實現人工智慧的一種方式，而且是已經證實最成功的一種方式。但我不同意莫尼卡·安德森的回答。機器學習並不是“唯一”的一種方式。

下面我要舉的例子可能會讓你大吃一驚。某些自動駕駛汽車聲稱自己使用了人工智慧，但實際上它們並沒有用到多少機器學習，仍然主要依靠法則系統。

下圖和我的理解一致，清楚地展示了三者之間的關係

就目前而言，機器學習仍然是實現強人工智慧最有希望的方式。但誰又說得準呢？也許正如佩德羅·多明戈斯在《終極演算法》一書中所提到的那樣，我們最終一定會找到一種包羅永珍的方式。它不同於機器學習，但卻可以帶領我們實現強人工智慧或通用人工智慧。

我之前看過伊恩·古德費洛寫的《深度學習》一書。書中有一張圖，和我上面的那張十分類似。所以我把這張圖也放上來。它和我的回答一點也不衝突，而且圖畫得更好。

人類思維模式，人工智慧設計，機器學習，設計層次是不同的！機器學習只位於技能層模型不可能有認知可能性。人工智慧設計，散亂於各個散亂的細節仿生學設計，只注重細節，有個晶片或程式就說智慧了！實際上弱智比不上，只有馮胤清建立面相思維邏輯的程式設計，才能創造真正的和人類一樣的認知類人機器人！

在2012年的ImageNet影象大賽上，多倫多大學的Geoffrey Hinton教授（現在的深度學習三巨頭之一）就帶領著團隊使用深度學習進行機器訓練與影象識別，錯誤率只有15.3%，成為影象識別學科歷史上的一個重要節點。

2015年的ImageNet影象大賽上，微軟亞洲研究院團隊的系統錯誤率低至3.57%，第一次超越了人類。

2016年，人工智慧迎來了自學科建立60年以來最大規模的市場應用爆發潮。承藉著深度學習在計算機視覺領域的首先爆發，雲計算平臺、顯示卡、晶片等的研發成為行業熱點，而數字醫療、智慧家居、自動駕駛、語音助手等應用也獲得了極大的突破。

伴隨著人工智慧的爆發，我們也越來越多的接觸到更多該領域的詞彙和概念，也越發感受到人工智慧的複雜與深奧。除了“人工智慧”，我們經常會遇到幾個常見的詞，像“機器學習”、“深度學習”、“卷積神經網路”等等。對於一些非行業從業者，可能會感到迷惑，這幾個詞和人工智慧有什麼關係呢？

以下概念範圍從大到小：

人工智慧（Artificial Intelligence）是一個非常大的範疇，包括感知智慧、認知智慧、運動智慧等等，又可以分成強人工智慧和弱人工智慧，攻殼、機器姬之類的屬於前者。機器學習（Machine Learning）是人工智慧的一種方法，也是現在比較受歡迎的一種主流思想，可以顧名思義地理解成讓機器學會學習。

深度學習（Deep Learning）是機器學習的一種，也是現在非常火熱的一個研究方向。深度學習中的“深度”，最簡單理解就是“有很多層”。

卷積神經網路（Convolutional Neural Network，CNN）則是深度學習的一種方法，安排深度學習的深層架構可以透過直接堆疊，也可以透過卷積神經網路。

這幾個概念的關係就是：

人工智慧＞機器學習＞深度學習＞卷積神經網路，都是父與子的關係。

很顯然，機器學習也是人工智慧的一種。

人工智慧是一個很寬泛的概念，若按照分類來說，我們可以分為兩類：強人工智慧和弱人工智慧。強人工智慧對應於我們人類，即可以自主學習和自主思考，這無疑也是人工智慧的終極追求。然而受限於目前的科學技術發展等條件，我們還沒辦法做到這一點，於是我們還有一個弱人工智慧，即不追求完備的自主學習思考，而只求於在某個特殊的任務下可表現出來人工智慧的一面即可，如語音識別，自然語言識別，人臉識別，影象分割等，而目前我們所談論的人工智慧都是弱人工智慧。

