一、人工智慧

人工智慧(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新的技術科學。

人工智慧是電腦科學的一個分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括語音識別、影象識別、機器人、自然語言處理、智慧搜尋和專家系統等。

人工智慧可以對人的意識、思維的資訊過程的模擬。人工智慧不是人的智慧，但能像人那樣思考、也有可能超過人的智慧。

二、資料探勘

資料探勘(Data Mining)，顧名思義就是從海量資料中“挖掘”隱藏資訊，按照教科書的說法，這裡的資料是“大量的、不完全的、有噪聲的、模糊的、隨機的實際應用資料”，資訊指的是“隱含的、規律性的、人們事先未知的、但又是潛在有用的並且最終可理解的資訊和知識”。在商業環境中，企業希望讓存放在資料庫中的資料能“說話”，支援決策。所以，資料探勘更偏向應用。

資料探勘通常與電腦科學有關，並通過統計、線上分析處理、情報檢索、機器學習、專家系統(依靠過去的經驗法則)和模式識別等諸多方法來實現上述目標。

三、機器學習

機器學習(Machine Learning)是指用某些演算法指導計算機利用已知資料得出適當的模型，並利用此模型對新的情境給出判斷的過程。

機器學習的思想並不複雜，它僅僅是對人類生活中學習過程的一個模擬。而在這整個過程中，最關鍵的是資料。

任何通過資料訓練的學習演算法的相關研究都屬於機器學習，包括很多已經發展多年的技術，比如線性迴歸(Linear Regression)、K均值(K-means，基於原型的目標函式聚類方法)、決策樹(Decision Trees，運用概率分析的一種圖解法)、隨機森林(Random Forest，運用概率分析的一種圖解法)、PCA(Principal Component Analysis，主成分分析)、SVM(Support Vector Machine，支援向量機)以及ANN(Artificial Neural Networks，人工神經網路)。

四、深度學習

深度學習(Deep Learning)的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋資料，例如影象，聲音和文字。

五、人工智慧與機器學習、深度學習的關係

嚴格意義上說，人工智慧和機器學習沒有直接關係，只不過目前機器學習的方法被大量的應用於解決人工智慧的問題而已。目前機器學習是人工智慧的一種實現方式，也是最重要的實現方式。

早期的機器學習實際上是屬於統計學，而非電腦科學的;而二十世紀九十年代之前的經典人工智慧跟機器學習也沒有關係。所以今天的AI和ML有很大的重疊，但並沒有嚴格的從屬關係。

不過如果僅就計算機系內部來說，ML是屬於AI的。AI今天已經變成了一個很泛泛的學科了。

深度學習是機器學習現在比較火的一個方向，其本身是神經網路演算法的衍生，在影象、語音等富媒體的分類和識別上取得了非常好的效果。

所以，如果把人工智慧與機器學習當成兩個學科來看，三者關係如下圖所示：

向左轉|向右轉

如果把深度學習當成人工智慧的一個子學科來看，三者關係如下圖所示

向左轉|向右轉

六、資料探勘與機器學習的關係

資料探勘主要利用機器學習界提供的技術來分析海量資料，利用資料庫界提供的技術來管理海量資料。

向左轉|向右轉

機器學習是資料探勘的一種重要方法，但機器學習是另一門學科，並不從屬於資料探勘，二者相輔相成。

概述

2015年11月9日，Google釋出人工智慧系統TensorFlow並宣佈開源。這兩年在不管在國內還是在國外，人工智慧、機器學習彷彿一夜之前傳遍大街小巷。機器學習作為人工智慧的一種型別，可以讓軟體根據大量的資料來對未來的情況進行闡述或預判。如今，領先的科技巨頭無不在機器學習下予以極大投入。Facebook、蘋果、微軟，甚至國內的百度，Google 自然也在其中。

去年早些時候 Google DeepMind 的 AlphaGo 專案在舉世矚目的圍棋比賽中一舉擊敗了南韓選手李世石，媒體就是使用了人工智慧、機器學習和深度學習這幾個術語，來解釋 DeepMind 獲勝的原因，並將它們混為一談。但是三者其實不是一回事。

