人工智能火爆！但是你知道机器学习和深度学习的区别吗？

人工智能、机器学习、深度学习之间有什么区别？

2017年，人工智能迎来了标志性的发展，谷歌、百度、腾讯等巨头纷纷入局，试图在互联网的下半场，掀起一场硝烟弥漫的战争，这场腥风血雨，夹杂着人工智能的概念和应用，究竟如何战胜对手，是需要关注的。

根据2016年的相关报告显示，广东在人工智能的企业数、专利数均排在全国前列。位于广东省会的您好科技也是其中的一支后生力量，它是一家专为客户提供智能机器定制方案的企业，能够为客户解决智能场景应用的问题，提升客户的品牌影响力。

那么人工智能是具备人类智能的那些方面呢？

1956年夏天达特矛斯会议提出了一直沿用至今的“人工智能”，经过这么多年的发展，它已经完全超乎我们的想象了。

我们人类所能实现的是“狭义的人工智能”。这些智能是具备人类智能的某些方面，来自机器学习和深度学习。

机器学习：带来人工智能的方法

简单来说，机器学习利用算法去分析数据、学习数据，随后对现实世界情况作出判断和预测。因此，与预先编写好、只能按照特定逻辑去执行指令的软件不同，机器实际上是在用大量数据和算法去“自我训练”，从而学会如何完成一项任务。

机器学习的概念来自于人工智能发展的早期。随后多年中，基于算法的方法包括决策树学习、归纳逻辑编程、聚类算法、强化学习，以及贝叶斯网络等等。正如我们所知，这些技术最终都未能形成通用人工智能，而早期的机器学习方法甚至也没有带来狭义人工智能。

多年的研究结果表明，机器学习的最佳应用领域之一是计算机视觉。不过，计算机视觉技术仍需要大量人工编程才能实现。需要人工编码的技术包括，用于识别照片中对象边缘的边缘探测滤镜，用于判断形状的形状识别算法，以及用于识别字符，例如“STOP”的分类器。利用这些人工编码的分类器，算法可以理解图像，判断这是否是停止标志。

这种技术很强大，但还不算完美。例如在雾天，路边标志很可能看不清楚，而行道树可能也会遮挡标志的一部分。直到最近，计算机视觉在识别图像时一直无法达到人类的水平，这样的识别技术太脆弱，出错率太高。

不过，正确的学习算法将可以带来不同。

深度学习：实现机器学习的技术

机器学习专家们早期提出的另一种基于算法的方法，即人工神经网络，随后得到了发展。神经网络的概念来自于人类大脑理解事物的方式：神经元之间的互联。然而，与神经元紧密联系在一起的人类大脑不同，人工神经网络由离散的分层、连接，以及数据传播方向构成。

例如，你可以拍摄一张照片，将其分成多个小块，并输入神经网络的第一层之中。随后，第一层神经元将会把处理过的数据传递给第二层神经元。第二层神经元去完成自己的处理任务。这样的处理一直持续至最后一层，以输出最终结果。

每个神经元都会为输入信息赋予权重，即对于正在执行的任务，正确或错误的可能状态。最终输出结果基于对所有这些权重信息的相加。以停止标志为例。标志图片将会被分割，并由神经元去“分析”，包括整体形状、颜色、字母、尺寸，以及移动情况。神经网络的任务是判断这是否就是停止标志。为此，神经网络将基于权重信息得出“可能性向量”。在我们的示例中，神经网络认为，这有86%的可能性是停止标志，有7%的可能性是限速标志，5%的可能性是卡在树上的风筝。随后，网络架构师会告诉神经网络，做出的判断是否正确。

人工神经网络在人工智能的诞生早期就已出现，但在“智能性”方面一直未能取得太大突破。问题在于，最基本的神经网络也需要大量的计算资源，因此很难实现。不过，由多伦多大学的吉奥夫里•辛顿（Geoffrey Hinton）带领的一个小型研究团队持续地进行这方面的尝试，最终找到了一种可以由超级计算机运行的算法，证明了这一概念。然而，直到GPU开始大规模部署之后，这种技术才得以普及。

回到停止标志的例子，人工神经网络仍然很有可能得出错误的答案。这种神经网络所需的是训练。只有通过数以十万计，甚至百万计的照片进行训练，神经元对输入信息的加权才能足够精确，从而持续得出正确的结果，无论是否有雾，是否下雨。只有在达到这种程度之后，神经网络才能自行判断停止标志应该是什么样。实际上，2012年，人工智能专家吴恩达在供职于谷歌期间开发了神经网络系统，成功识别出小猫。

吴恩达取得突破的方法是扩大神经网络的规模，增加更多的分层和神经元，并利用海量数据对系统进行训练。吴恩达的研究利用了1000万个YouTube视频。由于神经网络分为很多层，因此吴恩达强调了深度学习的“深度”。

目前，基于深度学习的图像识别技术在某些情况下甚至比人工做得更好，而识别的对象也不仅是小猫，还包括血液中癌症的指标，以及核磁共振中的肿瘤迹象。谷歌AlphaGo学会了围棋游戏，并利用神经网络自我对弈，逐渐变得非常强大。

机器学习和深度学习是人工智能的“子集”，实现产品服务的智能化，是人工智能发展的重要内容。您好科技拥有一支专业的人工智能技术团队，攻克技术难题，在机器学习和深度学习方面，为用户提供各种终端产品，包括导航机器人、解说机器人等，提升用户产品的服务效率，让人工智能应用在用户的每一个场景中。