同心圆直观地展示了人工智能、机器学习和深度学习之间的区别和联系

人工智能（AI）是未来，人工智能是科幻小说，人工智能也是我们日常生活的一部分。这些估计可以说是正确的，具体取决于你所指的人工智能类型。

今年早些时候，谷歌 DeepMind 的 AlphaGo 在九段比赛中击败了韩国选手弗拉基米尔·围棋大师。当媒体描述 DeepMind 的胜利时，大家都用了人工智能（AI）、机器学习（machinelearning）和深度学习（deeplearning）。这三者在AlphaGo击败李世乭的过程中都发挥了作用，但它们的含义并不相同。

今天我们用最简单的方法——同心圆来直观地展示这三者的关系和应用。

从上图可以看到，AI最先出现，也是最大最外层的同心圆；接下来是机器学习，稍后；最里面的是深度学习，它是当今人工智能爆发的核心。

在20世纪50年代，人工智能曾经非常有前途。后来，更小的人工智能子集被开发出来。首先是机器学习，然后是深度学习。深度学习是机器学习的一部分。深度学习产生了前所未有的影响。

| 从概念到繁荣

1956年，几位计算机科学家聚集在达特茅斯会议上，提出了“人工智能”的概念。从此，人工智能就萦绕在人们的脑海中，并在科研实验室中慢慢孵化。在接下来的几十年里，人工智能一直处于领先地位，被称为人类文明耀眼未来的预言；或因技术迷的一时兴起而被扔进垃圾桶。坦白说，直到2012年，两种声音仍然同时存在。

近年来，尤其是2015年以来，人工智能呈爆发式增长。这很大程度上要归功于 GPU 的广泛使用，它使并行计算更快、更便宜、更高效。当然，不断增长的存储容量与突然爆发的数据号角（大数据）结合在一起，也导致了图像数据、文本数据、事件数据和地图数据的大规模爆炸。

让我们一点一点地了解计算机科学家如何开发人工智能，从最早的预感到支持数亿用户每天使用的应用程序。

| 人工智能赋予机器人类智能

早在 1956 年夏天的那次会议上，人工智能的先驱们就梦想着利用当时刚刚出现的计算机来构建一个复杂的机器，一台具有相同功能的机器。 。人类智力等基本特征。这就是我们现在所说的“强人工智能”（通用AI）。这个万能的机器拥有我们所有的感知（甚至比人类更多），我们所有的理性，可以像我们一样思考。

人们总是在电影中看到这样的机器：星球大战中的C-3PO等友善的机器；邪恶，就像终结者一样。强人工智能目前只存在于电影和科幻小说中，很容易理解为什么我们不能实现它们，至少现在还不能。

我们目前所能实现的通常被称为“弱AI”（狭义AI）。 弱人工智能是指能够像人类一样甚至更好地执行某些任务的技术。 例如，对Pinterest上的图像进行分类；或 Facebook 上的面部识别。

这些都是弱人工智能在实践中的例子。这些技术实现了人类智能的某些方面。但如何实现它们呢？这些情报从哪里来？这把我们带到了同心圆的内层，即机器学习。

| 机器学习——一种实现人工智能的方法

机器学习最基本的方法是使用算法来分析数据，从中学习，然后对现实生活中的事件做出决策和预测。 与旨在解决特定任务的传统硬编码软件不同，机器学习使用大量数据来“训练”并使用各种算法对数据执行任务。

机器学习直接来自人工智能的早期领域。传统算法包括决策树学习、推理逻辑编程、聚类、强化学习和贝叶斯网络。众所周知，我们还没有实现强大的人工智能。早期的机器学习方法甚至无法实现弱人工智能。

机器学习最成功的应用领域是计算机视觉，尽管它仍然需要大量的手动编码才能完成工作。人们必须手动编写分类器和边缘检测过滤器，以便程序能够识别对象在哪里开始和结束；编写形状识别程序来确定检测到的物体是否有八面；编写一个识别字母“ST-O-P”的分类器。使用这些手写分类器，最终可以开发算法来检测图像并确定它是否是停车标志。

