人工智能与机器学习和深度学习的主要区别

什么是人工智能？

人工智能这个术语从20世纪50年代就已经出现了。它描述了我们努力建造机器来挑战使人类成为地球上主导生命形式的东西:我们的智慧。然而，给智力下定义是很棘手的，因为我们对智力的理解会随着时间而变化。

早期的人工智能系统是基于规则的计算机程序，可以解决一些复杂的问题。代替硬编码软件应该做出的每一个决定，程序被分成一个知识库和推理引擎。开发人员会用事实填充知识库，然后推理引擎会查询这些事实以得出结果。

这人工智能的类型是有限的，特别是因为它严重依赖于人类的投入。基于规则的系统缺乏学习和发展的灵活性；人们几乎不再认为他们聪明。

现代人工智能算法可以从历史数据中学习，这使得它们可以用于一系列应用，如机器人，无人驾驶汽车、电网优化和自然语言理解(NLU).

虽然人工智能有时会在这些领域产生超人的表现，但在人工智能能够与人类智能竞争之前，我们还有很长的路要走。

就目前而言，没有人工智能可以像人类一样学习——也就是说，只有几个例子。人工智能需要在海量数据上接受训练，才能理解任何话题。算法仍然不能将它们对一个领域的理解转移到另一个领域。例如，如果我们学习一个游戏，比如星际争霸，我们可以同样快地玩星际争霸2。但对于AI来说，这是一个全新的世界，它必须从头开始学习每一款游戏。

人类的智力也拥有连接意义的能力。例如，考虑这个词人类。我们可以在图片和视频中识别人类，人工智能也获得了这种能力。但是我们也知道我们应该从人类身上期待什么。我们从来不指望一个人有四个轮子，像汽车一样排放碳。然而，除非经过足够多的数据训练，否则人工智能系统无法猜测这一点。

AI的定义是一个移动的目标。当人工智能算法变得如此复杂以至于它们胜过人类放射科专家。但是后来我们知道了它们的局限性。这就是为什么我们现在区分电流狭义人工智能以及我们正在追求的人类级别的AI版本:人工通用智能(通用人工智能).今天存在的每一个人工智能应用都属于狭义人工智能——也称为弱人工智能——而AGI目前只是理论上的。

什么是机器学习？

机器学习是AI的子集；这是我们开发的模仿人类智能的人工智能算法之一。另一种类型的人工智能将是象征性的人工智能或“传统的”人工智能(即使用if-then条件的基于规则的系统)。

机器学习标志着人工智能发展的转折点。在ML之前，我们试图教会计算机它们必须做出的每个决定的所有变量。这使得该过程完全可见，并且该算法可以处理许多复杂的情况。

在最复杂的形式中，人工智能会遍历几个决策分支，找到结果最好的一个。IBM的深蓝就是这样被设计来击败下棋的加里·卡斯帕罗夫.

但是有很多事情我们无法通过基于规则的算法来定义，比如面部识别。基于规则的系统需要检测不同的形状，如圆形，然后确定它们的位置以及在其他物体中的位置，以便构成一只眼睛。对于程序员来说，更令人畏惧的是如何编写检测鼻子的代码！

机器学习采取了不同的方法。它让机器通过摄取大量数据和检测模式来独立学习。许多ML算法使用统计公式和大数据发挥作用。有争议的是，我们在大数据我们收集的大量数据首先使机器学习成为可能。

一些ML算法用于分类和回归的方法包括线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、k-最近邻、k-均值、随机森林和降维算法。

什么是深度学习？

深度学习是机器学习的一个子集。它仍然涉及让机器从数据中学习，但它标志着人工智能进化的一个里程碑。

深度学习是基于我们对神经网络。基于神经网络构建人工智能的想法自20世纪80年代以来就一直存在，但直到2012年，深度学习才真正得到重视。就像机器学习的实现归功于我们产生的大量数据一样，深度学习的采用归功于更便宜的计算能力以及算法的进步。

深度学习实现了比机器学习最初可能实现的更智能的结果。以人脸识别为例。为了检测一张脸，我们应该给人工智能什么样的数据，它应该如何学习寻找什么，假设我们只能提供像素颜色的信息？

深度学习利用多层信息处理，每一层逐渐学习越来越复杂的数据表示。早期的层可能学习颜色，接下来的层学习形状，接下来的层学习这些形状的组合，最后是实际的物体。深度学习展示了物体识别的突破。它的发明迅速推进了人工智能在几个领域的发展，包括NLU。

深度学习是目前我们开发的最复杂的人工智能架构。几个深度学习算法包括以下内容:

• 卷积神经网络
• 递归神经网络
• 长短期记忆网络
• 生成性对抗网络
• 深度信念网络

人工智能与机器学习和深度学习

机器学习和深度学习有明确的定义，而我们所认为的人工智能会随着时间的推移而变化。举个例子，光学字符识别曾经被认为是人工智能，但现在不再是了。然而，按照今天的定义，一种经过数以千计的笔迹训练、可以将这些笔迹转化为文本的深度学习算法将被视为人工智能。

机器学习和深度学习为各种应用提供动力，包括那些执行自然语言处理，图像识别和分类。这些技术通过让智能机器处理平凡的、重复的任务来帮助企业增加劳动力。这使得员工可以专注于创造性或高思考性的工作。

机器学习与深度学习

深度学习是一种机器学习，它使用复杂的神经网络来复制人类智能。深度学习和机器学习通常都需要高级硬件来运行，如高端GPU，以及获取大量能源。然而，深度学习模型的不同之处在于，它们通常比机器学习模型学习得更快、更自主，并且可以更好地使用大型数据集。使用深度学习的应用可以包括面部识别系统、自动驾驶汽车和deepfake内容。

机器学习和深度学习两者都代表了人工智能进化的伟大里程碑。当我们走向现在的AGI时，很可能会有许多其他的。

人工智能、机器学习和深度学习之间的相似性

除了它们的差异，人工智能，机器学习和深度学习还有以下相似之处:

• 这三个学科都有助于创造智能机器。
• 它们比旧的编程方法更容易解决今天的复杂问题。
• 他们依靠算法进行预测，辨别数据中的重要模式，并执行任务。

这三个学科都使用数据来训练模型。模型被输入数据集以分析和学习重要信息，如洞察力或模式。在从经验中学习的过程中，他们最终成为高性能的模型。

数据质量和多样性是每种人工智能形式的重要因素。多样化的数据集减轻了嵌入在训练数据中的固有偏差，这种偏差可能导致扭曲的输出。高质量的数据最大限度地减少误差，以确保模型的可靠性。像人类一样，一个模型必须随着时间的推移不断学习以提高它的性能。