嚴格意義上說，人工智慧和機器學習沒有直接關係，而深度學習是機器學習的一個很火的方向。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。

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。

術語“人工智慧”， “機器學習”和“深度學習”描述了過去幾十年來建立在自身之上的過程，因為世界在計算能力，資料傳輸和其他技術目標方面取得了巨大進步。

對話應從人工智慧開始，人工智慧是計算機或技術能夠模擬人類思想或大腦活動的任何功能的廣義術語。從某種意義上說，人工智慧是從早期開始的，它使用簡單的計算機國際象棋下棋程式以及其他開始模仿人類決策和思想的程式。

從個人計算機的早期開始，人工智慧就一直在發展，直到網際網路時代，最後一直到雲端計算，虛擬化和複雜網路的時代。人工智慧已經作為關鍵技術行業以多種方式發展壯大。

人工智慧的里程碑之一是機器學習的出現和採用，這是實現人工智慧目標的一種特殊方法。

機器學習使用複雜的演算法和程式來幫助計算機軟體在效能環境中更好地做出某些決策。機器學習不再像 1970 年代和 1980 年代的手工編碼程式那樣簡單地一遍又一遍地程式設計計算機來完成一組事情，而是開始使用啟發式，行為建模和其他型別的預測來允許技術，以改善其決策並隨著時間的推移而發展。機器學習已應用於打擊垃圾郵件，實現 IBM Watson 等人工智慧個性以及以其他方式實現人工智慧目標。

反過來，深度學習則建立在機器學習的基礎上。專家將深度學習描述為使用演算法來驅動高階抽象，例如使用人工神經網路來訓練任務技術。深度學習通過嘗試對實際人腦活動進行建模並將其應用於人工決策或其他認知工作，從而將機器學習提升到一個新的水平。

深度學習已通過最先進的供應鏈優化程式，實驗室裝置程式以及其他型別的創新（例如，生成對抗網路）等例子得到了證明，其中兩個相對的網路（生成和歧視性網路）相互競爭，以模擬人類歧視的思維過程。這種特定型別的深度學習可以應用於影象處理和其他用途。

現實情況是，深度學習使人工智慧更接近於專家認為是“強大的 AI”的東西，人工智慧或多或少完全具有複製許多人類思維功能的能力。這就引起了關於如何有效地處理這些新興技術以及如何照料計算機以與我們相同的方式思考世界的爭論。

我們先了解下人工智慧，深度學習的概念

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。

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。

他們之間的關係如圖:

深度學習是學習人工智慧的一個分支，要學會人工智慧的話，深度學習是不可避過的，而深度學習應用於識別物體，預測天氣，智慧推薦感興趣的產品等等。所以人工智慧與深度學習的關係就像一對母子，人工智慧為母，而深度學習就是它的孩子。