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(jīng)常聽到“機(jī)器學(xué)習(xí)”、“深度學(xué)習(xí)”…… 這些術(shù)語都是啥意思？它們之間有什么關(guān)系呢？

人工智能——Artificial Intelligence

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

人工智能是由約翰·麥卡錫（John McCarthy）于1956年提出來的，當(dāng)時的定義是“制造智能機(jī)器的科學(xué)與工程”。 現(xiàn)在的人工智能是指“研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)”。 總結(jié)一下：人工智能就是讓機(jī)器能夠模擬人類的思維能力，讓機(jī)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(jīng)不再是一門單純的學(xué)科，而是涉及了計算機(jī)、心理學(xué)、語言學(xué)、邏輯學(xué)、哲學(xué)等多個學(xué)科的交叉領(lǐng)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(jī)器人、機(jī)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(zhí)行特定的任務(wù)。 例如，人臉識別系統(tǒng)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(qiáng)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(lǐng)域表現(xiàn)出類似于人的智慧，能理解、學(xué)習(xí)和執(zhí)行各種任務(wù)。 強(qiáng)人工智能也叫通用人工智能（Artificial General Intelligence，AGI）。 ChatGPT之所以是劃時代的進(jìn)展，就是因為它能寫詩能做數(shù)學(xué)題還能編代碼，已經(jīng)基本可以被稱作強(qiáng)人工智能了。

超人工智能（Artificial Superintelligence，ASI）

超越人類智慧的人工智能，在各個領(lǐng)域都比人類聰明，可以執(zhí)行任何智力任務(wù)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(jīng)常出現(xiàn)，但在實際中只是一個理論概念，目前還沒有實現(xiàn)的可能。

說到這里，問大家一個問題，打敗圍棋世界冠軍的AlphaGo屬于什么人工智能呢？

機(jī)器學(xué)習(xí)——Machine Learning

前面提到，人工智能的目的是讓機(jī)器能夠像人一樣思考并決策，到底如何實現(xiàn)呢？

回想一下，我們剛出生時基本上什么都不會，經(jīng)過了幾十年的學(xué)習(xí)，我們學(xué)會了各種知識、技能。 機(jī)器也是一樣的，要讓它會思考，就要讓它先學(xué)習(xí)，從經(jīng)驗中總結(jié)規(guī)律，進(jìn)而擁有一定的決策和辨別能力，這就是人工智能的核心——機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)專門研究計算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，通過學(xué)習(xí)獲取新的知識、技能，從而重新組織已有的知識結(jié)構(gòu)，不斷改善自身性能。

機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、算法復(fù)雜度理論等多門學(xué)科。

機(jī)器是怎樣學(xué)習(xí)的呢？我們先來看一下人的學(xué)習(xí)過程：

上課：學(xué)習(xí)理論知識，進(jìn)行知識輸入

總結(jié)復(fù)習(xí)：通過復(fù)習(xí)，強(qiáng)化理解

梳理知識框架：整理知識，形成體系

課后作業(yè)：通過練習(xí)，進(jìn)一步加深理解

每周測驗：檢查掌握情況

查漏補(bǔ)缺：改善學(xué)習(xí)方法

期末考試：檢查最終學(xué)習(xí)成果

機(jī)器的學(xué)習(xí)過程也是類似的，包括以下7個步驟：

數(shù)據(jù)獲取：收集相關(guān)的數(shù)據(jù)

數(shù)據(jù)處理：對數(shù)據(jù)進(jìn)行轉(zhuǎn)換，統(tǒng)一數(shù)據(jù)格式

模型選擇：選擇適合的算法

模型訓(xùn)練：使用數(shù)據(jù)訓(xùn)練模型，優(yōu)化算法

模型評估：根據(jù)預(yù)測結(jié)果評估模型性能

模型調(diào)整：調(diào)整模型參數(shù)，優(yōu)化模型性能

模型預(yù)測：對未知結(jié)果數(shù)據(jù)進(jìn)行預(yù)測

簡而言之，機(jī)器學(xué)習(xí)就是從數(shù)據(jù)中通過算法自動歸納邏輯或規(guī)則，并根據(jù)歸納的結(jié)果與新數(shù)據(jù)來進(jìn)行預(yù)測。

舉個例子，如果我們想讓計算機(jī)看到狗時能判斷出是狗，就需要給計算機(jī)展示大量狗的圖片，同時告訴它這就是狗。 經(jīng)過大量的訓(xùn)練，計算機(jī)會總結(jié)出一定的規(guī)律，當(dāng)下次看到狗時，捕捉到對應(yīng)的特征，得出“這是狗”的結(jié)論。 如果算法不夠完善，可能會把貓誤認(rèn)為狗，這就需要計算機(jī)通過經(jīng)驗數(shù)據(jù)自動改進(jìn)算法，從而增強(qiáng)預(yù)測能力。

