“人工智能”這個術語大家都比較熟悉。畢竟，它一直是電影中的熱門焦點，例如“終結者”、“黑客帝國”等等。 但您最近可能還聽說過其他術語，如“機器學習”和“深度學習”，有時它們與“人工智能”交替使用。結果，人工智能、機器學習和深度學習之間的區別可能非常不明確。

接下來，我將簡單介紹人工智能（AI）、機器學習（ML）和深度學習（DL）的實際意義以及它們的不同之處。

那么AI、ML和DL有什么區別？

AI于1956年首先由John McCarthy創造，它涉及能夠執行人類智能特征任務的機器。 雖然這有點籠統，但它包括規劃、理解語言、識別物體和聲音、學習和解決問題等內容。

我們可以將人工智能分為兩大類：廣義和狹義。廣義AI將具有人類智能的所有特征，包括上面提到的能力。 狹義的AI則展現人類智慧的一些方面，并且可以很好地完成這一特征，但在其他領域缺乏相關能力。一臺非常擅長識別圖像的機器，但別無他用，這是狹義AI的一個例子。

本質上機器學習只是實現人工智能的一種途徑。

亞瑟。塞繆爾（Arthur Samuel）在1959年創造人工智能后不久就創造了這個短語，將其定義為“無需明確編程就能具備的學習能力”。你可以在不使用機器學習的情況下獲得人工智能，但是這需要建立數百萬行具有復雜規則和決策樹的代碼。

因此，機器學習不是硬編碼特定指令來完成特定任務的軟件程序，而是一種“訓練”算法的方式，以便學習如何做。 “訓練”涉及向算法提供大量數據，并允許算法自行調整并改進。

舉個例子，機器學習已經被用來大幅改進計算機視覺（機器識別圖像或視頻中的物體的能力）。 你收集數十萬甚至數百萬張圖片，然后讓人類給他們加標簽。例如，人類可能會標記其中有貓的圖片。然后，該算法試圖建立一個模型，可以像人類那樣準確地將圖片標記為包含貓或不包含貓。 一旦準確度足夠高，我們可以認為機器現在已經“學習”了貓的樣子。

深度學習是機器學習的眾多方法之一。其他方法包括決策樹學習、歸納邏輯編程、聚類、強化學習和貝葉斯網絡等。

深度學習受到大腦結構和功能的啟發，即許多神經元的相互連接。人工神經網絡（ANN）是模擬大腦生物結構的算法。

在人工神經網絡中，有“神經元”，它們與其他“神經元”具有不連續的層和連接。每個圖層挑選一個特定的要學習的特征，例如圖像識別中的曲線/邊緣。正是這種層次才給了深度學習這個名字，深度是通過使用多層而不是單層創建的。