提到人工智能，很多工程師就會想到機器學習、神經網絡或者深度學習。這幾個概念有一定的差別，也有一定的關系。
人工智能（Artificial Intelligence），簡單地說，就是希望計算機能夠像人類一樣完成更多智能的工作，比如汽車自動駕駛。畢竟，一些人類通過直覺可以很快解決的問題，目前卻很難通過計算機解決。這些問題包括自然語言了解、圖像識别、語音識别等[1]，而它們就是人工智能需要解決的問題。可見，人工智能是目的。
機器學習（Machine Learning），這裡引用卡内基梅隆大學（Carnegie Mellon University）的Tom Michael Mitchell教授在1997年出版的書籍Machine Learning中的定義：“如果一個程式可以在任務T上，随着經驗E的增加，效果P也可以随之增加，則稱這個程式可以從經驗中學習”。以垃圾郵件分類問題為例，“一個程式”指的是機器學習算法，比如邏輯回歸算法；“任務T”是指區分垃圾郵件的任務；“經驗E”為已經區分過是否為垃圾郵件的曆史郵件，在監督式機器學習問題中，這也被稱之為訓練資料；“效果P”為機器學習算法在區分是否為垃圾郵件任務上的正确率。同時，這裡的“程式”和傳統的程式有着很大的差別。傳統的程式，根據給定規則處理資料，進而獲得期望結果；這裡的“程式”則是根據給定資料以及目标結果獲得兩者之間的關系規則，進而，可将學習得到的規則應用于新的資料中。
深度學習（Deep Learning）是機器學習的一個分支，它除了可以學習特征和任務之間的關聯外，還能自動從資料中提取更加複雜的特征，學習更加複雜的特征表達。這裡引用維基百科對深度學習的精确定義“一類通過多層非線性變化對高複雜性資料模組化算法的合集”。因為深層神經網絡是實作“多層非線性變換”最常用的一種方法，是以在實踐中基本上可以認為深度學習就是深層神經網絡的代名詞。從維基百科給出的定義可以看出，深度學習有兩個非常重要的特征：多層和非線性。
是以，人工智能是追求目标，機器學習是實作手段，神經網絡、深度學習都隻是其中一種方法。
參考文獻
[1] TensorFlow實戰Google深度學習架構（第2版），鄭澤宇，梁博文，顧思宇著
文 | Lauren 圖 | Lauren
Copyright @ Lauren的FPGA