提到人工智能，很多工程师就会想到机器学习、神经网络或者深度学习。这几个概念有一定的区别，也有一定的关系。
人工智能（Artificial Intelligence），简单地说，就是希望计算机能够像人类一样完成更多智能的工作，比如汽车自动驾驶。毕竟，一些人类通过直觉可以很快解决的问题，目前却很难通过计算机解决。这些问题包括自然语言理解、图像识别、语音识别等[1]，而它们就是人工智能需要解决的问题。可见，人工智能是目的。
机器学习（Machine Learning），这里引用卡内基梅隆大学（Carnegie Mellon University）的Tom Michael Mitchell教授在1997年出版的书籍Machine Learning中的定义：“如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习”。以垃圾邮件分类问题为例，“一个程序”指的是机器学习算法，比如逻辑回归算法；“任务T”是指区分垃圾邮件的任务；“经验E”为已经区分过是否为垃圾邮件的历史邮件，在监督式机器学习问题中，这也被称之为训练数据；“效果P”为机器学习算法在区分是否为垃圾邮件任务上的正确率。同时，这里的“程序”和传统的程序有着很大的区别。传统的程序，根据给定规则处理数据，从而获得期望结果；这里的“程序”则是根据给定数据以及目标结果获得两者之间的关系规则，进而，可将学习得到的规则应用于新的数据中。
深度学习（Deep Learning）是机器学习的一个分支，它除了可以学习特征和任务之间的关联外，还能自动从数据中提取更加复杂的特征，学习更加复杂的特征表达。这里引用维基百科对深度学习的精确定义“一类通过多层非线性变化对高复杂性数据建模算法的合集”。因为深层神经网络是实现“多层非线性变换”最常用的一种方法，所以在实践中基本上可以认为深度学习就是深层神经网络的代名词。从维基百科给出的定义可以看出，深度学习有两个非常重要的特征：多层和非线性。
所以，人工智能是追求目标，机器学习是实现手段，神经网络、深度学习都只是其中一种方法。
参考文献
[1] TensorFlow实战Google深度学习框架（第2版），郑泽宇，梁博文，顾思宇著
文 | Lauren 图 | Lauren
Copyright @ Lauren的FPGA