人工智能、机器学习和深度学习的差异

一、概述

人工智能（Artificial Intelligence, AI），是指由人制造的机器所表现出来的智慧。通常是指电脑模拟/模拟人类思维过程以模仿人类能力或行为的能力。

由上述定义可知，人工智能这个题目应该早在有计算机出来的时候，应该就有这个名词的出现了，所以人工智能这个名词出现的非常早(早于1956年)。

但因为早期计算机/电脑的效能和限制，因此只能用来解决一些简单的问题，无法实际用在解决现实生活的问题，所以理论虽然一直有在发展，但这个主题一直被限制住，没有蓬勃发展起来。这两年因为AlphaGo在围棋上不断击败人类，AI因此而声名大噪。商人不断在被炒作AI这个题目，彷彿AI什么都能做，因为AlphaGo的成功所以电脑很快就会像魔鬼终结者(Terminator)一样拥有超高智能把人类给灭绝 。这都是杞人忧天，光是要让电脑能识别所有的物品都很困难了。电影演的AI纯粹欣赏，那些都还是科学家们在努力中的方向。

人工智能、机器学习和深度学习的差异

所谓的人工智能（AI）是一个很大的集合，机器学习（ML）只是其中的集合，而在几年很热门的深度学习（DL）也只是ML的其中一个小集合。

三者的定义如下：

A Artificial Intelligence: “Intelligent Agents“ refers to the ability of the computer to simulate/model human thinking processes to imitate human ability or behavior.

Machine Learning: Learning the model from the data (data-driven model).

Deep Learning: learning data representations with use a cascade of multiple layers of nonlinear processing unit.

通俗的可以翻译如下：

AI: 电脑程序模拟人类要做的事情。

ML和DL: 电脑程序模拟人类要做的事情，但电脑程序需要先有数据进来学习的机制。

二、专家系统

早期专家系统是rule-based，算是AI的一部分，但还不是ML或DL。所谓的rule-based，就是某个专家根据他的经验设定好的值来判断就算。比如猫都有花纹，狗没有、猫是喵喵叫，狗是汪汪叫，这就是判断猫狗的rule。但有没有可能猫没有花纹且汪汪叫，如果我们用rule-based去判断这只猫就有可能会被判断成狗。

机器学习和深度学习

到了机器学习(ML)的时代，我们会希望能有猫跟狗所有的数据，尽可能什么种类都有，然后经由人类知识，我们从数据中去提取一些特征向量(量化)，比如猫或是狗的形状、花纹、声音总类等。从提取出的特征中学习模型，然后用学习好的模型去判断猫和狗。通俗来讲，ML就是要从数据中学习一套规则，来判断猫和狗，而不是像专家系统那样人为的定制出规则，但是提取特征需要人工设计。

ML结构: 数据→特征提取→模型→答案

而到了深度学习时代，舍去人类知识作的特征提取，Yann LeCun 则是定义说从大量的数据中让多层结构的神经网络自己从数据中学习特征的方法。所以猫跟狗的特征是根据你给模型的数据，模型自己去学习猫跟狗在特征上的差异。和机器学习对比，深度学习不需要人工去提取特征，更智能化。

DL结构: 数据→模型(特征提取自学)→答案

两类的差异如下图。

三、拓展

我刚举的例子(猫跟狗的判断)，假设我建立训练好了ML或是DL的模型了，然后把一张猪的照片放进去模型。你觉得ML或是DL模型会判断成什么？是猪吗?

答案是: 猫或是狗。绝对不会是猪，因为模型在训练的时候我们从来没有给他猪的照片，也没有跟模型说这是猪。

所以ML或是DL给的反馈/答案是根据模型训练者一开始给的答案和类别来做反应的。如果从来没跟模型说这是猪，绝对得不到猪这个答案的。