你們長得太像了！但又不一樣！

科技時代，我們更加懷念溫暖邂逅的時光

全文共2876字，預計閱讀時長3分鐘

人工智慧、機器學習、深度學習……你是不是已經被這些名詞搞暈了？究竟他們到底在說什麼，他們之間有什麼關係，今天這篇文章絕對讓你了解透徹。

要搞清它們的關係，最直觀的表述方式就是同心圓，最先出現的是人工智慧，然後是機器學習，當機器學習繁榮之後就出現了深度學習，今天的AI大爆發是由深度學習驅動的。

AI：讓機器展現出人類智力

別看現在人工智慧在業界是炙手可熱，所有的互聯網公司以及各路大迦們紛紛表態AI將是下一個時代的革命性技術，可與互聯網、移動互聯網時代的變更相媲美，要知道在2012年以前，大部分人對它持否定態度，甚至認為它是技術垃圾，只是一個輕率的概念，是沒有好下場的。

直到AlphaGo在圍棋領域戰勝人類最頂尖的棋手，讓大眾第一次直觀認知到了AI的威力和強大，於是大家都不禁在思考到底什麼是人工智慧， 它將帶給人類一個什麼樣的變化和未來?

讓我們回到1956年夏天，在達特茅斯會議上，計算機科學家首次提出了「AI」術語之時，就設想是否有一天機器可以像人一樣擁有意識(consciousness)、自我（Self)和心智（Mind)，隨著計算機工業和科學的飛速發展，曾經的幻想和遙不可及的設想已經可以看到變成現實的曙光。

那人工智慧到底是什麼呢？

上圖展示了人工智慧研究的各個分支，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。

說到底，人工智慧就是學會人腦一樣的思考、分析、推理和學習，具備人類相應的智商和獨立思考能力；進而可能具備自我迭代和進化能力，幫助人類共同進行進化，極大提升目前人類社會的智能化程度。

AI先驅的夢想是建造一台複雜的機器（讓當時剛出現的計算機驅動），然後讓機器呈現出人類智力的特徵。

這一概念就是我們所說的「強人工智慧（General AI）」，也就是打造一台超棒的機器，讓它擁有人類的所有感知，甚至還可以超越人類感知，它可以像人一樣思考。在電影中我們經常會看到這種機器，比如 C-3PO、終結者。

還有一個概念是「弱人工智慧（Narrow AI）」。簡單來講，「弱人工智慧」可以像人類一樣完成某些具體任務，有可能比人類做得更好，例如，Pinterest服務用AI給圖片分類，Facebook用AI識別臉部，這就是「弱人工智慧」。

人工智慧究竟是怎樣實現的？這些智力來自何處？帶著問題我們深入理解，就來到下一個圓圈，它就是機器學習。

機器學習：抵達AI目標的一條路徑

大體來講，機器學習就是用演算法真正解析數據，不斷學習，然後對世界中發生的事做出判斷和預測。此時，研究人員不會親手編寫軟體、確定特殊指令集、然後讓程序完成特殊任務，相反，研究人員會用大量數據和演算法「訓練」機器，讓機器學會如何執行任務。

舉個簡單的例子，當我們網購時，經常會出現商品推薦的信息，這是網站根據你往期的購物記錄和冗長的收藏清單，識別出這其中哪些是你真正感興趣，並且願意購買的產品。這樣的決策模型，可以幫助商城為客戶提供建議並鼓勵產品消費。

機器學習直接來源於早期的人工智慧領域，傳統的演算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習演算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。

上圖為決策樹學習方法

上圖為貝葉斯網路學習方法

傳統的機器學習演算法在指紋識別、基於Haar的人臉檢測、基於HoG特徵的物體檢測等領域的應用基本達到了商業化的要求或者特定場景的商業化水平，但每前進一步都異常艱難，直到深度學習演算法的出現。

深度學習：一種實現機器學習的技術

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路。它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

