当今最具影响力的两种人工智能分别是机器学习和深度学习。但这两个到底是什么？我们如何在这两者的背景下去定义人工智能呢？
人工智能(AI)已经成为我们现代社会重要和不可或缺的一部分。据《福布斯》报道，早在两年前的2017年，51%的现代企业已经应用人工智能，行业本身具有160亿美元的价值。预计这一数字还将呈指数级增长，到2025年将达到1900亿美元。
什么是人工智能？
《牛津词典》2019年的官方词条指出，人工智能是“能够执行通常需要人类智商才能完成的任务的计算机系统的理论和开发”。
换句话说，无论是用于图像检测、语音识别，还是其他一些自动化的决策系统，人工智能都是以一种类似于你我的方式解释信息的。人工智能的一个非常简单的例子是电子游戏对手。它使用来自游戏的数据，以及来自玩家自己的输入，以创建一系列的决策和任务来吸引玩家。人工智能这一概念早在20世纪50年代就已经被引入，但直到70年代和80年代当个人电脑和游戏机开始将开发人工智能作为其运营的基本要求时，它才真正开始腾飞。
人工智能在我们日常生活中的其他应用场景包括:
模拟器
智能设备
金融证券交易所的机器人
数据识别(语音、语音、人脸等)
如今，许多人工智能系统几乎被用于任何需要数据的应用程序，比如管理软件、推荐算法、媒体分析，甚至语音助手。事实上，即使是简单的追踪应用程序现在也在使用人工智能。根据经验，如果有一个相对复杂的任务完成过程需要在没有直接人工干预的情况下定期执行，那么它很可能包含人工智能。
什么是机器学习？
机器学习是一种人工智能(因此是它的一个分支)，专门解析和分析给定的数据，以适应它并做出足够智能的决策。简单地说，这个人工智能是用来观察和注意很多方面的东西，然后根据它接收到的信息采取一个或多个行动步骤。
今天典型的机器学习任务可能包括:
链接推荐
内容审核
搜索结果显示
策划社交媒体时间线
机器学习系统能够在短时间内分析大量的数据，并从中得出解决方案或结论。它优化算法，给出准确的解释，比人类在同样的时间限制下所能完成的要多很多。例如，我们想自动确定某封电子邮件是否是垃圾邮件。机器学习系统将筛选成千上万封电子邮件，以找到有助于确定垃圾邮件的模式。然后，它将给出垃圾邮件和普通邮件的粗略分类，并再次使用这些数据来发现更多的模式，从而进一步完善分析。
当给定越来越新的数据集时，机器学习系统可以调整和更新它的算法，从而更好地完成任务。或者至少，把犯错的可能性降到最低。这就是机器学习在当今数据驱动时代非常重要的原因。
什么是深度学习？
深度学习是机器学习的另一个子集。深度学习系统的基本设计是基于一个有机的传统大脑。我们使用复杂的神经网络形成新的记忆，而这种系统使用人工神经网络编织自己复杂的决策网络，而人工神经网络由无数的算法层组成。
一些相当值得探究的深度学习系统有:
沃森(在《危险边缘》节目中击败了参赛者)
AlphaGo(2016年3月击败职业棋手李世石)
Deepfake(相当逼真但又真实的人物形象)
OpenAI Five(一个游戏深度学习项目，在2017年击败了职业DOTA玩家Dendi)
与标准机器学习系统不同的是，即使给定相对基本的数据集，标准机器学习系统仍然可以执行得相当好，而一个启动的深度学习系统实际上是从零开始的。它的特点是“跛行期”，即人工智能的前几代只有在经过数不清的失败代的适应期后才会开始提供实际的结果。
当它达到相当复杂的效率水平时，深度学习系统就会开始颠覆它之前的一切。例如，DeepMind的AlphaGo最初使用的是16万场业余围棋比赛，后来与自己进行了数百万次对弈，最终打败了专业围棋选手。
与之前设计的其他机器学习系统不同，深度学习系统非常依赖矩阵乘法来生成数据。因此，商业GPU通常是这些系统的最佳硬件，因为它们能够交付维护可操作性所需的高级并行处理需求。
标准人工智能和机器学习
虽然人工智能和机器学习可以在许多常见的应用中交换使用，但需要注意的是机器学习有一个非常明显的特征：适应性。这意味着它会学习。与预先构建的人工智能不同，它可能会犯很多最初的错误，但它的设计初衷是从中学习、从中搭建，并最终取代最初学习的模型。
从设计的角度来看，机器学习的优势还在于它的初始构建不会过于复杂。一个典型的人工智能可能需要针对开发人员可能预见的每一种情况进行专门的编码或特定的指令。但是一个机器学习系统可以简单地操作一个决策图表，加上一个或两个学习标准，以及必要的处理能力，然后使自己在任务上完成的越来越好。
区分机器学习系统的重要性来自于这样一个事实，即我们今天仍然在其他不太重要的任务和任务上使用这些系统的标准、常规人工智能。毕竟，您并不一定需要机器学习系统来自动化更简单的文件管理决策。同样，将语音识别系统这样复杂的东西归类为“纯粹的人工智能”可能也不合适，因此我们对它进行了恰当的归类。
机器学习和深度学习
也许我们需要学习的更重要的区别是机器学习和深度学习之间的区别。首先，正如前面提到的，深度学习就是机器学习，在技术上是同一种类型，或者是它的分支。然而机器学习并不一定是深度学习。两者的区别很大程度上与它们的搭建方式相关联。
在过去的几十年里，机器学习是在与我们许多软件相同的计算机环境中开发出来的。因此，它在某种程度上是线性的，即使它是为了适应摩尔定律而构建的，它仍然受到决策图表和算法的限制。另一方面，深度学习将其所有算法在神经网络中进行网格化。它是为高级并行计算而设计的，我们现在可以把它看作机器学习的下一代。
确定是否使用深度学习系统的一个相当可靠的方法是评估人工智能任务的复杂性。通常，需要考虑的非数值、任意变量越多，就越有可能形成一个深度学习系统。例如，Netflix的推荐并不像语言翻译那么复杂，即便它们的确是从整个互联网用户群的数据池中进行学习的。这种区别可以应用于两个类似的任务，比如两个独立的自动驾驶系统。更依赖于处理传感器数据的应该是通用机器学习系统，而深度学习最有可能更多地依赖于人类可见的环境线索，就像特斯拉TESLA目前正在开发的东西。
无论区别是否明显，深度学习是未来的必然趋势。然而，就我们的目的而言，将深度学习人工智能与标准机器学习人工智能区分开来，对于理解它究竟有多么不同，以及它实际上可能有多么先进，是至关重要的。尽管它今天仍处于发展阶段，但它几乎已经是其他任何事物所无法比拟的。
对于普通观众来说，一个伪造的巴拉克•奥巴马(Barack Obama)在伪造的背景下发表了几句简短的话似乎有些不可思议，但对于我们这些已经明白两者之间区别的观众来说，我们知道，这只是这个可以颠覆性改变游戏规则的技术潜在可能性之一。
————————–
