人工智能、機器學(xué)習、神經(jīng)網(wǎng)絡(luò )和深度學(xué)習之間是什么樣的關(guān)系？

　　最近很長(cháng)的一段時(shí)間，人工智能的熱度都維持在一定的高度。但是大家在關(guān)注或研究人工智能領(lǐng)域的時(shí)候，總是會(huì )遇到這樣的幾個(gè)關(guān)鍵詞：深度學(xué)習、機器學(xué)習、神經(jīng)網(wǎng)絡(luò )。那他們之間到底是什么樣的關(guān)系呢?

　　先說(shuō)人工智能，人工智能是在1956年一個(gè)叫達特茅斯會(huì )議上提出的。更準確的說(shuō)是1956年學(xué)者們在會(huì )議上將他們確定為人工智能，其實(shí)關(guān)于其具體的一些研究，早就已經(jīng)開(kāi)始了。

　　所以人工智能已經(jīng)是有60多年歷史的一個(gè)領(lǐng)域。為什么最近幾年人工智能才逐漸進(jìn)入大眾視野呢?其實(shí)，這幾年的人工智能浪潮已經(jīng)是人工智能的第三次熱度高漲，并遠遠超過(guò)了之前的熱度。第一次和第二次浪潮都消失在歷史的長(cháng)河里，他們在那個(gè)年代都遇到了自己的問(wèn)題，比如第一次是因為在完美的完成了一些人工智能項目后，遇到更復雜的需求時(shí)卻被發(fā)現當時(shí)的人工智能技術(shù)，并沒(méi)有能力將其解決，導致了世界主力研究的國家中斷了人工智能的研究經(jīng)費。第一次發(fā)展因為缺錢(qián)而中止了，本質(zhì)上還是技術(shù)遇到了瓶頸。第二次浪潮時(shí)候，因為專(zhuān)家系統為很多企業(yè)帶來(lái)非常大的作用和效益，人工智能又準備大力發(fā)展的時(shí)候，被第四代計算機的強有力發(fā)展擠占的沒(méi)有空間，幾乎絕大多數的資金和人力都投入到了第四代計算機的發(fā)展行列中去。

　　除了外部因素的影響，人工智能本身也存在一些問(wèn)題，在早期最核心的兩個(gè)問(wèn)題就是數據和算力，因為當時(shí)其實(shí)有非常不錯的擬合算法模型，但是卻被戴上了過(guò)擬合的帽子，就是模型維度多，但是卻沒(méi)有詳盡和足量數據支持。

　　其實(shí)在1956年后，人工智能發(fā)展的速度非?？?，解決了業(yè)內很多的問(wèn)題，讓當時(shí)的科學(xué)家以為，以當時(shí)的發(fā)展速度，機器可能在20年左右達到人類(lèi)的水平?，F在看，當時(shí)的科學(xué)巨頭還是過(guò)度樂(lè )觀(guān)了，直到60年后的今天，我們還是在弱人工智能領(lǐng)域摸爬滾打。

　　圖 1人工智能產(chǎn)業(yè)發(fā)展歷程

　　講的有點(diǎn)遠了，回到今天的主題，人工智能，機器學(xué)習，神經(jīng)網(wǎng)絡(luò )，深度學(xué)習之間的關(guān)系。

　　人工智能這個(gè)概念可能是個(gè)大坑，把很多人都弄迷糊了。簡(jiǎn)單點(diǎn)解釋?zhuān)斯ぶ悄芫褪菍?shí)現人類(lèi)可以做的事情，這是目的。其中有很多細節，其中最核心，我們可以理解為人的大腦的部分，就是機器學(xué)習。

