說到近些年的火熱名詞，“人工智能”必須榜上有名。隨著去年ChatGPT爆火出圈，“AI（Artificial Intelligence，人工智能）”屢次霸屏熱搜榜，并被英國詞典出版商柯林斯評為2023年的年度詞。

除了“人工智能”，我們還經常聽到“機器學習”、“深度學習”…… 這些術語都是啥意思？它們之間有什么關系呢？跟著文檔君來了解一下吧~~

人工智能——Artificial Intelligence

說到人工智能，大家的第一反應可能是科幻電影里那些擁有人類智慧的機器人，但實際上，人工智能可不僅僅是機器人哦。

人工智能是由約翰·麥卡錫（John McCarthy）于1956年提出來的，當時的定義是“制造智能機器的科學與工程”。 現在的人工智能是指“研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學”。 聽起來有點繞是不是，文檔君來總結一下，人工智能就是讓機器能夠模擬人類的思維能力，讓機器能像人一樣去感知、思考甚至決策。 時至今日，人工智能已經不再是一門單純的學科，而是涉及了計算機、心理學、語言學、邏輯學、哲學等多個學科的交叉領域。

人工智能看起來是高深的科技，實際上是一個覆蓋范圍很廣的概念。我們的身邊，早就有了各種人工智能，例如：自動駕駛、人臉識別、智能機器人、機器翻譯等等。

面對多種多樣的人工智能，我們按照人工智能的實力，可將其分成三類：

弱人工智能（Artificial Narrow Intelligence，ANI）

擅長于某個方面的人工智能，只能執行特定的任務。例如，人臉識別系統就只能識別圖像，你要是問它明天天氣怎么樣，它可不知道怎么回答。

強人工智能（Artificial General Intelligence，AGI）

類似于人類級別的人工智能，能夠在多個領域表現出類似于人的智慧，能理解、學習和執行各種任務。目前，強人工智能尚未實現，仍是人工智能研究的長期目標。

超人工智能（Artificial Superintelligence，ASI）

超越人類智慧的人工智能，在各個領域都比人類聰明，可以執行任何智力任務并且在許多方面超越人類。盡管超人工智能在科幻作品中經常出現，但在實際中只是一個理論概念，目前還沒有實現的可能。

說到這里，文檔君想問大家，打敗圍棋世界冠軍的AlphaGo屬于什么人工智能呢？

AlphaGo雖然在圍棋上戰勝了人類，但是它的能力也僅限于圍棋，如果讓它下五子棋或飛行棋，它還是不行的，所以AlphaGo屬于弱人工智能。

機器學習——Machine Learning

前面提到，人工智能的目的是讓機器能夠像人一樣思考并決策，到底如何實現呢？

回想一下，我們剛出生時基本上什么都不會，經過了幾十年的學習，我們學會了各種知識、技能。 機器也是一樣的，要讓它會思考，就要讓它先學習，從經驗中總結規律，進而擁有一定的決策和辨別能力，這就是人工智能的核心——機器學習。

機器學習專門研究計算機怎樣模擬或實現人類的學習行為，通過學習獲取新的知識、技能，從而重新組織已有的知識結構，不斷改善自身性能。

機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、算法復雜度理論等多門學科。

機器是怎樣學習的呢？我們先來看一下人的學習過程：

上課：學習理論知識，進行知識輸入

總結復習：通過復習，強化理解

梳理知識框架：整理知識，形成體系

課后作業：通過練習，進一步加深理解

每周測驗：檢查掌握情況

查漏補缺：改善學習方法

期末考試：檢查最終學習成果

機器的學習過程也是類似的，包括以下7個步驟：

數據獲取：收集相關的數據

數據處理：對數據進行轉換，統一數據格式

模型選擇：選擇適合的算法

模型訓練：使用數據訓練模型，優化算法

模型評估：根據預測結果評估模型性能

模型調整：調整模型參數，優化模型性能

模型預測：對未知結果數據進行預測

簡而言之，機器學習就是從數據中通過算法自動歸納邏輯或規則，并根據歸納的結果與新數據來進行預測。

舉個例子，如果我們想讓計算機看到狗時能判斷出是狗，就需要給計算機展示大量狗的圖片，同時告訴它這就是狗。 經過大量的訓練，計算機會總結出一定的規律，當下次看到狗時，捕捉到對應的特征，得出“這是狗”的結論。 如果算法不夠完善，可能會把貓誤認為狗，這就需要計算機通過經驗數據自動改進算法，從而增強預測能力。

按照學習方式，機器學習可分為以下四類：

監督學習

從有標記的數據中學習，即數據中包含自變量和因變量，通過學習已知的輸入和輸出數據來進行預測，如分類任務和回歸任務。

分類任務：預測數據所屬的類別，如垃圾郵件檢測 、識別動植物類別等。

回歸任務：根據先前觀察到的數據預測數據，如房價預測，身高體重預測等。

無監督學習

分析沒有標簽的數據，即數據中只有自變量沒有因變量，發現數據的規律，如聚類、降維等。

聚類：把相似的東西聚在一起，并不關注這類東西是什么，如客戶分組。

降維：通過提取特征，將高維數據壓縮用低維表示，如將汽車的里程數和使用年限合并為磨損值。

半監督學習

訓練數據只有部分有標記，先使用無監督學習對數據進行處理，再用監督學習對模型進行訓練和預測。 例如手機可以識別同一個人的照片（無監督學習），當把同一個人的照片打上標簽后，之后新增的這個人的照片也會自動加上對應的標簽（監督學習）。

強化學習

通過與環境進行交互，根據獎勵或懲罰來優化算法，直到獲得最大獎勵，產生最優策略。例如掃地機器人撞到障礙物后，會優化清掃路徑。

深度學習——Deep Learning

通過上面的了解，相信大家對機器學習已經不陌生了。那么深度學習又是個啥？跟機器學習有什么關系？

深度學習是機器學習領域的一個新的研究方向，是一種通過多層神經網絡來學習和理解復雜數據的算法。 機器通過學習樣本數據的深層表示來學習復雜任務，最終能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等。

與傳統機器學習不同的是，深度學習使用了神經網絡結構，神經網絡的長度稱為模型的“深度”，因此基于神經網絡的學習被稱為“深度學習”。 神經網絡模擬了人類大腦的神經元網絡，神經元節點可以對數據進行處理和轉換。通過多層神經網絡，數據的特征可以被不斷地提取和抽象，從而使機器能更好地解決各種問題。

典型的深度學習算法有以下四種類型：

卷積神經網絡（Convolutional Neural Network，CNN）：常用于圖像識別和分類任務。

遞歸神經網絡（Recurrent Neural Network，RNN）：適用于處理序列數據，如自然語言處理。 ?

長短期記憶網絡（Long Short-Term Memory，LSTM）：一種特殊的RNN結構，能夠更好地處理長序列數據。

生成對抗網絡（Generative Adversarial Network，GAN）：用于生成新的數據，如圖像、音頻或文本。

在深度學習的加持下，人工智能得以快速發展，相信在不久的將來，我們將擁有一個全新的AI時代。

結束語

有用的知識又增加了，文檔君來淺淺總結一下吧：

“人工智能”是一個廣泛的概念，目的是讓機器像人一樣思考和執行任務。

“機器學習”是實現人工智能的一種方法，目的是從數據中學習規律，傳統的機器學習需要人工確定數據特征。

“深度學習”是機器學習的一個特定分支，基于神經網絡，能夠自動學習數據特征。

審核編輯：黃飛