而在達到弱人工智慧的方式方法中，最著名的無異於現在大熱的機器學習，目前佔上風的也是其統計學流派。機器學習的核心觀點就是機器透過大量的資料自助的學習到規律模型（如簡單的線形迴歸模型y = ax + b, 我們透過學習找到其a和b)，從而預測未來。再舉一個生活例子，你和一位朋友約在週五2點吃飯，透過你對他過去的瞭解，你覺得他很大可能遲到，你不想傻傻等著，於是你就選擇了延遲半個小時出發。如果我們有更多條件，如他在週五的時候，都會選擇開車，而他技術不錯，雖然出發的晚，但是總歸抵消了，於是你選擇了準時出發。事實上機器學習也是這樣，獲得各種條件來訓練得到模型，然後預測未來。

而我也相信你還聽過深度學習，其深度在於構建了很深的神經網路來處理資料獲取模型，常見的深度學習模型有CNN，RNN等，其也是機器學習的一種體現而已，不必看的太過神秘。

所以，透過我的描述，我相信你能理解到關係了。人工智慧分為強人工智慧和弱人工智慧，目前我們談論的都是弱人工智慧，機器學習是實現弱人工智慧的一種方式，深度學習是機器學習的一個子集。我想這一下你應該明白其中的含義關係了。

“認知計算”這個概念的核心是類腦計算。或者換種說法，狹義的認知計算就是類腦計算。認知計算的終極目標，就是完全的類腦計算。

人工智慧是一個很大的概念，個人認為從終極目標的角度來說，認知計算是實現人工智慧的一條重要途徑。人腦僅憑几十瓦的功率，能夠處理種種複雜的問題，怎樣看都是很神奇的事情。更重要的是，人腦認知的一個關鍵點在於能夠處理情感，這一點是現有人工智慧所難以企及的。以神經網路的觀點來看，情感就是一種計算的產物，即腦神經網路計算的產物。那麼我們以後能否建立初能夠認知情感的模型？或者說部分認知情感的模型？這都是認知計算要重點解決的問題。但個人認為，如果要從技術角度去講認知計算和人工智慧兩者的關係，那就要非常謹慎。通常的研究者恐怕難以到達這個高度。進一步講，能夠從技術角度單把人工智慧講清楚，都是一件水平很高的事情。

至於與機器學習的關係，在現階段，兩者的相當一部分技術、演算法都是重合的，但兩者的服務目標則有所區別。具體來講，認知計算更強調“類腦”。現今付諸實踐的機器學習方法，離類腦計算尚有相當遠的一段距離。深度學習的確在計算機視覺等領域取得了巨大的成功，最近還擊敗了人類專業圍棋手。但個人認為深度學習在現階段還不能說是類腦計算，最多達到仿生層面。例如，撇開剛才講到的情感問題不談，如果我們關注一下神經元啟用函式，就會發現實際生物體神經細胞中的input-output關係基本上是sigmoid [1]，但在deep learning中，啟用函式sigmoid不一定好用，後來就出現了ReLU，大家發現ReLU比sigmoid好用得多。但ReLU的提出實際上是離生物體神經元越走越遠，因此Deep Learning是否還走在類腦的道路上，現在還不能給出肯定的結論。另外，由於Deep learning目前還沒有嚴格的數學理論支撐，同時人們對腦的理解還十分有限，所以完全的類腦計算還會是一個很長遠的目標。這正是認知計算需要解決的問題，要解決這個問題，就必須在研究方法論上將計算機科學和認知神經科學擺到同等的地位。簡單地說，一個沒有系統地學過認知神經科學的人，完全可以做機器學習，併發出高水平的paper，但卻很難做好真正的認知計算。

探索、學習、模擬人腦，正是認知計算的魅力所在。

　　得益於谷歌、亞馬遜和Facebook等科技巨頭的努力，人工智慧和機器學習這兩個生僻的科技術語如今已經廣為流傳。它們經常互換使用，很多人也都用這些詞彙來描述各種智慧家電和代替人類工作機器人。然而，雖然人工智慧和機器學習高度相關，但卻並不相同。

