給親分享下人工智慧、機器學習和深度學習、強化學習的區別與聯絡。

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。

從低潮到繁榮

自從 1956 年計算機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

人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智慧的複雜機器。這就是我們所說的“通用人工智慧”（General AI）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機器人，對人類友好的 C-3PO，以及人類的敵人終結者。通用人工智慧機器至今只存在 於電影和科幻小說裡，理由很簡單：我們還實現不了，至少目前為止。

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“機率向量”（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，透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。

強化學習

強化學習(Reinforcement Learning),又稱再勵學習或者評價學習.也是機器學習的技術之一.所謂強化學習就是智慧系統從環境到行為對映的學習，以使獎勵訊號(強化訊號)函式值最大,由於外部給出的資訊很少,強化學習系統必須依靠自身的經歷進行自我學習.透過這種學習獲取知識,改進行動方案以適應環境.強化學習最關鍵的三個因素是狀態,行為和環境獎勵.關於強化學習和深度學習的例項,最典型的莫過於谷歌的AlphaGo和AlphaZero兩位了,前者透過深度學習中的深度卷積神經網路,在訓練了大約三千萬組人類的下棋資料,無數度電的情況下才搞出來的模型,而後者使用強化學習的方式,透過自己和自己下棋的方式搞出來的模型.而最終的實驗結果也很讓人震撼.AlphaGo幹敗了人類圍棋頂尖高手,而AlphaZero幹敗了AlphaGo.

強化學習（Reinforcement Learning），就是智慧系統從環境到行為對映的學習，以使獎勵訊號(強化訊號)函式值最大。 強化學習不同於連線主義學習中的監督學習，主要表現在教師訊號上，強化學習中由環境提供的強化訊號是對產生動作的好壞作一種評價(通常為標量訊號)，而不是告訴強化學習系統RLS(reinforcement learning system)如何去產生正確的動作。由於外部環境提供的資訊很少，RLS必須靠自身的經歷進行學習。 透過這種方式，RLS在行動-評價的環境中獲得知識，改進行動方案以適應環境。

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。

_____________________________________________________________

關係：

從大的角度講，機器學習是包括深度學習和強化學習的

區別：

強化學習和深度學習的主要區別在於：

1、深度學習的訓練樣本是有標籤的，強化學習的訓練是沒有標籤的，它是透過環境給出的獎懲來學習

2、深度學習的學習過程是靜態的，強化學習的學習過程是動態的。這裡靜態與動態的區別在於是否會與環境進行互動，深度學習是給什麼樣本就學什麼，而強化學習是要和環境進行互動，再透過環境給出的獎懲來學習

3、深度學習解決的更多是感知問題，強化學習解決的主要是決策問題。因此有監督學習更像是五官，而強化學習更像大腦。

應用：

較傳統的機器學習（包括lr svm decision tree GBDT RF etc.）多用於資料探勘、資料分析和預測等領域

深度學習最廣泛的應用無疑是影象處理和NLP了

強化學習實際應用目前還較窄，主要包括AI遊戲（如openAI 的星際爭霸），推薦系統（如阿里家的），機器人控制相關（如Ng的無人機飛行）