按照學(xué)習(xí)方式，機(jī)器學(xué)習(xí)可分為以下四類：

監(jiān)督學(xué)習(xí)

從有標(biāo)記的數(shù)據(jù)中學(xué)習(xí)，即數(shù)據(jù)中包含自變量和因變量，通過學(xué)習(xí)已知的輸入和輸出數(shù)據(jù)來進(jìn)行預(yù)測，如分類任務(wù)和回歸任務(wù)。

分類任務(wù)：預(yù)測數(shù)據(jù)所屬的類別，如垃圾郵件檢測 、識別動植物類別等。

回歸任務(wù)：根據(jù)先前觀察到的數(shù)據(jù)預(yù)測數(shù)據(jù)，如房價預(yù)測，身高體重預(yù)測等。

無監(jiān)督學(xué)習(xí)

分析沒有標(biāo)簽的數(shù)據(jù)，即數(shù)據(jù)中只有自變量沒有因變量，發(fā)現(xiàn)數(shù)據(jù)的規(guī)律，如聚類、降維等。

聚類：把相似的東西聚在一起，并不關(guān)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(shù)據(jù)壓縮用低維表示，如將汽車的里程數(shù)和使用年限合并為磨損值。

半監(jiān)督學(xué)習(xí)

訓(xùn)練數(shù)據(jù)只有部分有標(biāo)記，先使用無監(jiān)督學(xué)習(xí)對數(shù)據(jù)進(jìn)行處理，再用監(jiān)督學(xué)習(xí)對模型進(jìn)行訓(xùn)練和預(yù)測。 例如手機(jī)可以識別同一個人的照片（無監(jiān)督學(xué)習(xí)），當(dāng)把同一個人的照片打上標(biāo)簽后，之后新增的這個人的照片也會自動加上對應(yīng)的標(biāo)簽（監(jiān)督學(xué)習(xí)）。

強(qiáng)化學(xué)習(xí)

通過與環(huán)境進(jìn)行交互，根據(jù)獎勵或懲罰來優(yōu)化算法，直到獲得最大獎勵，產(chǎn)生最優(yōu)策略。例如掃地機(jī)器人撞到障礙物后，會優(yōu)化清掃路徑。

深度學(xué)習(xí)——Deep Learning

通過上面的了解，相信大家對機(jī)器學(xué)習(xí)已經(jīng)不陌生了。那么深度學(xué)習(xí)又是個啥？跟機(jī)器學(xué)習(xí)有什么關(guān)系？

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個新的研究方向，是一種通過多層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和理解復(fù)雜數(shù)據(jù)的算法。 機(jī)器通過學(xué)習(xí)樣本數(shù)據(jù)的深層表示來學(xué)習(xí)復(fù)雜任務(wù)，最終能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等。

深度學(xué)習(xí)使用了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)的長度稱為模型的“深度”，因此基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)被稱為“深度學(xué)習(xí)”。 神經(jīng)網(wǎng)絡(luò)模擬了人類大腦的神經(jīng)元網(wǎng)絡(luò)，神經(jīng)元節(jié)點可以對數(shù)據(jù)進(jìn)行處理和轉(zhuǎn)換。通過多層神經(jīng)網(wǎng)絡(luò)，數(shù)據(jù)的特征可以被不斷地提取和抽象，從而使機(jī)器能更好地解決各種問題。

典型的深度學(xué)習(xí)算法有以下四種類型：

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）：常用于圖像識別和分類任務(wù)。

遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）：適用于處理序列數(shù)據(jù)，如自然語言處理。

長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）：一種特殊的RNN結(jié)構(gòu)，能夠更好地處理長序列數(shù)據(jù)。

生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）：用于生成新的數(shù)據(jù)，如圖像、音頻或文本。

在深度學(xué)習(xí)的加持下，人工智能得以快速發(fā)展，相信在不久的將來，我們將擁有一個全新的AI時代。

結(jié)束語

總結(jié)一下：

“人工智能”是一個廣泛的概念，目的是讓機(jī)器像人一樣思考和執(zhí)行任務(wù)。

“機(jī)器學(xué)習(xí)”是實現(xiàn)人工智能的一種方法，目的是從數(shù)據(jù)中學(xué)習(xí)規(guī)律，傳統(tǒng)的機(jī)器學(xué)習(xí)需要人工確定數(shù)據(jù)特征。

“深度學(xué)習(xí)”是機(jī)器學(xué)習(xí)的一個特定分支，基于神經(jīng)網(wǎng)絡(luò)，能夠自動學(xué)習(xí)數(shù)據(jù)特征。

審核編輯：劉清