　　人工智慧是計算機科學的一個分支，目的是開發一種擁有智慧行為的機器，斯坦福大學對機器學習的定義是：“在沒有明確程式設計指令的情況下讓計算機採取行動的科學。”想要開發智慧機器，就需要藉助人工智慧研究人員的幫助。但要讓其具備真正的智慧，就需要聘請機器學習專家。

　　谷歌和英偉達等大型科技公司目前都在努力開發這種機器學習技術。他們都在努力讓電腦學會人類的行為模式，以便推動很多人眼中的下一場技術革命——讓機器像人類一樣“思考”。

　　過去10年，機器學習已經為我們帶來了無人駕駛汽車、實用的語音識別、有效的網路搜尋，還大幅加深了我們對人類基因組的理解。但它究竟是如何工作的呢？

　　舉個簡單的例子。如果你在使用谷歌搜尋時拼錯了單詞，就會看到一條提示：“你的意思是……嗎？”這就是谷歌機器學習演算法生成的結果。這套系統可以在你輸入特定關鍵詞後幾秒鐘內判斷你的搜尋意圖。

　　藝術家筆下的微神經計算機

　　例如，假如想搜尋“WIRED”，但卻不小心拼成了“Wored”，系統很可能就會發現你輸錯了單詞，並在幾秒種後返回可能的正確結果：“WIRED”。谷歌的演算法會在你發出搜尋請求之後的幾秒鐘後識別出你的搜尋意圖，並將這一資訊牢記在心，以備使用者之後犯下類似的錯誤時使用。如此這般，谷歌便“學會了”糾正你的錯誤。

　　雖然這是一個非常簡單的例子，但資料科學家、開發者和研究人員正在使用更加複雜的機器學習技術探索之前無法企及的領域。能夠吸取經驗教訓的程式可以幫助人們研究人類基因組的工作方式，對消費者行為習慣的理解也可以達到前所未有的高度，甚至據此開發購買推薦、影象識別和欺詐預警等實用的系統。

　　現在，你已經對機器學習的基本理念有所瞭解，那麼它與人工智慧的區別究竟在哪裡呢？我們與英特爾機器學習主管尼迪·查普爾（Nidhi Chappel）展開了對話，以便澄清這個問題。

　　“人工智慧的根本在於智慧——如何為機器賦予智慧。而機器學習則是部署支援人工智慧的計算方法。我的想法是：人工智慧是科學，機器學習是讓機器變得更加智慧的演算法。”

　　“也就是說，機器學習成就了人工智慧。”她補充道。

　　“舉個簡單的例子，當你來到一個新地方，並在網上搜索‘最應該做的事情’時，你所看到的內容順序都是由機器學習來排列的。它們的排列和評分方式都採用了機器學習技術。”查普爾說。他還補充道，在排列熱門新聞時也會採用相同的方法。

　　“人工智慧已經廣泛滲透到我們的生活之中，只不過我們還沒有意識到它已經應用到很多領域。”她補充道，“你或許每天都會使用這種技術好幾十次，但卻渾然不覺。”

　　但為了推動人工智慧的進步，機器學習必須在效能上實現巨大的飛躍，這在傳統高效能計算領域很難實現，因為在這些領域，問題已經明確，最佳化工作也已經開展了多年。

機器學習是人工智慧的一部分。

從廣義上來說，一切可以替代人工的操作都可以叫做人工智慧。而機器學習是一種實現人工智慧的方法。它包括了微積分，矩陣理論，機率論，最最佳化理論等各方面的基礎知識。

而人工智慧系統不僅有機器學習，比如機器人，就不僅僅需要決策，還需要控制方法，機械裝置，硬體電路等來組成一個系統完成某些人物，例如最近的搬運工外骨骼機器人。

首先機器學習最基本的做法，就是使用演算法來解析資料，從中學習，然後對真實的世界中的事件作出決策和預測。與傳統的解決待定的任務，硬編碼的軟體程式有所不相同，機器學習是利用大量的資料來“訓練”，透過各種的演算法從資料中學習如何的完成任務。

