人工智能、机器学习、深度学习之间有何关系？-电子发烧友网

说到近些年的火热名词，“人工智能”必须榜上有名。随着去年ChatGPT爆火出圈，“AI（Artificial Intelligence，人工智能）”屡次霸屏热搜榜，并被英国词典出版商柯林斯评为2023年的年度词。

除了“人工智能”，我们还经常听到“机器学习”、“深度学习”…… 这些术语都是啥意思？它们之间有什么关系呢？

人工智能——Artificial Intelligence

说到人工智能，大家的第一反应可能是科幻电影里那些拥有人类智慧的机器人，但实际上，人工智能可不仅仅是机器人哦。

人工智能是由约翰·麦卡锡（John McCarthy）于1956年提出来的，当时的定义是“制造智能机器的科学与工程”。现在的人工智能是指“研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学”。总结一下：人工智能就是让机器能够模拟人类的思维能力，让机器能像人一样去感知、思考甚至决策。时至今日，人工智能已经不再是一门单纯的学科，而是涉及了计算机、心理学、语言学、逻辑学、哲学等多个学科的交叉领域。

人工智能看起来是高深的科技，实际上是一个覆盖范围很广的概念。我们的身边，早就有了各种人工智能，例如：自动驾驶、人脸识别、智能机器人、机器翻译等等。

面对多种多样的人工智能，我们按照人工智能的实力，可将其分成三类：

弱人工智能（Artificial Narrow Intelligence，ANI）

擅长于某个方面的人工智能，只能执行特定的任务。例如，人脸识别系统就只能识别图像，你要是问它明天天气怎么样，它可不知道怎么回答。

强人工智能（Artificial General Intelligence，AGI）

类似于人类级别的人工智能，能够在多个领域表现出类似于人的智慧，能理解、学习和执行各种任务。强人工智能也叫通用人工智能（Artificial General Intelligence，AGI）。 ChatGPT之所以是划时代的进展，就是因为它能写诗能做数学题还能编代码，已经基本可以被称作强人工智能了。

超人工智能（Artificial Superintelligence，ASI）

超越人类智慧的人工智能，在各个领域都比人类聪明，可以执行任何智力任务并且在许多方面超越人类。尽管超人工智能在科幻作品中经常出现，但在实际中只是一个理论概念，目前还没有实现的可能。

说到这里，问大家一个问题，打败围棋世界冠军的AlphaGo属于什么人工智能呢？

机器学习——Machine Learning

前面提到，人工智能的目的是让机器能够像人一样思考并决策，到底如何实现呢？

回想一下，我们刚出生时基本上什么都不会，经过了几十年的学习，我们学会了各种知识、技能。机器也是一样的，要让它会思考，就要让它先学习，从经验中总结规律，进而拥有一定的决策和辨别能力，这就是人工智能的核心——机器学习。

机器学习专门研究计算机怎样模拟或实现人类的学习行为，通过学习获取新的知识、技能，从而重新组织已有的知识结构，不断改善自身性能。

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法复杂度理论等多门学科。

机器是怎样学习的呢？我们先来看一下人的学习过程：

上课：学习理论知识，进行知识输入

总结复习：通过复习，强化理解

梳理知识框架：整理知识，形成体系

课后作业：通过练习，进一步加深理解

每周测验：检查掌握情况

查漏补缺：改善学习方法

期末考试：检查最终学习成果

机器的学习过程也是类似的，包括以下7个步骤：

数据获取：收集相关的数据

数据处理：对数据进行转换，统一数据格式

模型选择：选择适合的算法

模型训练：使用数据训练模型，优化算法

模型评估：根据预测结果评估模型性能

模型调整：调整模型参数，优化模型性能

模型预测：对未知结果数据进行预测

简而言之，机器学习就是从数据中通过算法自动归纳逻辑或规则，并根据归纳的结果与新数据来进行预测。

举个例子，如果我们想让计算机看到狗时能判断出是狗，就需要给计算机展示大量狗的图片，同时告诉它这就是狗。经过大量的训练，计算机会总结出一定的规律，当下次看到狗时，捕捉到对应的特征，得出“这是狗”的结论。如果算法不够完善，可能会把猫误认为狗，这就需要计算机通过经验数据自动改进算法，从而增强预测能力。

按照学习方式，机器学习可分为以下四类：

监督学习

从有标记的数据中学习，即数据中包含自变量和因变量，通过学习已知的输入和输出数据来进行预测，如分类任务和回归任务。

分类任务：预测数据所属的类别，如垃圾邮件检测、识别动植物类别等。

回归任务：根据先前观察到的数据预测数据，如房价预测，身高体重预测等。

无监督学习

分析没有标签的数据，即数据中只有自变量没有因变量，发现数据的规律，如聚类、降维等。

聚类：把相似的东西聚在一起，并不关注这类东西是什么，如客户分组。

降维：通过提取特征，将高维数据压缩用低维表示，如将汽车的里程数和使用年限合并为磨损值。

半监督学习

训练数据只有部分有标记，先使用无监督学习对数据进行处理，再用监督学习对模型进行训练和预测。例如手机可以识别同一个人的照片（无监督学习），当把同一个人的照片打上标签后，之后新增的这个人的照片也会自动加上对应的标签（监督学习）。

强化学习

通过与环境进行交互，根据奖励或惩罚来优化算法，直到获得最大奖励，产生最优策略。例如扫地机器人撞到障碍物后，会优化清扫路径。

深度学习——Deep Learning

通过上面的了解，相信大家对机器学习已经不陌生了。那么深度学习又是个啥？跟机器学习有什么关系？

深度学习是机器学习领域的一个新的研究方向，是一种通过多层神经网络来学习和理解复杂数据的算法。机器通过学习样本数据的深层表示来学习复杂任务，最终能够像人一样具有分析学习能力，能够识别文字、图像和声音等。

深度学习使用了神经网络结构，神经网络的长度称为模型的“深度”，因此基于神经网络的学习被称为“深度学习”。神经网络模拟了人类大脑的神经元网络，神经元节点可以对数据进行处理和转换。通过多层神经网络，数据的特征可以被不断地提取和抽象，从而使机器能更好地解决各种问题。