一文教你区分深度学习、机器学习和人工智能的关系

作者：数据分析科普，只写严肃文章，拒绝短平快。

这是一篇研究深度学习，并探讨它和人工智能、机器学习之间关系的文章，相信您读完后能有所收获。

你可能听说过很多有关深度学习的事情。这个词到处都有，似乎适用于一切事物。实际上，深度学习是机器学习的一部分，而机器学习又是人工智能的一部分。如果想要弄清楚深度学习，就要对人工智能和机器学习有一定了解。否则，你很难将媒体的炒作与实际的深度学习区分开。本文将帮你理解什么是真正的深度学习，以及它如何应用于当今世界。

从人工智能开始

人类用许多不同的方式来定义智力，智力包含学习、推断、理解、掌握事实和考虑意义等一系列的活动。这个过程在之前是人类独有的，而现在计算机系统可以尝试模拟其中的一部分过程。然而即使你可以用计算机创建算法来实现这些功能，计算机的“智力”却受到严重的限制。比如，计算机无法理解任何东西，因为它依赖于进程，并通过机械的手段使用数字处理数据。事实上，没有一台计算机能够完全实现上述任何有关智力的活动。

人工智能的目标是模仿人类的智力，让计算机给人一种思考的感觉，实际上计算机只能以智能的逻辑形式或者数学表达来提供这种感觉。因此人工智能的本质是模拟人类智能，它们依靠算法来得出一个可能与人类目标相近的结果。人工智能可以分为如下四类：

1. 1. 人性化行为：如果计算机的行为像人类一样，那么它们就具有人性化行为。最严谨的判断方式是图灵测试，如果在图灵测试中，人类无法区分计算机和人时，就证明计算机拥有了这种技术。通过图灵测试后的计算机可以被用于自然语言处理、自动推理和机器学习等技术；
2. 2. 人性化思考：当计算机作为人思考时，它执行的任务需要人类的智能才能成功，例如驾驶汽车。要确定一个计算机程序是否像人类一样思考，需要依赖反映人类思维的三种技术：内省、心理测试和脑成像。这三种技术能够创建一个模拟的模型，计算机的行为将和这个模型进行实验性的比对，来判断它能否实现人性化思考；
3. 3. 理性思考：研究人类是如何使用某种标准思考的，并描述典型人类行为的准则。当一个人在一定程度上偏离这些行为时，他被认为是理性的。而一台理性思考的计算机需要创建一种用于解决问题的基础技术，然后对其进行修改以实际解决问题。也就是说，计算机在原则上解决的问题往往不同于实际解决的问题；
4. 4. 理性行事：研究人类在特定约束条件下如何行动。一个理性行事的计算机将基于条件、环境因素和现有数据进行行动，它与理性思考一样，在原则上依赖于一个解决方案，而这个方案在实践中可能并不有用。然而，理性行事提供了一个基准，计算机可以在这个基准上完成目标。

那么，我们身边已经应用了哪些人工智能技术呢？常见的有以下几种：

1. 1. 资源调度：许多组织需要有效地调度资源。例如，医院可能必须根据患者的需求、专家的数量以及患者在医院的时间来确定将患者安置在何处；
2. 2. 智能客服：如果人工智能的水平足够高，人们可以使用各种预设方案来处理绝大多数问题。有了良好的语音变化，你甚至可能无法分辨出你是在和电脑交谈；
3. 3. 安全系统：如今许多安全系统都依靠人工智能在危机时刻接管车辆。例如，自动制动系统依靠人工智能来根据车辆提供的所有输入实现紧急停车。

从人工智能到机器学习

机器学习是人工智能的一个分支，机器学习的目标是创建一个人类学习的模拟，以便应用程序能够适应不确定或者意外的条件。为了完成这项任务，机器学习依赖于分析大量数据集的算法。

