人工智慧、機器學習、深度學習是什麼關係？

說到近些年的火熱名詞，「人工智慧」必須榜上有名。隨著去年ChatGPT爆火出圈，「AI（Artificial Intelligence，人工智慧）」屢次霸屏熱搜榜，並被英國詞典出版商柯林斯評為2023年的年度詞。

除了「人工智慧」，我們還經常聽到「機器學習」、「深度學習」……

這些術語都是什麼意思？它們之間有什麼關係呢？

人工智慧——Artificial Intelligence

說到人工智慧，大家的第一反應可能是科幻電影裡那些擁有人類智慧的機器人，但實際上，人工智慧可不僅僅是機器人哦。

人工智慧是由約翰·麥卡錫（John McCarthy）於1956年提出來的，當時的定義是「製造智慧機器的科學與工程」。

現在的人工智慧是指「研究、開發用於模擬、延伸和擴展人的智慧的理論、方法、技術及應用系統的一門新的技術科學」。

總結一下：人工智慧就是讓機器能夠模擬人類的思維能力，讓機器能像人一樣去感知、思考甚至決策。

時至今日，人工智慧已經不再是一門單純的學科，而是涉及了計算機、心理學、語言學、邏輯學、哲學等多個學科的交叉領域。

人工智慧看起來是高深的科技，實際上是一個覆蓋範圍很廣的概念。我們的身邊，早就有了各種人工智慧，例如：自動駕駛、臉部辨識、智慧機器人、機器翻譯等等。

面對多種多樣的人工智慧，我們按照人工智慧的實力，可將其分成三類：

• 弱人工智慧（Artificial Narrow Intelligence，ANI）

  擅長於某個方面的人工智慧，只能執行特定的任務。

  例如，臉部辨識系統就只能識別圖像，你要是問它明天天氣怎麼樣，它可不知道怎麼回答。

• 強人工智慧（Artificial General Intelligence，AGI）

  類似於人類級別的人工智慧，能夠在多個領域表現出類似於人的智慧，能理解、學習和執行各種任務。

  強人工智慧也叫通用人工智慧（Artificial General Intelligence，AGI）。

  ChatGPT之所以是劃時代的進展，就是因為它能寫詩能做數學題還能程式設計式碼，已經基本可以被稱作強人工智慧了。

• 超人工智慧（Artificial Superintelligence，ASI）

  超越人類智慧的人工智慧，在各個領域都比人類聰明，可以執行任何智力任務並且在許多方面超越人類。

  儘管超人工智慧在科幻作品中經常出現，但在實際中只是一個理論概念，目前還沒有實現的可能。

說到這裡，問大家一個問題，打敗圍棋世界冠軍的AlphaGo屬於什麼人工智慧呢？

機器學習——Machine Learning

前面提到，人工智慧的目的是讓機器能夠像人一樣思考並決策，到底如何實現呢？

回想一下，我們剛出生時基本上什麼都不會，經過了幾十年的學習，我們學會了各種知識、技能。

機器也是一樣的，要讓它會思考，就要讓它先學習，從經驗中總結規律，進而擁有一定的決策和辨別能力，這就是人工智慧的核心——機器學習。

機器學習專門研究計算機怎樣模擬或實現人類的學習行為，通過學習獲取新的知識、技能，從而重新組織已有的知識結構，不斷改善自身性能。

機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、演算法複雜度理論等多門學科。

機器是怎樣學習的呢？我們先來看一下人的學習過程：

1. 上課：學習理論知識，進行知識輸入

2. 總結複習：通過複習，強化理解

3. 梳理知識框架：整理知識，形成體系

4. 課後作業：通過練習，進一步加深理解

5. 每週測驗：檢查掌握情況

6. 查漏補缺：改善學習方法

7. 期末考試：檢查最終學習成果

機器的學習過程也是類似的，包括以下7個步驟：

1. 資料獲取：收集相關的資料

2. 資料處理：對資料進行轉換，統一資料格式

