你值得掌握的新名词：人工智能、机器学习与深度学习

我们身边的各种媒体，常常出现这样三个词汇：人工智能、机器学习、深度学习，今天这期节目，为大家介绍一下它们之间的相互关系。

人工智能，Artificial Intelligence，简称AI，顾名思义，是指采用人工方式使得计算机具备认知、分析、判断、预测等能力的方法。

早在上世纪50年代，工程师就已经开始尝试，让机器像人类一样思考和解决问题。

AI的实现方式，可以采用数据学习，也可以采用逻辑编程。

早期的人工智能，多数是采用逻辑编程的方式实现的，比如一些棋牌类的AI，在某种局面下应该走哪一步，是可以通过逻辑的if else来实现的；而从AlphaGo战胜李世石以来，数据学习的方式取得了非常好的效果，在研究和应用领域都受到非常高的关注。

值得一提的是，逻辑编程的传统方式，在今天仍占有一席之地，2018年的星际争霸AI大赛中，获得冠军的队伍采用的方法，就是基于规则的逻辑编程，甚至击败了采用数据学习的Facebook AI团队。

机器学习，Machine Learning，简称ML，是人工智能的子领域之一，特指采用数据学习实现人工智能的一类方法。机器学习起源于上世纪80年代，主要研究特定的算法和数学模型，采用海量数据，训练出数学模型的参数。

在前面人工智能图像识别的一期节目中，我们介绍了一个简单的式子：X*W=Y，这里的W就是我们的模型，机器学习先要根据问题设计出模型W，然后采用已知的Xtrain和Ytrain，训练出W中的参数，然后对未知的Xtest可就解出Ytest。

机器学习有非常多的应用场景：

比如根据关键字词等数据识别出垃圾短信和邮件，根据电商平台的订单数据作出供需预测，根据浏览/关注/点赞/回复数据进行新闻头条、短视频的内容推送等等。

深度学习，Deep Learning，简称DL，则是机器学习的子领域之一，特指采用多层结构提取数据特征的机器学习方法。深度学习的方法，在一定程度上参考了人处理问题的过程。比如我们识别一辆车，视网膜成像以后，由神经网络进行处理，再把信息传送给大脑，这其中既包含了轮廓、形状、颜色等具象信息，也包含了车灯、反光镜、排气管等抽象信息。深度学习借鉴了这一过程，采用多层结构提取数据特征，低层神经元处理后的信息再传给高层神经元，充分利用数据的低维具象特征和高维抽象特征，实现数据分类、回归等系统目标。

近年以来，在图像识别、语音识别、自然语言处理、机器翻译等应用领域，采用深度学习的方式都取得了突破进展。

以语音识别为例，输入一段语音，要输出一段文本。

以前的机器学习方式，是分步骤的，先识别出“a o e i u u”这些音节特征，然后再识别字，然后再识别词和句子。

而深度学习，直接是端到端的，这边是语音，那边是文本，用系统提取数据特征，减少了人为提取中间特征的子步骤。

总结一下今天的内容：

第一，人工智能、机器学习、深度学习是随着时间进程逐步发展而来的。

上世纪50年代、80年代、本世纪10年代是三个主要的时间节点。

第二，人工智能、机器学习、深度学习在概念范畴上是逐步递进的。

深度学习是采用多层结构提取特征的机器学习方法，机器学习是采用数据训练来实现人工智能的方法。

希望今天的内容，能对你有所帮助。