你是否也有這樣的疑惑，人工智慧、機器學習、深度學習以及監督學習等名詞之間到底有什麼樣的聯絡與區別，以及它們的應用場景呢。下面就通過概念、區別和聯絡以及應用場景三個方面來具體的分析下他們。

一、概念

1、人工智慧

人工智慧（Artificial intelligence）簡稱AI。人工智慧是電腦科學的一個分支，它企圖瞭解智慧的本質，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，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。

人工智慧目前分為弱人工智慧和強人工智慧和超人工智慧。

1）弱人工智慧：弱人工智慧（ArtificialNarrow Intelligence /ANI),只專注於完成某個特定的任務，例如語音識別、圖象識別和翻譯等，是擅長於單個方面的人工智慧。它們只是用於解決特定的具體類的任務問題而存在，大都是統計資料，以此從中歸納出模型。由於弱人工智慧智慧處理較為單一的問題，且發展程度並沒有達到模擬人腦思維的程度，所以弱人工智慧仍然屬於“工具”的範疇，與傳統的“產品”在本質上並無區別。

2) 強人工智慧：強人工智慧（Artificial Generallnteligence /AGI),屬於人類級別的人工智慧，在各方面都能和人類比肩，它能夠進行思考、計劃、解決問題、抽象思維、理解複雜理念、快速學習和從經驗中學習等操作，並且和人類一樣得心應手。

3）超人工智慧：超人工智慧（Artificial Superintelligence/ASI），在幾乎所有領域都比最聰明的人類大腦都聰明許多，包括科學創新、通識和社交技能。在超人工智慧階段，人工智慧已經跨過“奇點”，其計算和思維能力已經遠超人腦。此時的人工智慧已經不是人類可以理解和想象。人工智慧將打破人腦受到的維度限制，其所觀察和思考的內容，人腦已經無法理解，人工智慧將形成一個新的社會。

目前我們仍處於弱人工智慧階段。

2、機器學習

機器學習（MachineLearning）簡稱ML。機器學習屬於人工智慧的一個分支，也是人工智慧的和核心。機器學習理論主要是設計和分析一些讓計算機可以自動”學習“的演算法。

3、深度學習

深度學習（DeepLearning）簡稱DL。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。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，如圖象、聲音、文字。

注意：你可能在接觸深度學習的時候也聽到過監督學習、非監督學習、半監督學習等概念，下面就順便對這三個名詞解析下：

1）監督學習：用一部分已知分類、有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類、無標記的樣本進行分類、貼標籤。多用於分類。

2）非監督學習：用一部分已知分類、有標記的樣本來訓練機器後，讓它用學到的特徵，對沒有還分類、無標記的樣本進行分類、貼標籤。多用於聚類。

3）半監督學習：有兩個樣本集，一個有標記，一個沒有標記。綜合利用有類標的樣本（ labeled sample）和沒有類標的樣本（ unlabeled sample），來生成合適的分類。

二、區別於聯絡

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。如下圖

三、應用場景

1) 人工智慧的研究領域在不斷的擴大，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。並且目前的科研工作都集中在弱人工智慧這部分。

2) 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、人臉檢測、特徵物體檢測等領域的應用基本達到了商業化的要求或特定場景的商業化水平。

3) 深度學習本來並不是一種獨立的學習方法，其本身也會用到監督學習和無監督學習方法來訓練深度神經網路，但由於近年來改領域發展迅猛，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方法。主要應用在網際網路、安防、金融、智慧硬體、醫療、教育等行業，在人臉技術、圖象識別、智慧監控、文字識別、語義分析等領域。

關係就是如圖所示

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，該領域的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。

深度學習

深度學習（Deep Learning）是機器學習領域中一個新的研究方向，是用於建立、模擬人腦進行分析學習的神經網路，並模仿人腦的機制來解釋資料的一種機器學習技術。它的基本特點是試圖模仿大腦的神經元之間傳遞，處理資訊的模式。最顯著的應用是計算機視覺（CV）和自然語言處理（NLP）領域。相比於機器學習更強大，學習速度更快，帶來的結果也更加準確可靠。

深度學習從統計學的角度來說，就是在預測資料的分佈，從資料中學得一個模型然後再通過這個模型去預測新的資料。深度學習需要大量的模型和資料去訓練，目前在語音和影象識別方面取得的效果很不錯。

機器學習是人工智慧的實現方法，深度學習是機器學習的其中一種，深度學習比機器學習需要的資料和運算量更大，所以效果相對更好。人工智慧包含了機器學習，機器學習包含了深度學習，三者的關係如下圖所示。

深度學習是由英中國人Geofrey Hinton在2006年提出的。深度學習是指機器在建立和模擬人的大腦一樣去進行分析問題的一種神經網路，就像人的大腦一樣來組建的一種結構來把資料進行有效的分析處理並加以解釋，它主要包括影象、聲音、文字、行為等等的處理。

這裡的人工就是人類製造出來的東西，智慧可以理解認識，自我思維與分辨。

目前為止，人們還只是停留在製造弱智慧的智慧時期。它主要還在依靠人們輸入程式，按照人們所希望的操作或者運動方式來為人們實現一些勞動以及危險的任務而執行的。

現在的人工智慧也就在對資料進行分析處理階段。還未能達到強智慧階段。

弱人工智慧觀點認為不可能製造出能真正地推理（REASONING）和解決問題（PROBLEM_SOLVING）的智慧機器，這些機器只不過看起來像是智慧的，但是並不真正擁有智慧，也不會有自主意識。

主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。強人工智慧的研究則處於停滯不前的狀態。

強人工智慧(BOTTOM-UP AI)

強人工智慧觀點認為有可能製造出真正能推理（REASONING）和解決問題（PROBLEM_SOLVING）的智慧機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：

類人的人工智慧，即機器的思考和推理就像人的思維一樣。

非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式

相信未來人工智慧會完全智慧，那時會更好地為人類服務。