區別與聯絡

本文藉助Michael Copeland的講解，讓我們撩開人工智慧、機器學習和深度學習的概念，深入理解它們的關係和區別。為了搞清三者關係，我們來看一張圖：

如圖所示：人工智慧最大，此概念也最先問世；然後是機器學習，出現的稍晚；最後才是深度學習。

在之前的文章機器學習的發展歷程 一文中，我們詳細的介紹了機器學習的發展歷史。

從低潮到繁榮

自從 1956 年電腦科學家們在達特茅斯會議（Dartmouth Conferences）上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光明未來的鑰匙，後又被當作過於自大的異想天開而拋棄。

但是在過去幾年中，人工智慧出現了爆炸式的發展，尤其是 2015 年之後。大部分原因，要歸功於圖形處理器（GPU）的廣泛應用，使得並行處理更快、更便宜、更強大。另外，人工智慧的發展還得益於幾乎無限的儲存空間和海量資料的出現（大資料運動）：影象、文字、交易資料、地圖資料，應有盡有。

下面我們從發展的歷程中來一一展開對人工智慧、機器學習和深度學習的深度學習。

人工智慧

我們力所能及的，算是“弱人工智慧”（Narrow AI）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。這些技術有人類智慧的一面。但是它們是如何做到的？智慧來自哪裡？這就涉及到下一個同心圓：機器學習。

機器學習

機器學習是實現人工智慧的一種方法。機器學習的概念來自早期的人工智慧研究者，已經研究出的演算法包括決策樹學習、歸納邏輯程式設計、增強學習和貝葉斯網路等。簡單來說，機器學習就是使用演算法分析資料，從中學習並做出推斷或預測。與傳統的使用特定指令集手寫軟體不同，我們使用大量資料和演算法來“訓練”機器，由此帶來機器學習如何完成任務。

許多年來，計算機視覺一直是機器學習最佳的領用領域之一，儘管還需要大量的手動編碼才能完成任務。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程式辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別“S-T-O-P”的分類器。在這些手動編寫的分類器的基礎上，他們再開發用於理解影象的演算法，並學習如何判斷是否有停止標誌。

但是由於計算機視覺和影象檢測技術的滯後，經常容易出錯。

深度學習

深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：神經元之間的相互連線關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連線，而人工神經網路中資料傳播要經歷不同的層，傳播方向也不同。

舉個例子，你可以將一張圖片切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將資料傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。

每個神經元都會給其輸入指定一個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。因此，我們再來看看上面提到的停止標誌示例。一張停止標誌影象的屬性，被一一細分，然後被神經元“檢查”：形狀、顏色、字元、標誌大小和是否運動。神經網路的任務是判斷這是否是一個停止標誌。它將給出一個“概率向量”（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定影象是一個停止標誌，7% 的把握認為是一個限速標誌，等等。網路架構然後會告知神經網路其判斷是否正確。 不過，問題在於即使是最基礎的神經網路也要耗費巨大的計算資源，因此當時不算是一個可行的方法。不過，以多倫多大學 Geoffrey Hinton 教授為首的一小批狂熱研究者們堅持採用這種方法，最終讓超級計算機能夠並行執行該演算法，並證明該演算法的作用。如果我們回到停止標誌那個例子，很有可能神經網路受訓練的影響，會經常給出錯誤的答案。這說明還需要不斷的訓練。它需要成千上萬張圖片，甚至數百萬張圖片來訓練，直到神經元輸入的權重調整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是Facebook 利用神經網路記住了你母親的面孔；吳恩達 2012 年在谷歌實現了可以識別貓的神經網路。

如今，在某些情況下，通過深度學習訓練過的機器在影象識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 AlphaGo 學會了圍棋，併為比賽進行了大量的訓練：不斷的和自己比賽。

總結

人工智慧的根本在於智慧，而機器學習則是部署支援人工智慧的計算方法。簡單的將，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，機器學習在某種程度上成就了人工智慧。

人工智慧是指讓計算機具有與人一樣的智慧思考能力的一種技術願景。

如果機器讓參與者做出超過30%的誤判，那麼這臺計算機就通過了測試，被認為具有人類智慧。其實，也就是說，測試者根本沒法發現，對面回答他的提問的到底是人還是計算機，這時候，就判定那臺計算機具有人類智慧。

