人工智能/機器學習/深度學習的關(guān)系

“機器學習”“人工智能”“深度學習”這三個詞常常被人混淆，但其實它們出現(xiàn)的時間相隔甚遠，“人工智能”（Artificial Intelligence，AI）出現(xiàn)于20世紀50年代，“機器學習”（Machine Learning，ML）出現(xiàn)于20世紀80年代，而“深度學習”（Deep Learning，DL）則是近些年才出現(xiàn)的。三者是包含與被包含關(guān)系，如圖1-1所示。

▲圖1-1 人工智能、機器學習和深度學習的關(guān)系

業(yè)內(nèi)對于以上關(guān)系還有不同的見解，比如認為深度學習有部分內(nèi)容在機器學習范疇之外，此處不深究。

01 機器學習與人工智能

“人工智能”一詞出現(xiàn)在1956年的達特茅斯會議上，當時人工智能先驅(qū)的夢想是建造具有人類智能體的軟硬件系統(tǒng)，該系統(tǒng)具有人類的智能特征，而這里所說的人工智能為“通用人工智能”。

這樣的人工智能夢想曾在影視作品中大放異彩，如電影《星球大戰(zhàn)》中的C-3PO機器人具有人類的理性和思考能力。不過，迄今為止，這種高層次的推理和思想仍然難以實現(xiàn)，退而求其次，目前能夠落地的都屬于“狹義的人工智能”，如人臉識別等。

我們將機器學習描述為實現(xiàn)人工智能的一種方式方法。機器學習是基于已有數(shù)據(jù)、知識或經(jīng)驗自動識別有意義的模式。最基本的機器學習使用算法解析和學習數(shù)據(jù)，然后在相似的環(huán)境里做出決定或預(yù)測。簡言之，即基于數(shù)據(jù)學習并做決策。這樣的描述將機器學習與傳統(tǒng)軟件或普通程序區(qū)分開來。

機器學習過程中，并沒有人為指示機器學習系統(tǒng)如何對未知環(huán)境做出決策或預(yù)測，這一過程由機器學習中的算法從數(shù)據(jù)中習得，做出決策的主體是機器學習算法，并且決策或預(yù)測是非確定性的結(jié)果，一般以概率的形式輸出，比如80%的可能性是晴天。

與之不同的是，常規(guī)的應(yīng)用程序需要軟件工程師一句句地編寫代碼（特定的指令集），指示程序或軟件做出確定的行為，比如輸出0和1分別表示注冊成功和失敗。做出決策的主體實際是人，程序只是執(zhí)行動作的工具。正因如此，機器學習可歸為間接編程，與之對應(yīng)的是常規(guī)編程。

02 機器學習與深度學習

深度學習使用多層（一般多于5層）人工神經(jīng)網(wǎng)絡(luò)學習數(shù)據(jù)內(nèi)部的復(fù)雜關(guān)系。人工神經(jīng)網(wǎng)絡(luò)是生物科學、認知科學等與人工智能結(jié)合的產(chǎn)物，在早期的機器學習中就已開始應(yīng)用，其初衷是在計算機中模擬人類大腦神經(jīng)元的工作模式。

人類大腦的神經(jīng)元在百億級別，通過突觸實現(xiàn)彼此交流，從計算的角度看屬于計算密集型，這限制了復(fù)雜人工神經(jīng)網(wǎng)絡(luò)在實踐中的應(yīng)用。計算機計算能力的大幅提升帶來了新的可能，2000年，多倫多大學的Geoffrey Hinton領(lǐng)導的研究小組在不懈研究下，終于在現(xiàn)代超級計算機中驗證了深度學習的多層網(wǎng)絡(luò)結(jié)構(gòu)。

Geoffrey Hinton因在深度學習領(lǐng)域做出巨大貢獻而被稱為深度學習的鼻祖，并與Yoshua Bengio、Yann LeCun并稱機器學習三巨頭。（三人因在深度學習領(lǐng)域的貢獻而榮獲2018年圖靈獎。

