機器人，機器學習和人工智慧有什麼區別 深度科普

本文由騰訊數碼獨家發布

都說 AI 人工智慧無處不在，似乎無論走到哪裡，我們總能看見不少的關於AI技術的影子，然而除了人工智慧，改變人類生活方式和工作方式的還有許多關鍵性技術，比如機器演算法和逐漸走進人們日常生活的機器人技術，雖然所有這些技術都與 AI 有著或多或少的聯繫，但總的來說，他們還並不是一個完全的整體，而有著各自獨立和不同的發展和應用領域。

雖然很多時候我們習慣性地將 AI 人工智慧用來描述所有我們所遇到的智能化技術，但是實際上 AI，機器學習，深度學習和機器人這些種種令人稱奇的技術，雖然有時候它們的應用領域會彼此交叉重疊，但是總的來說，它們其實都有著明顯的區分範圍，又共同構成了未來龐大的技術網路。

AI 人工智慧是一個相當寬泛的領域，你可以從其中找到許多地方進行研究學習，但是要充分理解到以下關於人工智慧的四個基礎方面，我們才能對這個相互獨立又協同組織起來的技術整體網路有著深刻清晰的了解。

首先在人工智慧的基礎根源上說，這是讓機器擁有代替人類智能從而操作各項任務的關鍵技術，按照類型來講，可以分為規劃，模式識別，自然語言理解和學習解決問題幾大塊。

然而人工智慧又有廣義和狹義之分，我們目前大多數的都是採用的狹義人工智慧技術，它們可以在一定程度上模擬人類或動物的智能活動，處理各種任務，但是正如其名稱所表示的，這種狹義人工智慧通常處理的是非常精專的技術，比如圖像識別和以光速進行資料庫搜索這些方面，而廣義人工智慧則能在很大程度上直接代替甚至超越人類的智能表現，這也是目前許多的 AI 研發人員正在致力於研究的主要方向。

這些人工智慧技術實際上早就滲透進了我們的生活，比如亞馬遜這類電商就利用 AI 來幫助用戶進行個性化推薦，為你提供你在谷歌等搜索引擎上所期望的產品，其實大多數人在不知不覺中都使用了這項技術，只是並沒有明顯的察覺。而人工智慧和常規的編程技術的主要差別在於 AI 的編程執行動作是完全的依照編程指令準確無誤的操作的，而人工智慧的直接應用則不需要太過明確的編程指令，它們可以在自主學習中完成相應任務。

作為 AI 領域的子集，其實很多時候人工智慧都利用了機器學習功能，如果將機器學習發展得更深一點，我們就可以把它們叫做深度學習，這也是一種對機器的重新學習方式，而這些都是處於軟體方面，那麼作為硬體實體呈現的機器人和 AI 又有什麼不同呢？我們往往將機器人和人工智慧作為可以互換的術語，但是人工智慧演算法實際只是作為硬體內部的大型技術矩陣結構，而還有一些電子和非人工智慧的代碼也會被編入到機器人實體中。

機器人技術是一系列與機器人相關的技術，而機器人則是一台被編程用來完成各種指定任務的機器，但他們既不能叫做人工智慧，也能不叫做機器，但是對於機器人的結構組成，專家們目前還沒有一致的意見，總的來說，機器人需要具有一個物理的實體存在，並被編程有一定的自治能力，比如Roomba真空吸塵機器人，手術機器人和 Altas 人形機器人。

一些被精確編程的機器人，例如工廠的裝配工機器人和手術機器人，他們都不需要自主學習，只需要按照程序指令執行就好，並不具備人工智慧，他們的智能都是被內置的 AI 編程程序所控制的，而且隨著發展，現在一些製造工廠的裝配機器人也能夠被編程來獨立完成重複性工作，不需要什麼精密的思考，而那些具有機器學習功能的機器人則可以在完成工作任務的過程中進行自主學習，並不斷提升自己完成工作的效率和能力。

那麼人工智慧和機器學習有什麼主要區別呢？從根源來講，機器學習是一個實現真正人工智慧的子集，這個術語是由Arthur Samuel 在 1959 年提出，用他的話說就是不需要進行預編程就可以自主學習的能力，這個想法也正是讓演算法去學習或被訓練，完成一些不需要進行硬編碼就可以完成的工作任務，而也正是機器學習為人工智慧後來的發展鋪平了道路。

Arthur Samuel 當時希望建造一個計算機程序能在跳棋比賽中勝過他，但是他並沒有建造一套複雜和詳細的編程系統，而是創造了一種演算法，讓他的計算機可以在與自己的上千次對戰中學習，以此提升自己的能力，而這也成為了當今世界機器學習的核心理念，到了1960年，Arthur Samuel 的這套程序已經可以通過自主學習成功擊敗了人類棋手。

然後機器學習技術發展至今，經過了許多的變革，其中包括被監督，半監督，無監督和強化學習四個方面，在被監督狀態下，計算機程序將會被賦予一些被標記的數據，開發者將會要求這些程序將標記數據分配到相應的排序參數里，比如放置一些動物的圖片，然後讓計算機程序進行辨認識別，在經過訓練後將其歸置於特定的分類區域。

在半監督狀態下，只需要標記一部分的圖像，然後讓計算機程序用自己的演算法和過去的數據來計算出不能被標記的圖像，而在無監督的機器學習上，計算機程序不需要涉及任何要初步標記的數據，然後就被丟進資料庫中，按照自己的方式將資料庫中的各種動物圖像按照相似性進行分類，在這個過程中，他們也創造了自己的規則。最後在強化學習過程中，它們與機器學習的子集不同，舉個例子，就像在玩象棋遊戲時，他可以通過學習自主了解其中的規則，並在多次的勝負中獲得能力上的提升。

作為機器學習的子集，深度學習現在已然成為了非常重要的人工智慧組成部分，他能夠處理的問題遠遠不止數據分類這樣簡單，在與各種數據的交流中，深度學習可以在沒有任何過去知識的條件下進行判斷，做出相應的決定，如果需要在不同的兩種動物間做出區分，相比常規的機器學習的動物圖像區分能力，它們的區分方式將會非常獨特。

首先，它們會一個像素接著一個像素的掃描資料庫中所有的動物圖像，一旦完成之後，就會通過圖像呈現的不同的邊緣和形狀進行解析，以差分順序進行分類排列，確定差異實現區分效果，但是相應的，深度學習也需要更強大的硬體支撐，而運行這些的機器通常輝被存放在大型數據中心，使用深度學習的本質實際上就是從零開始。

在所有的人工智慧學科中，深度學習可以說是未來創造廣義人工智慧的主要工具，我們已經看到，其已經在很多領域逐步實現了實際應用，比如 Alexa，Siri 和微軟的 Cortana 這類語音助手，此前的 Chatbots 聊天機器人已經逐漸被深度學習系統取代，顯得越來越智能。

在過去的一個世紀里，人類經歷了歷史上最為頻繁的技術革命，從計算機時代的開啟，到互聯網的普及，再到移動設備的無處不在，各種不同種類的技術現在已經在逐漸整合起來，共同為未來鋪下發展的道路，正如谷歌的CEO Sundar Pichai 所說：「隨著時間的推移，作為主流設備的計算機，不論是什麼形式的產品，都會逐漸發展成幫助你個性化生活的智能助手，我們會從一個移動時代進入到新的 AI 紀元。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！