作者：Rahul Sharma

来源：http://techgenix.com/author/rsharma/

编译：FintechProbe

人工智能不再是科幻小说的东西。这是一个现实，而且你每天都在与AI技术驱动的应用程序互动并受到影响。如今，人工智能似乎成了所有人的口头禅，从自动驾驶卡车的制造商那里，可以行驶数千英里，而不需要对卡车司机进行人工干预，因为这些卡车司机担心，如果这些电动卡车能上路，他们就会失业。 2016年，谷歌的DeepMind AlphaGo计划与韩国棋手李世石Lee se - dol展开竞争，该项目取得了胜利。媒体报道使用了诸如人工智能、机器学习和深度学习等术语，好像它们都是同样的东西。事实是，他们没有。当然，这三种技术都是AlphaGo以自己的方式获胜的原因，但它们都是不同的。也许如果这是一个以AI为动力的新闻稿编写程序，这个错误可能不会发生！

为了确保你能理解科技领域的最新革命，你必须了解人工智能、机器学习和深度学习之间的细微差别。

AI：使机器像智能人一样行事的技术

AI、机器学习和深度学习

在人工智能、机器学习和深度学习中，人工智能是涵盖与高级计算机智能相关的技术的最广泛的集合。人工智能的起源可追溯到1956年，当时达特茅斯人工智能大会Dartmouth Artificial Intelligence Conference实际上创造了这个术语，并被普遍接受。会议上所表达的基本思想是，人类智慧的每一个方面都可以用计算机程序设计的精确方式来描述。

人工智能的三个阶段或类别

AI的三个阶段或类别

狭义的人工智能：这个术语用于指可以模拟人类智能水平行为的程序，算法和技术，但仅适用特定的任务。例如，像IBM的DeepBlue这样的象棋游戏机器人就是狭义的人工智能的一个例子。

人工智能:这一术语指的是与人类智力相当的计算机智能水平，涉及一系列任务。我们还远远没有达到人工智能的水平，即使是在最高科技的实验室。

超级智能人工智能:这是对未来的展望——人工智能的水平包含了科学思维、创造性的外观和普遍的智慧，以至于拥有它的机器可以取代人类，成为地球上最聪明的“生物”。

机器学习:一种可行的人工智能方法

机器学习最好设想为人工智能的一个子集。机器学习算法的基本原理是，他们可以使用大量的数据来检测模式，然后根据这些模式进行决策。这是对传统的使用条件编码方法的一个重大改进，其中所有可能的场景都在代码中捕获，以及代码需要模拟的后续行为的定义。机器学习，缩写ML，是人工智能应用的主要武器。实际上，人工智能之所以花了近60年的时间才取得成果，是因为最近才开发了ML算法。随着IT大数据能力的激增，ML算法的进步与人工智能的结合，

ML算法利用决策树学习、聚类、归纳逻辑编程、强化学习，贝叶斯网络等先进的决策概念。这些算法消耗大量的数据，并使用模式、结果、预期结果与反馈循环的比较，从而使时间变得“更聪明”。从长远来看，IBM的深蓝计算机是为其所有功能编码的，而Google的DeepMind AlphaGo算法则使用包含棋盘游戏移动的大数据集来“学习”并最终击败其对手。

深度学习：实现机器学习的“神经”方式

深度学习是机器学习的一个子集。深度学习的核心与神经网络有关，神经网络是人脑内发生决策的程序模拟。然而，与人类的大脑不同的是，任何神经元都可以与其他邻近的神经元建立连接，神经网络具有不连续的连接、层和数据传播方向。

就像机器学习一样，深度学习也依赖于大量数据的可用性，以使技术能够“训练”自己。例如，一个旨在从图像中识别对象的深度学习系统需要运行数百万个测试用例来构建“智能”，让它将多种分析融合在一起，从而真正从图像中识别出对象。

人工智能

让我们重温一下Google的DeepMind AlphaGo程序的例子，该程序在2016年3月击败了棋盘游戏Go的主人。在这种情况下，该技术使用蒙特卡洛树搜索和神经网络编程来实现具有里程碑意义的结果。 在金融欺诈检测、恶意软件和垃圾邮件检测、手写识别、语音识别、图像搜索、街景检测、基于文本的搜索和翻译等领域，正在探索基于深度学习的系统的潜在应用。

有凝聚力的AI系统

由于深度学习有助于实现许多成功的ML应用程序，这反过来又促进了人工智能的覆盖和成功。所以这三种技术最好被视为一个连贯的、共生的生态系统，一层为另一层提供成功。深度学习被证明是实现机器意义的一种高度可行的方法，而先进的ML算法正在使先进的人工智能应用成为现实。

深度学习有助于将任务分解为小步骤，从而使各种算法驱动和机器辅助操作成为可能。 现在属于AI，机器学习，深入学习，未来从未如此激动人心。