深度學習可被看作一種實現(xiàn)機器學習的技術(shù)，是機器學習的子集。與深度學習相對，過去那些只有單層或少層的神經(jīng)網(wǎng)絡(luò)被稱為淺層學習。

對于機器學習的描述，也有專家調(diào)侃地發(fā)聲，以表明某種現(xiàn)象：當你募集資金時，這屬于人工智能;當你招聘時，這屬于機器學習;當你執(zhí)行時，這屬于線性回歸;當你調(diào)試時，這屬于printf（）。

以上只從某個側(cè)面簡要描述了人工智能、機器學習和深度學習的關(guān)系，更全面的信息請讀者參考相關(guān)資料。

03 機器學習與統(tǒng)計學、大數(shù)據(jù)及數(shù)據(jù)科學

機器學習與傳統(tǒng)統(tǒng)計密不可分，兩者都是從數(shù)據(jù)中得出結(jié)論。統(tǒng)計學中首先提出數(shù)據(jù)空間假設(shè)（比如數(shù)據(jù)呈正態(tài)分布）下的參數(shù)化求解，同時關(guān)心樣本量增大至無窮時統(tǒng)計估計的收斂問題;機器學習則盡可能少地對數(shù)據(jù)分布做出假設(shè)，而以算法作為關(guān)鍵，學習接近數(shù)據(jù)生成的模型，同時關(guān)注有限樣本下學習的性能（算法和模型表現(xiàn)）。

機器學習與大數(shù)據(jù)也常常出現(xiàn)在同一場合。當某人提到大數(shù)據(jù)時，需要看此人背景才能明確其所說大數(shù)據(jù)的含義。

當此人是大數(shù)據(jù)相關(guān)技術(shù)人員、從技術(shù)角度描述大數(shù)據(jù)時，他往往指的是數(shù)據(jù)的存儲、分析、處理和計算的技術(shù)，其難點并不在于具體的算法，而在于存儲、計算的分布式系統(tǒng)的層級問題。從行業(yè)中我們也能看到針對大量的數(shù)據(jù)建模往往使用相對簡單的算法。

相反，對于少量數(shù)據(jù)，由于來之不易，往往會進行大量精細的分析和處理。我們很難根據(jù)某一天的天氣推測另一天的天氣狀況，但如果有大量的歷史天氣數(shù)據(jù)，使用常規(guī)算法推測另一天的天氣狀況就會有較大把握。

在某種意義上，“大數(shù)據(jù)不難，小數(shù)據(jù)才難”有一定道理。當此人從業(yè)務(wù)角度描述大數(shù)據(jù)時，他往往指的是數(shù)據(jù)，是基于數(shù)據(jù)的分析挖掘、運營以及產(chǎn)生業(yè)務(wù)價值的方法和策略。

當外行人說大數(shù)據(jù)時，他往往指的是海量數(shù)據(jù)、安全與隱私等更為直觀的概念。值得一提的是，在很多場景下，對于真正進入算法模型的數(shù)據(jù)量，我們需要自問：我們真的有大數(shù)據(jù)嗎？

當然，機器學習所用的數(shù)據(jù)來源于各個渠道，數(shù)據(jù)量是海量的，存儲于大數(shù)據(jù)平臺或大數(shù)據(jù)存儲系統(tǒng)，從這個角度來看，機器學習是依賴于大數(shù)據(jù)的。另外，大數(shù)據(jù)（及其處理能力）也是傳統(tǒng)的數(shù)據(jù)分析建模向機器學習、深度學習轉(zhuǎn)變的關(guān)鍵。

機器學習與數(shù)據(jù)科學（Data Science）關(guān)系也非常緊密。在筆者看來，數(shù)據(jù)科學從數(shù)據(jù)的角度概括了數(shù)據(jù)有關(guān)的活動，涉及的范圍比機器學習更廣。數(shù)據(jù)工程、數(shù)據(jù)可視化、數(shù)據(jù)集成與ETL（提取、轉(zhuǎn)換和加載）、商業(yè)智能、數(shù)據(jù)產(chǎn)品、大數(shù)據(jù)等都可以歸入數(shù)據(jù)科學范疇。
責編AJX