|
|
symalgc
严格意义上说，人工智能和机器学习没有直接关系，只不过目前机器学习的方法被大量的应用于解决人工智能的问题而已。目前机器学习是人工智能的一种实现方式，也是最重要的实现方式。
早期的机器学习实际上是属于统计学，而非计算机科学的;而二十世纪九十年代之前的经典人工智能跟机器学习也没有关系。所以今天的 AI 和 ML 有很大的重叠，但并没有严格的从属关系。
不过如果仅就计算机系内部来说，ML 是属于 AI 的。AI 今天已经变成了一台很泛泛的学科了。
深度学习是机器学习目前比较火的一台方向，其本身是神经网络算法的衍生，在图像、语音等富媒体的分类和识别上取得了非常好的效果。
术语“人工智能”， “机器学习”和“深度学习”描述了过去几十年来建立在自身之上的过程，因为世界在计算能力，数据传输和其他技术目标方面取得了巨大进步。
对话应从人工智能开始，人工智能是计算机或技术能够模拟人类思想或大脑活动的任何功能的广义术语。从某种意义上说，人工智能是从早期开始的，它使用简单的计算机国际象棋下棋程序以及其他开始模仿人类决策和思想的程序。
从个人计算机的早期开始，人工智能就一直在发展，直到互联网时代，最后一直到云计算，虚拟化和复杂网络的时代。人工智能已经作为关键技术行业以多种方式发展壮大。
人工智能的里程碑之一是机器学习的出现和采用，这是实现人工智能目标的一种特殊方法。
机器学习使用复杂的算法和程序来帮助计算机软件在性能环境中更好地做出某些决策。机器学习不再像 1970 年代和 1980 年代的手工编码程序那样简单地一遍又一遍地编程计算机来完成一组事情，而是开始使用启发式，行为建模和其他类型的预测来允许技术，以改善其决策并随着时间的推移而发展。机器学习已应用于打击垃圾邮件，实现 IBM Watson 等人工智能个性以及以其他方式实现人工智能目标。
反过来，深度学习则建立在机器学习的基础上。专家将深度学习描述为使用算法来驱动高级抽象，例如使用人工神经网络来训练任务技术。深度学习通过尝试对实际人脑活动进行建模并将其应用于人工决策或其他认知工作，从而将机器学习提升到一台新的水平。
深度学习已通过最先进的供应链优化程序，实验室设备程序以及其他类型的创新（例如，生成对抗网络）等例子得到了证明，其中两个相对的网络（生成和歧视性网络）相互竞争，以模拟人类歧视的思维过程。这种特定类型的深度学习可以应用于图像处理和其他用途。
现实情况是，深度学习使人工智能更接近于专家认为是“强大的 AI”的东西，人工智能或多或少完全具有复制许多人类思维功能的能力。这就引起了关于如何有效地处理这些新兴技术以及如何照料计算机以与我们相同的方式思考世界的争论。 |
|