　　圖 2人工智能關(guān)系圖

　　飲鹿網(wǎng)(innov100)產(chǎn)業(yè)研究員認為機器學(xué)習(machine learning)可以簡(jiǎn)單的理解為實(shí)現人工智能的核心方法。他不是一個(gè)單一的方法，而是眾多算法的合集。沒(méi)錯，人工智能的核心就是由各種算法作為支撐的。不過(guò)，現在的機器學(xué)習更容易理解成，簡(jiǎn)單的半人工智能算法，比如我們在逛某寶的時(shí)候，總是會(huì )有欄目推薦各種商品，或者你瀏覽了某些商品后，你會(huì )發(fā)現首頁(yè)連默認搜索詞都變成了你瀏覽的商品的關(guān)鍵詞，這里面就融合了基于機器學(xué)習的推薦算法，而且在后臺還為用戶(hù)畫(huà)像，更加準確的預測你想要購買(mǎi)的商品。其實(shí)這樣的技術(shù)實(shí)現背后還是有一定問(wèn)題的，比如你的隱私，如果你被預測的很準確，那你還有什么隱私可言，你所有的操作都可能悄悄的出賣(mài)了你。

　　神經(jīng)網(wǎng)絡(luò )(NeuralNetwork)簡(jiǎn)單說(shuō)就是機器學(xué)習眾多算法中的一類(lèi)，設計的時(shí)候就是模仿人腦的處理方式，希望其可以按人類(lèi)大腦的邏輯運行(盡管目前來(lái)說(shuō)對人腦的研究仍不夠透徹)。神經(jīng)網(wǎng)絡(luò )已經(jīng)有很多年的歷史，但現在基本很少聽(tīng)到了。飲鹿網(wǎng)(innov100)產(chǎn)業(yè)研究員認為神經(jīng)網(wǎng)絡(luò )可以簡(jiǎn)單的分為單層，雙層，以及多層網(wǎng)絡(luò )。神經(jīng)網(wǎng)絡(luò )在之前有非常多的問(wèn)題，層數無(wú)法深入過(guò)多，有太多的參數需要調節，樣本數據量過(guò)小等問(wèn)題?？傊?，其之前是一門(mén)并不被看好的技術(shù)。直到2006年，Hinton在《Science》和相關(guān)期刊上發(fā)表了論文，首次提出了“深度信念網(wǎng)絡(luò )”的概念。

　　深度學(xué)習(DeepLearning)其實(shí)算是神經(jīng)網(wǎng)絡(luò )的延伸，從概念被提出，逐漸的在人工智能領(lǐng)域大顯身手。尤其是在2012年，其在圖像識別領(lǐng)域獲得驚人的成績(jì)。和神經(jīng)網(wǎng)絡(luò )一樣，深度學(xué)習也是一個(gè)算法的集合，只不過(guò)這里的算法都是基于多層神經(jīng)網(wǎng)絡(luò )的新的算法。他是一種新的算法和結構，新的網(wǎng)絡(luò )結構中最著(zhù)名的就是CNN，它解決了傳統較深的網(wǎng)絡(luò )參數太多，很難訓練的問(wèn)題，使用了“局部感受野”和“權植共享”的概念，大大減少了網(wǎng)絡(luò )參數的數量。關(guān)鍵是這種結構確實(shí)很符合視覺(jué)類(lèi)任務(wù)在人腦上的工作原理。新的方法就多了：新的激活函數：ReLU，新的權重初始化方法(逐層初始化，XAVIER等)，新的損失函數，新的防止過(guò)擬合方法(Dropout, BN等)。這些方面主要都是為了解決傳統的多層神經(jīng)網(wǎng)絡(luò )的一些不足：梯度消失，過(guò)擬合等。

　　由于其解決了早期人工智能的一些遺留問(wèn)題，在大數據和大算力的加持下，使得人工智能重新進(jìn)入到大眾的視野。并在視覺(jué)識別，圖像識別，語(yǔ)音識別，棋類(lèi)AI中成為核心技術(shù)。所以現在深度學(xué)習就是新的神經(jīng)網(wǎng)絡(luò )，其本質(zhì)仍然是神經(jīng)網(wǎng)絡(luò )，但是又區別于舊的神經(jīng)網(wǎng)絡(luò )。另外現在基本很少在討論神經(jīng)網(wǎng)絡(luò )了。

　　希望大家看完文章之后，可以理解人工智能、機器學(xué)習、神經(jīng)網(wǎng)絡(luò )和深度學(xué)習之間的關(guān)系了。另外，在此基礎上繼續延伸的話(huà)，還有遷移學(xué)習和強化學(xué)習，這些會(huì )在之后的文章繼續探索。