人工智能、机器学习、深度学习到底是个啥？

　　说到近些年的火热名词，“人工智能”必须榜上有名。随着去年 ChatGPT 爆火出圈，“AI（Artificial Intelligence，人工智能）”屡次霸屏热搜榜，并被英国词典出版商柯林斯评为 2023 年的年度词。

　　说到人工智能，大家的第一反应可能是科幻电影里那些拥有人类智慧的机器人，但实际上，人工智能可不仅仅是机器人哦。

　　人工智能是由约翰・麦卡锡（John McCarthy）于 1956 年提出来的，当时的定义是“制造智能机器的科学与工程”。

　　现在的人工智能是指“研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学”。

　　听起来有点绕是不是，文档君来总结一下，人工智能就是让机器能够模拟人类的思维能力，让机器能像人一样去感知、思考甚至决策。

　　时至今日，人工智能已经不再是一门单纯的学科，而是涉及了计算机、心理学、语言学、逻辑学、哲学等多个学科的交叉领域。

　　人工智能看起来是高深的科技，实际上是一个覆盖范围很广的概念。我们的身边，早就有了各种人工智能，例如：自动驾驶、人脸识别、智能机器人、机器翻译等等。

　　擅长于某个方面的人工智能，只能执行特定的任务。例如，人脸识别系统就只能识别图像，你要是问它明天天气怎么样，它可不知道怎么回答。

　　类似于人类级别的人工智能，能够在多个领域表现出类似于人的智慧，能理解、学习和执行各种任务。目前，强人工智能尚未实现，仍是人工智能研究的长期目标。

　　超越人类智慧的人工智能，在各个领域都比人类聪明，可以执行任何智力任务并且在许多方面超越人类。尽管超人工智能在科幻作品中经常出现，但在实际中只是一个理论概念，目前还没有实现的可能。

　　机器也是一样的，要让它会思考，就要让它先学习，从经验中总结规律，进而拥有一定的决策和辨别能力，这就是人工智能的核心 —— 机器学习。

　　机器学习专门研究计算机怎样模拟或实现人类的学习行为，通过学习获取新的知识、技能，从而重新组织已有的知识结构，不断改善自身性能。

　　简而言之，机器学习就是从数据中通过算法自动归纳逻辑或规则，并根据归纳的结果与新数据来进行预测。

　　举个例子，如果我们想让计算机看到狗时能判断出是狗，就需要给计算机展示大量狗的图片，同时告诉它这就是狗。

　　经过大量的训练，计算机会总结出一定的规律，当下次看到狗时，捕捉到对应的特征，得出“这是狗”的结论。

　　如果算法不够完善，可能会把猫误认为狗，这就需要计算机通过经验数据自动改进算法，从而增强预测能力。

　　从有标记的数据中学习，即数据中包含自变量和因变量，通过学习已知的输入和输出数据来进行预测，如分类任务和回归任务。

　　例如手机可以识别同一个人的照片（无监督学习），当把同一个人的照片打上标签后，之后新增的这个人的照片也会自动加上对应的标签（监督学习）。

　　通过与环境进行交互，根据奖励或惩罚来优化算法，直到获得最大奖励，产生最优策略。例如扫地机器人撞到障碍物后，会优化清扫路径。

　　通过上面的了解，相信大家对机器学习已经不陌生了。那么深度学习又是个啥？跟机器学习有什么关系？

　　深度学习是机器学习领域的一个新的研究方向，是一种通过多层神经网络来学习和理解复杂数据的算法。

　　机器通过学习样本数据的深层表示来学习复杂任务，最终能够像人一样具有分析学习能力，能够识别文字、图像和声音等。

　　与传统机器学习不同的是，深度学习使用了神经网络结构，神经网络的长度称为模型的“深度”，因此基于神经网络的学习被称为“深度学习”。

　　神经网络模拟了人类大脑的神经元网络，神经元节点可以对数据进行处理和转换。通过多层神经网络，数据的特征可以被不断地提取和抽象，从而使机器能更好地解决各种问题。

　　递归神经网络（Recurrent Neural Network，RNN）：适用于处理序列数据，如自然语言处理。

　　长短期记忆网络（Long Short-Term Memory，LSTM）：一种特殊的 RNN 结构，能够更好地处理长序列数据。

　　在深度学习的加持下，人工智能得以快速发展，相信在不久的将来，我们将拥有一个全新的 AI 时代。

　　“机器学习”是实现人工智能的一种方法，目的是从数据中学习规律，传统的机器学习需要人工确定数据特征。

　　广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。