结果还不错，但不是那种可以让人振奋的成功。尤其是在阴天、大雾天，当信号减弱或部分被树木遮挡时，算法很难成功。为此，前一段时间，计算机视觉的表现还没有接近人类的能力。它太刚性，对环境条件太敏感。

随着时间的推移，学习算法的发展改变了一切。

| 深度学习——一种实现机器学习的技术

人工神经网络（Artificial Neural Networks）是早期机器学习中的重要算法，已经经历了几十年的风风雨雨。神经网络的原理受到我们大脑的生理结构的启发——神经元相互交叉连接。但与大脑不同的是，大脑中的一个神经元可以连接到一定距离内的任何神经元，人工神经网络具有独立的层、连接和信息传播方向。

例如，我们可以将图像划分为图像块，并将它们输入到神经网络的第一层。第一层中的每个神经元将信息传输到第二层。第二层的神经元也执行类似的工作，将信息传递到第三层，依此类推，直到最后一层，然后生成结果。

每个神经元为其输入分配一个权重，权重的正确性与其执行的任务直接相关。最终结果由这些权重之和决定。

我们还是以 Stop 标志为例。停车标志图像的所有元素都在神经元的帮助下被分解和“检查”：八角形形状、消防车的红色、粗体可见的字母、交通标志的典型尺寸以及静止的运动。功能等等。神经网络的任务是确定它是否是停车标志。神经网络根据所有权重给出经过深思熟虑的猜测——“概率向量”。

在这个例子中，系统可以给出以下结果： 86%可以是停车标志； 7%可能是限速标志； 5% 可以是挂在树上的风筝等。然后网络结构告诉神经网络它的结论是否正确。

这个例子也比较高级。直到最近，神经网络在人工智能社区中基本上被遗忘了。事实上，神经网络在人工智能的早期就已经存在，但它们对“智能”的贡献微乎其微。主要问题是，即使是最基本的神经网络也需要大量计算。神经网络算法的计算要求很难满足。

然而，仍然有专门的研究小组，以多伦多大学的 Geoffrey Hinton 为代表，继续研究并实现针对超级计算机的并行算法的概念验证和操作。然而，直到 GPU 广泛使用后，这些努力才得到回报。

让我们回到停车标志识别示例。 神经网络 经过调制和训练，但仍然不时容易出错。它需要最多的训练。需要数百、数千甚至数百万张图像进行训练，直到神经元的输入权重被非常精确地调制，无论雾天、晴天还是下雨天，每次都能得到正确的结果。

只有这样，才能说神经网络成功地学会了停车标志是什么样子；或者在 Facebook 应用程序中，神经网络了解了你母亲的脸是什么样子；或者2012年Google教授Andrew Ng）使用神经网络来学习猫的样子等等。

吴教授的突破在于从头开始显着增加这些神经网络的规模。有很多层和神经元，然后将大量数据输入系统来训练网络。在吴教授的案例中，数据是来自 1000 万个 YouTube 视频的图像。吴教授给深度学习加上了“深度”。 这里的“深度”指的是神经网络的众多层。

现在，经过深度学习训练的图像识别在某些情况下甚至可以比人类表现得更好：从识别猫到识别血液中癌症的早期成分，再到在 MRI 扫描中识别肿瘤。谷歌的AlphaGo首先学会了下围棋，然后训练它自己下国际象棋。它训练自己的神经网络的方式就是不断地和自己下棋，反复进行，永不停歇。

| 深度学习赋予人工智能光明的未来

通过深度学习，机器学习使众多应用得以实现，扩大了人工智能的范围。 深度学习以压倒性的方式完成了广泛的任务，几乎可以实现所有机器辅助操作。自动驾驶汽车、预防性医疗保健以及更好的电影推荐即将到来。

人工智能是现在和明天。借助深度学习，人工智能甚至可以达到我们想象的科幻水平。我拿走了你的 C-3PO 而你只有你的终结者。

注：本文原文来自NVIDIA官网，作者：长期科技记者Michael Copeland。