深度學習的概念源於人工神經網路的研究。它也是早期機器學習專家提出的，存在已經幾十年了。神經網路的構想源自於我們對人類大腦的理解——神經元的彼此聯繫。

深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。晦澀難懂的概念，略微有些難以理解，但是在其高冷的背後，卻有深遠的應用場景和未來。

深度學習是實現機器學習的一種方式和一條路徑。其核心是模擬和學習人類大腦的神經元工作方式，使用獨立的層、連接，還有數據傳播方向。比如最近大火的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關係減少參數數目以提高訓練性能，讓機器認知過程逐層進行，逐步抽象，從而大幅度提升識別的準確性和效率。

這時神經網路就可以自己「教」自己，搞清停止標誌的到底是怎樣的；它還可以識別Facebook的人臉圖像，可以識別貓——吳恩達（Andrew Ng）2012年在谷歌做的事情就是讓神經網路識別貓。

吳恩達的突破之處在於：讓神經網路變得無比巨大，不斷增加層數和神經元數量，讓系統運行大量數據，訓練它。吳恩達的項目從1000萬段YouTube視頻調用圖片，他真正讓深度學習有了「深度」。

到了今天，在某些場景中，經過深度學習技術訓練的機器在識別圖像時比人類更好，比如識別貓、識別血液中的癌細胞特徵、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學習圍棋，它自己與自己不斷下圍棋並從中學習。

目前，業界有一種錯誤的較為普遍的意識，即「深度學習最終可能會淘汰掉其他所有機器學習演算法」。這種意識的產生主要是因為，當下深度學習在計算機視覺、自然語言處理領域的應用遠超過傳統的機器學習方法，並且媒體對深度學習進行了大肆誇大的報道。

深度學習，作為目前最熱的機器學習方法，但並不意味著是機器學習的終點。起碼目前存在以下問題：

1. 深度學習模型需要大量的訓練數據，才能展現出神奇的效果，但現實生活中往往會遇到小樣本問題，此時深度學習方法無法入手，傳統的機器學習方法就可以處理；

2.有些領域，採用傳統的簡單的機器學習方法，可以很好地解決了，沒必要非得用複雜的深度學習方法；

3.深度學習的思想，來源於人腦的啟發，但絕不是人腦的模擬。舉個例子，給一個三四歲的小孩看一輛自行車之後，再見到哪怕外觀完全不同的自行車，小孩也十有八九能做出那是一輛自行車的判斷，也就是說，人類的學習過程往往不需要大規模的訓練數據，而現在的深度學習方法顯然不是對人腦的模擬。

讀芯君開扒

因為有了是深度學習，機器學習才有了很多實際的應用，而且拓展了人工智慧的整體範圍。AI既是現在，也是未來。有了深度學習的幫助，也許到了某一天AI會達到科幻小說描述的水平，這正是我們期待已久的。

縱觀機器學習發展歷程，在此領域的研究熱點可以簡單總結為三個階段：2000至2006年的流形學習、2006年至2011年的稀疏學習、2012年至今的深度學習。

我們現在爭論哪種機器學習方法會一家獨大甚至是取代其他的方法顯然是不明智的。不同的學習方法適應著不同的科技發展階段，每個階段又會繼續產生和發展不同的學習方法，彼此相互作用共同推進科技的進步。

深度學習三大巨頭之一吳恩達曾表示，「在繼深度學習之後，遷移學習將引領下一波機器學習技術」。但最終機器學習的下一個熱點是什麼，誰又能說得准呢。

深度學習大佬 Yoshua Bengio 有一段話講得好：「科學不是戰爭而是合作，任何學科的發展從來都不是一條路走到黑，而是同行之間互相學習、互相借鑒、博採眾長、相得益彰，站在巨人的肩膀上不斷前行。機器學習的研究也是一樣，你死我活那是邪教，開放包容才是正道。」

留言 點贊 發個朋友圈

我們一起探討AI落地的最後一公里

作者：二岳初

參考文獻鏈接：

https://www.zhihu.com/question/57770020

如需轉載，請後台留言，遵守轉載規範

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！