圖靈之後，大概在1958年左右，美國的電腦科學家就開始大力發展人工智慧了。他們希望用程式設計的辦法，也就是編寫程式，讓計算機能通過圖靈測試，實現人類的智慧。但很遺憾，這條路沒有走通。因為無論人們怎麼設定計算機的演算法，都沒辦法讓計算機通過測試。人們往往很快就能發現，對面的是一臺計算機。

從那時開始，人工智慧技術就開始沒落了，多年來無人問津。這種情況直到網際網路時代，網際網路+感測器技術，帶來了大量的資料。

電腦科學家們開始覺得，可以採用另外的思路來實現人工智慧這個夢想。於是，他們開發了深度學習。

什麼叫深度學習呢？

就是通過給計算機提供資料，來訓練它修改自己的程式和演算法。這就相當於你教育孩子的時候，之前的電腦科學家就像不斷告訴孩子該怎麼做的父母；而深度學習，是讓孩子們不斷地去經歷現實，自己來尋找對現實的解釋和理解。

這意味著，電腦科學家只提供一個基礎的演算法，然後，餵給人工智慧大量的資料，讓它不斷迭代自己的演算法來理解這些資料。

而不是像以前一樣，遇到無法理解的資料就丟棄掉。因為，沒有人能丟棄掉現實，所以計算機才像傻瓜一樣，它不理解你，就不搭理你，一下子就被發現是計算機了。

深度學習不能不理資料，他要不斷地迭代自己的演算法，來找到能解釋這些資料的演算法。

人工智慧深藍和後來的阿爾法狗，就是深度學習技術的人工智慧的代表。它們不斷地學習棋譜，最終在國際象棋和圍棋上，挑戰人類，獲得勝利。

正因為如此，深度學習喚起了人工智慧的第二次高潮，人們開始相信，人工智慧一定能實現，而且會改變世界。

但目前，還沒有人工智慧宣稱通過了圖靈測試，所以，目前你會感覺到，那些人工智慧助手什麼的，還是人工弱智的表現。

但一旦提供大量的資料，人工智慧學習的速度是人類永遠都趕不上的，所以，人們認為，總有一天，它們會通過圖靈測試，並超越人類。

人工智慧的浪潮正在席捲全球，諸多詞彙時刻縈繞在我們耳邊：人工智慧（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）。不少人對這些高頻詞彙的含義及其背後的關係總是似懂非懂、一知半解。

人工智慧：從概念提出到走向繁榮

1956年，幾個電腦科學家相聚在達特茅斯會議，提出了“人工智慧”的概念，夢想著用當時剛剛出現的計算機來構造複雜的、擁有與人類智慧同樣本質特性的機器。其後，人工智慧就一直縈繞於人們的腦海之中，並在科研實驗室中慢慢孵化。之後的幾十年，人工智慧一直在兩極反轉，或被稱作人類文明耀眼未來的預言，或被當成技術瘋子的狂想扔到垃圾堆裡。直到2012年之前，這兩種聲音還在同時存在。

2012年以後，得益於資料量的上漲、運算力的提升和機器學習新演算法（深度學習）的出現，人工智慧開始大爆發。據領英近日釋出的《全球AI領域人才報告》顯示，截至2017年一季度，基於領英平臺的全球AI（人工智慧）領域技術人才數量超過190萬，僅國內人工智慧人才缺口達到500多萬。

人工智慧的研究領域也在不斷擴大，圖二展示了人工智慧研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。

但目前的科研工作都集中在弱人工智慧這部分，並很有希望在近期取得重大突破，電影裡的人工智慧多半都是在描繪強人工智慧，而這部分在目前的現實世界裡難以真正實現（通常將人工智慧分為弱人工智慧和強人工智慧，前者讓機器具備觀察和感知的能力，可以做到一定程度的理解和推理，而強人工智慧讓機器獲得自適應能力，解決一些之前沒有遇到過的問題）。

弱人工智慧有希望取得突破，是如何實現的，“智慧”又從何而來呢？這主要歸功於一種實現人工智慧的方法——機器學習。

機器學習：一種實現人工智慧的方法

機器學習最基本的做法，是使用演算法來解析資料、從中學習，然後對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟體程式不同，機器學習是用大量的資料來“訓練”，通過各種演算法從資料中學習如何完成任務。

