淺談人工智能，機(jī)器學(xué)習(xí)，深度學(xué)習(xí)三者關(guān)系

大數(shù)據(jù)人工智能技術(shù)，在應(yīng)用層面包括機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等，它們都是現(xiàn)代人工智能的核心技術(shù)。在大數(shù)據(jù)背景下，這些技術(shù)均得到了質(zhì)的提升，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的包含關(guān)系如下圖。

基本概念理解

1．機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)（Machine Learning）也被稱為統(tǒng)計學(xué)習(xí)理論，是人工智能的重要分支。它通過數(shù)據(jù)分析獲得數(shù)據(jù)規(guī)律，并將這些規(guī)律應(yīng)用于預(yù)測或判定其他未知數(shù)據(jù)。機(jī)器學(xué)習(xí)目前已經(jīng)廣泛應(yīng)用于數(shù)據(jù)挖掘、自然語言處理、語音識別等，尤其是在搜索引擎領(lǐng)域。

搜索引擎是人工智能技術(shù)發(fā)展的先鋒隊，目前百度已經(jīng)定位為一家人工智能公司，同時搜狗王小川也將人工智能視為未來。在海量數(shù)據(jù)面前，機(jī)器學(xué)習(xí)的方法成效顯著，具體算法包括決策樹、感知器、支持向量機(jī)、馬爾科夫鏈、最近鄰居法等。擁有大規(guī)模用戶的搜索引擎業(yè)務(wù)的公司是最先接觸到大數(shù)據(jù)的企業(yè)，它們對于機(jī)器學(xué)習(xí)的需求遠(yuǎn)遠(yuǎn)超過其他公司。這類公司利用人工智能技術(shù)的原因是希望其搜索結(jié)果更加精準(zhǔn)，甚至能直接命中用戶答案。

人工智能的發(fā)展經(jīng)歷了從“推理”到“知識”、從“知識”到“學(xué)習(xí)”的重要過程，機(jī)器學(xué)習(xí)一直在人工智能的道路上解決問題。機(jī)器學(xué)習(xí)不是一個單一的學(xué)科，而是與數(shù)學(xué)、計算機(jī)、生物學(xué)等多領(lǐng)域有交叉的學(xué)科。機(jī)器學(xué)習(xí)目前不僅應(yīng)用在搜索引擎中，在生物特征識別、生物醫(yī)學(xué)研究、證券分析等里領(lǐng)域都有深入應(yīng)用，并取得了不錯的成績。

從另外一個角度看待機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)的“學(xué)習(xí)”意味著機(jī)器學(xué)習(xí)的算法嘗試沿著某個維度進(jìn)行優(yōu)化，可以理解為它們通常嘗試以最小的錯誤率來最大限度地發(fā)揮其預(yù)測的可能性。因此產(chǎn)生了三個名稱：錯誤函數(shù)、損失函數(shù)以及目標(biāo)函數(shù)，因為每一個機(jī)器學(xué)習(xí)算法都有一個學(xué)習(xí)目標(biāo)。

項目或工程中使用機(jī)器學(xué)習(xí)算法時，可以通過確定輸入、輸出以及目標(biāo)函數(shù)和最小錯誤率來評估其算法的作用與效果。

對于機(jī)器學(xué)習(xí)算法中的輸入和輸出，通常情況下，初步測試的輸入與輸出的對應(yīng)結(jié)果都是錯誤的，如果擁有與輸入有關(guān)的輸出結(jié)果對應(yīng)關(guān)系，那么可以通過與期望的輸出結(jié)果對比來衡量猜測的準(zhǔn)確度，然后使用該錯誤來修改算法，這是有監(jiān)督學(xué)習(xí)的常見方式。它們不斷估算輸出結(jié)果并修改估算過程的參數(shù)，直到錯誤率達(dá)到極值。

2．神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)（ArTIficial Neural Network）是機(jī)器學(xué)習(xí)的一個重要算法，也是奠定深度學(xué)習(xí)發(fā)展的基礎(chǔ)算法，它的思想影響了深度學(xué)習(xí)，使得深度學(xué)習(xí)成為人工智能中極為重要的技術(shù)之一。

神經(jīng)網(wǎng)絡(luò)作為一種常用的方法，是一種通過模仿生物的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的數(shù)學(xué)模型，也是一種自適應(yīng)的計算模型。它通過感知外部信息的變化來改變系統(tǒng)的內(nèi)部結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)由許多的神經(jīng)元組成，神經(jīng)元之間相互聯(lián)系構(gòu)成信息處理的龐大網(wǎng)絡(luò)。假設(shè)做一件事情有多種途徑，那么神經(jīng)網(wǎng)絡(luò)會告知設(shè)計者哪一種途徑是最佳方式。