機器學習最成功的的應用領域是計算機視覺，雖然還是需要大量的手工編碼來完成工作，人們也是需要手工編寫分類器，邊緣的一個檢測過濾器，以便能夠讓程式識別物體從哪裡開始就到哪裡結束；寫形狀檢測的程式來判斷檢測的物件是不是有八條邊，使用以上這些手工編寫分類器，人們總算是可以很好的開發演算法來感知影象，判斷影象是不是一個停止的標誌牌。

其實這個結果還是非常的不錯的，但是並不是那種可以很好就可以成功的，特別是遇到雲霧的天氣，標誌牌變得那麼不是很清晰，又或者被樹遮擋了一部分，那麼演算法就很難成功了，這也就是為什麼前一段時間計算機視覺效能無法接近到人的能力。

第一，人的精力和幸福可以被量化現在很火的一個知識領域叫時間管理，就是我們每天統計自己在某一項工作上花費的時間，比如幾點到幾點學習了，幾點到幾點寫作了，幾點到幾點吃飯了，幾點到幾點睡覺等等，日復一日，像俄羅斯科學家柳比歇夫一樣，時刻統計自己有效工作時間，然後不停的最大化提升自己的工作效率。但這個方法是柳比歇夫在1956年左右使用的，距離現在都過去半個世紀了。

作者卻告訴我們，可以透過智慧可穿戴裝置或機器演算法的模式有效統計自己的時間。他發明的智慧穿戴裝置可以從脈搏的活動次數來觀察我們的工作效率和工作狀態，甚至工作能力，進而為我們的時間、工作作出合理化的分析。此外，作者在書裡面提到了很多統計學或工科方面的概念，比如說，遞減分佈、正態分佈、U型分佈、熵值、頻帶、熱力學公式等等，這些概念聽起來比較複雜，但本質上都是在講述一個道理：工科理論也可以應用到我們的日常生活當中。

比如遞減分佈，我們可以舉一個非常現實的例子：貧富差距。貧富差距不斷拉大這是一個不可否認的事實，那如何透過物理學的角度去看這事呢？作者告訴我們，我們總是以為富裕的人和貧窮的人之間在思維行動方面應該存在差異，然後去探求這一結果背後的原因。但實際上，富人和窮人如果最開始都給他們設定同樣的起跑線，在經過反覆多次的活動行為後，其實並不能找到一個確切的、我們理想中的原因。而運用工科思維可以發現，這是由於反覆移動所產生的統計力量所導致的，這種反覆作用之力在資源分配方面的差異而產生了貧富差距以及更廣泛的行為和社會現象。

同時，作者也透過他開發的可穿戴裝置來測量出幸福感。他發現休息時活躍的對話能夠有助於提高生產力。比如在中午午休吃飯時，你和你同事的一場愉快聊天可以提高下午的生產效率，這也是為什麼很多公司都提供下午茶，提倡大家中午一起吃午餐，本質就是希望透過量化幸福，來提升工作效率。

第二，如何用方程式的形式來獲得心流心流體驗是知識管理領域比較火的一個詞，就是人能夠全心全意做事的狀態就是最優體驗或心流狀態。簡單來說，當我們感受到自己正在做的事情的價值能夠發揮自己的能力，並享受其中的體驗和狀態的時候，這就是我們最佳的狀態。心流體驗並不是可望而不可及，我們都知道玩遊戲的時候最容易投入，但是為什麼在工作當中卻很難獲得這種心流體驗呢？是因為在心流狀態下，我們會體驗到一種愉悅感和充實感，而在工作當中可能會有心理壓力和工作壓力，造成無法感受這種體驗。

而作者卻發現，可以透過創造一個促使身體持續快速活動的環境，就可以在工作和生活當中獲得愉悅感和充實感，這也是為什麼當我們戴著耳機聽一些舒緩的音樂，當我們在咖啡廳、圖書館安靜的環境下，卻能夠較高提高自己的生產力，儘快進入心流狀態的原因。作者還提出，在對話的時候我們能站著就儘量不要坐著，這可以讓我們的身體易於活動，而更容易進入心流狀態。當你的工作停止時，也最好在辦公室裡走來走去，這可以幫助你更快進入心流狀態。