舉個簡單的例子，當我們瀏覽網上商城時，經常會出現商品推薦的資訊。這是商城根據你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，並且願意購買的產品。這樣的決策模型，可以幫助商城為客戶提供建議並鼓勵產品消費。

機器學習直接來源於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支援向量機、EM、Adaboost等等。從學習方法上來分，機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、整合學習、深度學習和強化學習。

傳統的機器學習演算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習演算法的出現。

深度學習：一種實現機器學習的技術

深度學習本來並不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網路。但由於近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網路），因此越來越多的人將其單獨看作一種學習的方法。

最初的深度學習是利用深度神經網路來解決特徵表達的一種學習過程。深度神經網路本身並不是一個全新的概念，可大致理解為包含多個隱含層的神經網路結構。為了提高深層神經網路的訓練效果，人們對神經元的連線方法和啟用函式等方面做出相應的調整。其實有不少想法早年間也曾有過，但由於當時訓練資料量不足、計算能力落後，因此最終的效果不盡如人意。

深度學習摧枯拉朽般地實現了各種任務，使得似乎所有的機器輔助功能都變為可能。無人駕駛汽車，預防性醫療保健，甚至是更好的電影推薦，都近在眼前，或者即將實現。

三者的區別和聯絡

機器學習是一種實現人工智慧的方法，深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓，視覺化地展現出它們三者的關係。

目前，業界有一種錯誤的較為普遍的意識，即“深度學習最終可能會淘汰掉其他所有機器學習演算法”。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且媒體對深度學習進行了大肆誇大的報道。

深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：

1. 深度學習模型需要大量的訓練資料，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；

2. 有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用複雜的深度學習方法；

3. 深度學習的思想，來源於人腦的啟發，但絕不是人腦的模擬，舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練資料，而現在的深度學習方法顯然不是對人腦的模擬。

深度學習大佬 Yoshua Bengio 在 Quora 上回答一個類似的問題時，有一段話講得特別好，這裡引用一下，以回答上述問題：

Science is NOT a battle, it is a collaboration. We all build on each other"s ideas. Science is an act of love, not war. Love for the beauty in the world that surrounds us and love to share and build something together. That makes science a highly satisfying activity, emotionally speaking!

這段話的大致意思是，科學不是戰爭而是合作，任何學科的發展從來都不是一條路走到黑，而是同行之間互相學習、互相借鑑、博採眾長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是一樣，你死我活那是邪教，開放包容才是正道。

結合機器學習2000年以來的發展，再來看Bengio的這段話，深有感觸。進入21世紀，縱觀機器學習發展歷程，研究熱點可以簡單總結為2000-2006年的流形學習、2006年-2011年的稀疏學習、2012年至今的深度學習。未來哪種機器學習演算法會成為熱點呢？深度學習三大巨頭之一吳恩達曾表示，“在繼深度學習之後，遷移學習將引領下一波機器學習技術”。但最終機器學習的下一個熱點是什麼，誰又能說得準呢。

包含關係。

準確來說，還差一個機器學習。

三者的關係為人工智慧<機器學習<深度學習。

人工智慧是一個引入矚目的領域，包括各種技術和方法，近年其中最受矚目當屬深度學習技術了。

深度學習是一種基於人工神經網路的機器學習方法，自從它在2012年的ImageNet識別大賽上折桂，碾壓傳統的視覺演算法後，深度學習方法深受學術界和工業界追捧，其發展趨勢如滔滔江水綿延不絕又如黃河氾濫一發而不可收，成為人工智慧的最受關注的子領域。

深度學習的另一成名之作是谷歌旗下的DeepMind公司研發的圍棋AI程式AlphaGo，首次達到人類職業水準。2016年AlphaGo與世界冠軍李世石下五番棋，並以4:1的比分戰勝這位圍棋界傳奇人物，轟動世界。次年5月在烏鎮圍棋峰會上AlphaGo又以3:0戰勝世界冠軍柯潔。諸多領域藉助深度學習技術取得了突破，可以說深度學習技術改變了世界。