3. 模型選擇：選擇適合的演算法

4. 模型訓練：使用資料訓練模型，最佳化演算法

5. 模型評估：根據預測結果評估模型性能

6. 模型調整：調整模型參數，最佳化模型性能

7. 模型預測：對未知結果資料進行預測

簡而言之，機器學習就是從資料中通過演算法自動歸納邏輯或規則，並根據歸納的結果與新資料來進行預測。

舉個例子，如果我們想讓計算機看到狗時能判斷出是狗，就需要給計算機展示大量狗的圖片，同時告訴它這就是狗。

經過大量的訓練，計算機會總結出一定的規律，當下次看到狗時，捕捉到對應的特徵，得出「這是狗」的結論。

如果演算法不夠完善，可能會把貓誤認為狗，這就需要計算機通過經驗資料自動改進演算法，從而增強預測能力。

按照學習方式，機器學習可分為以下四類：

• 監督學習

  從有標記的資料中學習，即資料中包含自變數和因變數，通過學習已知的輸入和輸出資料來進行預測，如分類任務和迴歸任務。

  分類任務：預測資料所屬的類別，如垃圾郵件檢測 、識別動植物類別等。

  迴歸任務：根據先前觀察到的資料預測資料，如房價預測，身高體重預測等。

• 無監督學習

  分析沒有標籤的資料，即資料中只有自變數沒有因變數，發現資料的規律，如聚類、降維等。

  聚類：把相似的東西聚在一起，並不關注這類東西是什麼，如客戶分組。

  降維：通過提取特徵，將高維資料壓縮用低維表示，如將汽車的里程數和使用年限合併為磨損值。

• 半監督學習

  訓練資料只有部分有標記，先使用無監督學習對資料進行處理，再用監督學習對模型進行訓練和預測。

  例如手機可以識別同一個人的照片（無監督學習），當把同一個人的照片打上標籤後，之後新增的這個人的照片也會自動加上對應的標籤（監督學習）。

• 強化學習

  通過與環境進行互動，根據獎勵或懲罰來最佳化演算法，直到獲得最大獎勵，產生最優策略。例如掃地機器人撞到障礙物後，會最佳化清掃路徑。

深度學習——Deep Learning

通過上面的了解，相信大家對機器學習已經不陌生了。那麼深度學習又是個什麼？跟機器學習有什麼關係？

深度學習是機器學習領域的一個新的研究方向，是一種通過多層神經網路來學習和理解複雜資料的演算法。

機器通過學習樣本資料的深層表示來學習複雜任務，最終能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等。

深度學習使用了神經網路結構，神經網路的長度稱為模型的「深度」，因此基於神經網路的學習被稱為「深度學習」。

神經網路模擬了人類大腦的神經元網路，神經元節點可以對資料進行處理和轉換。通過多層神經網路，資料的特徵可以被不斷地提取和抽象，從而使機器能更好地解決各種問題。

典型的深度學習演算法有以下四種類型：

• 卷積神經網路（Convolutional Neural Network，CNN）：常用於圖像識別和分類任務。

• 遞迴神經網路（Recurrent Neural Network，RNN）：適用於處理序列資料，如自然語言處理。

• 長短期記憶網路（Long Short-Term Memory，LSTM）：一種特殊的RNN結構，能夠更好地處理長序列資料。

• 生成對抗網路（Generative Adversarial Network，GAN）：用於生成新的資料，如圖像、音訊或文字。

在深度學習的加持下，人工智慧得以快速發展，相信在不久的將來，我們將擁有一個全新的AI時代。

結束語

總結一下：

• 「人工智慧」是一個廣泛的概念，目的是讓機器像人一樣思考和執行任務。

• 「機器學習」是實現人工智慧的一種方法，目的是從資料中學習規律，傳統的機器學習需要人工確定資料特徵。

• 「深度學習」是機器學習的一個特定分支，基於神經網路，能夠自動學習資料特徵。

除了今天介紹的這三個詞，與AI相關的術語還有很多，你還知道哪些呢，歡迎在留言區討論~~