第三，運氣也可以被量化以及被預測都活說買彩票中大獎是撞大運，運氣是無法控制的。而在競爭中有人說運氣也是非常重要的一環，但作者在書裡面卻告訴我們，運氣其實就是實力。因為面對同樣的環境，兩個競爭對手所面臨的局面是一樣的，那為什麼有的人就有運氣，而有的人卻沒有運氣，有的人有好運氣，有的人卻有壞運氣。本質就是因為，獲得了好運氣的那個人是他透過自己的能力，有意識的去引導環境向好的方向發展，啦幫助自己更快的獲得勝利。

運氣本身其實就是機率，既然是機率，可以透過“大機率思維”的模式，讓自己更大機率地獲得運氣，透過自己的努力控制來得到自己想要的東西的機率，這種思考的方式是非常有價值的。作者在書裡面提到，運氣好的人有時候也會不順，運氣不好的人有時也會一帆風順。但是，在大樣本統計下，會發現運氣的好壞大大左右著人們對於意料之外事情的處理。工作進展不順的人的到達度就低，因為由於運氣差，他就處理不好，那些手冊裡面沒寫到的預料之外的情況他就不知道如何處理。而運氣好的人卻能夠更好處理各種複雜的事情，導致他的局面會越來越好，由此就變成了差距越來越大，這也是引導運氣、創造運氣的結果。

最後，在這本書裡面作者還從機器學習、人工智慧、社會人性等角度，對如何幫助我們更好地規劃時間、實現成長進行了分析。不可否認，這本書籍有一定的閱讀難度，尤其是對於前沿技術不太瞭解的情況下，比如大資料、聲音識別、影象識別、機器學習、深度學習等等。但是這書的核心是在表達一個核心點：以社會為物件的科學正在迅速發展，將服務與科學融為一體的資料，將會成為未來人生成長最關鍵的資源。

大勢所趨，人工智慧未來10年都是風口！

目前華人工智慧行業缺口達到40萬，缺的就是業務應用領域的機器學習演算法工程師。它要求這類工程師既要精通演算法原理、懂得應用場景剖析，又要懂得模型上線部署，幫助企業解決實際業務問題，從而創造效益！故此企業真正需要的人是業務應用型的演算法工程師，在這裡，我說下我自身的情況，我本身是做java，現在真的不好混，崗位不多錢也不多，所以索性轉行了機器學習，自己在網路上自學了很多AI方面的知識，自認為啥都懂一些，但是不夠精通，所以不會應用，相當於白費功夫。

後來，偶然條件下加入菜鳥窩的AI特訓營，去聽了他們阿里老師的直播課，感覺有老師帶比自己瞎摸索好太多了，他們不會一條一條教你怎麼去擼碼，而是全部會集中於業務應用。先從數學和python基礎開始，具體地講每一種業務場景中的常見問題，實際工作是用什麼方式去解決問題。他們助教也給了我一份機器學習從入門到實戰的63講影片資源，我趁著免費不要錢，看了幾遍下來，才算有了更好的機器學習認知。你如果想搞懂真正的人工智慧，建議你去學習下。

機器學習是人工智慧的一部分，指從歷史或經驗資料中學習知識的一種方法或演算法（其實就是個函式，學術圈就喜歡整高大上的）。人工智慧指利用計算機模擬人的思維過程和智慧行為的方法、技術，和這相關學科都可以算，例如機器人

那麼，人工智慧的機器學習和人類的感知和學習有何不同呢？第一，機器學習比人類學習和感知的速度要快的多，第二，人類要吃飯休息，機器學習一般沒有休息這一說，這就是阿爾法狗在輸了人一局後就不在會再輸的原因，你在休息時，它已經又學習了幾百萬個棋局，所以它永遠比你經驗豐富。第三，人類具有綜合感知學習和聯想的能力，但目前的人工智慧的軟體開發水平決定了機器學習只具有某一方面，或幾方面的學習和感知能力，可以代替人類的一部分行為和工作，可以預見，不遠的將來，機器也會具有人類一樣的綜合感知和學習能力，甚至具有人類一樣的感性思維或感情，和一定的價值觀，會哭，會笑，會幽默，到那時你想想，是不是很可怕？