目前，机器学习不能提供电影中所呈现的那种人工智能技术，它只能模拟特定的学习方式，而且只能在很窄的范围内进行。即使是最好的算法也不能思考、感觉、表现出任何形式的自我意识。对于机器来说，人类最基本的特征是很难掌握的，因为机器在感知上有这些限制。机器学习所能做的是比任何人类都快得多的预测分析。因此，机器学习可以帮助人类更有效地工作。所以人工智能的当前发展状态是执行分析，但人类仍然需要考虑分析的含义，并做出必要的决定。

以下是机器学习的一些用途，你可能不会将它与人工智能联系起来：

1. 1. 访问控制：在许多情况下，访问控制的答案是“是”或者“否”。这种方式与人们几百年来使用密钥的方式大致相同。通过使用机器学习，人们可以根据角色和需求确定用户是否有资格应该访问资源。例如，当会议反映员工角色时，员工才可以访问会议室；
2. 2. 动物保护：虽然海洋看起来足够庞大，可以让动物和船只相安无事。但是每年都有许多动物被行驶的船只撞到。机器学习算法可以通过学习动物和船只的声音和特征来让船只避开这些动物；
3. 3. 预测等待时间：大多数人不喜欢在不知道等待时间的情况下等待。机器学习允许应用程序根据人员配置水平、人员配备负荷、员工试图解决问题的复杂性和资源可用性等来确定一件事的等待时间。

从机器学习到深度学习

深度学习属于机器学习的一个方面。然而，深度学习在分析的深度和提供的自动化类型上又和机器学习有所不同，它们之间的区别如下：

1. 1. 完全不同的范例：机器学习是一套不同的技术，使计算机能够从数据中学习并使用它所学的内容来提供答案，这以预测的形式发生。机器学习使用的主要是统计分析、数据类比等技术。而深度学习通过模拟人脑功能的功能，并使用计算单元（称为神经元）来处理数据，深度学习的主要技术是神经网络技术；
2. 2. 完全不同的架构：机器学习提供了许多参数调整，来优化算法学习的结果。深度学习虽然也使用参数调整，但它们也使用多个用户配置的层。深度学习得到的神经网络，层的数量可以相当大，并形成能够专门学习的独特神经网络：一些可以学习识别图像，而另一些可以检测和解析语音命令。而机器学习并没有这种大量潜在的用于分析的层；
3. 3. 完全不同的自主特征：机器学习方案需要人工干预才能成功，为了正确地处理数据，分析人员利用自己的大量知识来开发算法。深度学习不需要人类执行任何特征创建活动，因为由于它有许多层，它可以自己定义各种特征。这也是为什么深度学习在困难的任务中优于机器学习的原因。

总有人认为深度学习得到的内容是隐藏的，无法进行分析。事实上计算机所能制造的任何东西最终都可以被人类追踪。而深度学习并不总是能确保获得可靠或正确的结果，它也可能会出错。即便如此，目前很多流行的应用程序也已经使用了深度学习。

那么，现实世界是如何运用深度学习的呢？常见的有以下两点：

1. 1. 理解学习的概念：当人类学习时，他们所依赖的不仅仅是数据。人类有直觉，这种与生俱来的直觉依靠本能，并一代又一代地传递。而计算机在深度学习时，要建立一个数据库，这个数据库由神经网络组成，该神经网络具有不同特征，能确保数据处理。通过这种方式深度学习可以理解人类学习的概念；
2. 2. 执行深度学习任务：人和计算机最擅长不同任务。人类擅长推理，通过道德思考得到结果。深度学习擅长解决在大量数据中寻找模式的问题，这些问题的解决方案并不直观，也不容易立即察觉。不过深度学习可以将它们总结为不同模式，然后依赖这些模式发现新的内容或创建特定类型的输出。

不过，深度学习并非无所不能。它只是分析的一种方法，也并不总是最好的方法。学习的速度和思考的能力是深度学习需要解决的首要问题。例如，如果没有足够的数据来训练，深度学习就不能被使用。如果深度学习比人类决策更加复杂，那它也是行不通的。