说到近些年的火热名词，“人工智能”必须榜上有名。自从去年ChatGPT爆火出圈，“AI（Artificial Intelligence，人工智能）”就屡次霸屏热搜榜，还被英国词典出版商柯林斯评为2023年的年度词。

除了“人工智能”，我们还经常听到“机器学习”、“深度学习”……这些术语到底是什么意思？它们之间又有什么关系呢？

人工智能——Artificial Intelligence

提到人工智能，很多人第一反应可能是科幻电影里那些拥有人类智慧的机器人。但实际上，人工智能可不仅仅是机器人这么简单。

人工智能这个概念，最早是由约翰·麦卡锡（John McCarthy）在1956年提出的，当时的定义是“制造智能机器的科学与工程”。到了今天，它的内涵已经扩展为“研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学”。简单来说，人工智能就是让机器能够模拟人类的思维能力——能像人一样去感知、思考甚至决策。

而且，人工智能早已不再是一门单纯的学科，而是涉及计算机、心理学、语言学、逻辑学、哲学等多个领域的交叉学科。

听起来高深，但它的覆盖范围其实非常广。我们身边早就有了各种各样的人工智能应用：自动驾驶、人脸识别、智能机器人、机器翻译……这些都是。

按照能力水平，人工智能可以分成三类：

弱人工智能（Artificial Narrow Intelligence，ANI）
这类AI只擅长某个特定领域，只能执行预设好的任务。比如人脸识别系统，能准确识别图像里是谁，但你要是问它“明天天气怎么样”，它就答不上来了。

强人工智能（Artificial General Intelligence，AGI）
也叫通用人工智能，是类似人类级别的人工智能，能够在多个领域表现出接近人的智慧，能理解、学习和执行各种任务。ChatGPT之所以被看作是划时代的进展，就是因为它既能写诗，又能做数学题，还能编代码——已经基本可以被归入强人工智能的范畴了。

超人工智能（Artificial Superintelligence，ASI）
这是超越人类智慧的人工智能，在各个领域都比人类更聪明，能够执行任何智力任务，并且在很多方面远超人类。虽然超人工智能在科幻作品中经常出现，但在现实中它还只是一个理论概念，目前还没有实现的可能。

说到这里，不妨思考一个问题：当年打败围棋世界冠军的AlphaGo，属于哪一类人工智能？

机器学习——Machine Learning

前面提到，人工智能的目标是让机器像人一样思考和决策。那具体怎么实现呢？

回想一下我们自己：刚出生时基本什么都不会，经过几十年的学习，才学会了各种知识和技能。机器也一样——要让它“思考”，得先让它“学习”，从经验中总结规律，进而拥有一定的决策和辨别能力。这就是人工智能的核心：机器学习。

机器学习专门研究计算机如何模拟或实现人类的学习行为——通过学习获取新知识、新技能，重新组织已有的知识结构，不断改善自身性能。

它也是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法复杂度理论等多个学科。

机器是怎么学习的？我们先来看人的学习过程：上课学理论，总结复习强化理解，整理知识形成体系，做作业加深理解，每周测验检查掌握情况，查漏补缺改善方法，最后期末考试检验成果。

机器的学习过程也大致类似，包括七个步骤：

• 数据获取：收集相关数据
• 数据处理：转换并统一数据格式
• 模型选择：选择适合的算法
• 模型训练：用数据训练模型，优化算法
• 模型评估：根据预测结果评估性能
• 模型调整：调整参数，优化表现
• 模型预测：对未知数据进行预测

说白了，机器学习就是从数据中，通过算法自动归纳逻辑或规则，然后根据归纳的结果来预测新数据。

举个例子：想让计算机看到狗时能认出那是狗，就得给它展示大量狗的图片，同时告诉它“这就是狗”。经过大量训练，计算机会总结出一些规律——比如狗的耳朵、鼻子、体型等特征。下次再看到狗，它能捕捉到这些特征，得出结论：“这是狗”。当然，如果算法不够完善，它可能把猫误认成狗——这时候就需要计算机通过经验数据自动改进算法，增强预测能力。

按照学习方式，机器学习可以分为四类：

监督学习
从有标记的数据中学习。数据包含自变量和因变量，通过学习已知的输入和输出关系来进行预测。典型任务包括分类和回归。

• 分类任务：预测数据所属的类别，比如垃圾邮件检测、识别动植物类别等。
• 回归任务：根据已有数据预测数值，比如房价预测、身高体重预测等。

无监督学习
分析没有标签的数据——只有自变量，没有因变量，靠算法自己发现数据中的规律。典型任务包括聚类和降维。

• 聚类：把相似的东西归在一起，但事先并不知道具体是什么类别，比如客户分组。
• 降维：通过提取特征，把高维数据压缩成低维表示。比如把汽车的里程数和使用年限合并成一个“磨损值”。

半监督学习
训练数据中只有部分有标记。先用无监督学习对数据进行初步处理，再用监督学习对模型进行训练和预测。举个例子：手机能自动识别同一个人的照片（这是无监督学习），当你把其中一些照片打上“张三”的标签后，之后新增的这个人的照片也会自动被加上“张三”的标签（这是监督学习）。

强化学习
通过与环境不断交互，根据奖励或惩罚来优化算法，直到获得最大奖励，产生最优策略。典型的例子就是扫地机器人：撞到障碍物后，它会调整路径，避免下次再撞。

深度学习——Deep Learning

理解了机器学习，那深度学习又是什么？跟机器学习之间是什么关系？

深度学习是机器学习领域的一个新方向，核心是通过多层神经网络来学习和理解复杂数据。机器通过学习样本数据的深层表示，逐步掌握复杂任务，最终能像人一样具备分析学习能力——识别文字、图像、声音等。

深度学习使用的正是神经网络结构。神经网络的层数，被称为模型的“深度”，所以这种基于神经网络的学习就被叫作“深度学习”。神经网络模拟了人类大脑的神经元网络结构，每个神经元节点都能对数据进行处理和转换。通过多层神经网络的叠加，数据的特征可以被不断提取和抽象，从而让机器更好地解决各种问题。

典型的深度学习算法有以下四种：

• 卷积神经网络（CNN）：常用于图像识别和分类任务。
• 递归神经网络（RNN）：适用于处理序列数据，比如自然语言处理。
• 长短期记忆网络（LSTM）：一种特殊的RNN结构，能更好地处理长序列数据。
• 生成对抗网络（GAN）：用于生成新的数据，如图像、音频或文本。

在深度学习的加持下，人工智能正在以前所未有的速度发展。相信在不久的将来，我们会迎来一个全新的AI时代。

最后总结一下三者的关系：

• “人工智能”是一个广泛的概念，目标是让机器像人一样思考和执行任务。
• “机器学习”是实现人工智能的一种方法，目的是从数据中学习规律。传统的机器学习需要人工来确定数据特征。
• “深度学习”是机器学习的一个特定分支，基于神经网络，能够自动学习数据特征。