神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于它是一個能夠通過現(xiàn)有數(shù)據(jù)進(jìn)行自我學(xué)習(xí)、總結(jié)、歸納的系統(tǒng)，能夠推理產(chǎn)生一個智能識別系統(tǒng)，從而成為人工智能技術(shù)中的重要基石。

3．深度學(xué)習(xí)

深度學(xué)習(xí)（Deep Learning）是機(jī)器學(xué)習(xí)的重要分支，也是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的重要延伸。深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu)已有很多，例如深度神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等。作為多層非線性神經(jīng)網(wǎng)絡(luò)模型，它擁有強(qiáng)大的學(xué)習(xí)能力，通過與大數(shù)據(jù)、云計算和GPU 并行計算相結(jié)合，它在圖形圖像、視覺、語音等方面均獲得較好成就，遠(yuǎn)遠(yuǎn)超越了傳統(tǒng)機(jī)器學(xué)習(xí)的效果，因此深度學(xué)習(xí)被大眾視為人工智能前進(jìn)的重要一步。2016 年3 月，以深度學(xué)習(xí)為基礎(chǔ)的人工智能圍棋應(yīng)用AlphaGo 在圍棋比賽中戰(zhàn)勝人類圍棋高手，成為熱議話題。

深度學(xué)習(xí)目前在圖像處理、語音識別、生物特征識別等領(lǐng)域中已經(jīng)獲得了廣泛的應(yīng)用，并得到行業(yè)較高評價，這使得深度學(xué)習(xí)持續(xù)發(fā)展，加速推進(jìn)人工智能的發(fā)展。

在以往，絕大多數(shù)的機(jī)器學(xué)習(xí)方式都是淺層結(jié)構(gòu)，即使采用非線性處理的方式，這些淺層結(jié)構(gòu)的深度往往也不會太深，這種狀況在近十年左右才得以改變；隨著計算能力的增強(qiáng)，計算的深度也在不斷增加。

機(jī)器學(xué)習(xí)中常見的淺層結(jié)構(gòu)包括高斯混合模型、支持向量機(jī)、最大熵模型、邏輯回歸、多層感知器，等等。實踐不斷告訴我們，淺層結(jié)構(gòu)在解決一些簡單問題時效果比較明顯，但是對于處理復(fù)雜多變的問題，例如語音、視頻等則效果較差。

深度學(xué)習(xí)的基礎(chǔ)研究源自神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)中最為常見的是前饋型神經(jīng)網(wǎng)絡(luò)，倘若具備多隱藏層則可以被稱作深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）。深度神經(jīng)網(wǎng)絡(luò)能夠顯著提升問題的處理效果，雖然目前訓(xùn)練過程中需要強(qiáng)大的計算能力，但是借助GPU 以及分布式計算，可以在保障效果的前提下有效提升計算效率。

深度學(xué)習(xí)可以處理任何類型的數(shù)據(jù)，例如：

（1）聲音。主要針對語音識別、語音合成、語音模擬等。

（2）文本。包含自然語言處理、自然語言生成等。

（3）圖像。針對計算機(jī)視覺領(lǐng)域，包括圖像分類、圖像目標(biāo)檢測、圖像語義分割等。

（4）時間序列。主要在數(shù)據(jù)傳感、關(guān)聯(lián)事件分析等細(xì)分領(lǐng)域。

（5）視頻。主要在視頻內(nèi)容理解，智能視頻廣告等領(lǐng)域。

深度學(xué)習(xí)可以解決幾乎任何機(jī)器感知的問題，包括對數(shù)據(jù)進(jìn)行分類、聚類或?qū)ζ溥M(jìn)行預(yù)測分析。

（1）分類：例如對垃圾郵件和非垃圾郵件的歸檔處理。

（2）聚類：例如對相似性較高的文檔進(jìn)行歸檔處理。

（3）預(yù)測：例如根據(jù)歷年的氣象數(shù)據(jù)和最近的天氣變化預(yù)測未來一周的天氣情況。

深度學(xué)習(xí)非常適用于非結(jié)構(gòu)化數(shù)據(jù)，例如上面提到的圖像、視頻、聲音以及文本等。一個圖像是像素的組合，一個消息是文字的組合。這些數(shù)據(jù)沒有按行和列組織在典型的關(guān)系數(shù)據(jù)庫中，這使得淺層結(jié)構(gòu)的機(jī)器學(xué)習(xí)方式對其進(jìn)行特征分析相對較為困難。深度學(xué)習(xí)的常用用例包括情感分析、圖像分類、預(yù)測分析、推薦系統(tǒng)、異常檢測等。

從開篇的包含圖中，已知深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個子集，而機(jī)器學(xué)習(xí)又是人工智能的一個子集，因此深度學(xué)習(xí)是人工智能的一個子技術(shù)分支。

智能程序是一種廣泛應(yīng)用的計算機(jī)智能程序，它可以通過一系列的條件判斷形成，但是這樣的智能程序往往很容易理解，因此智能程序不能視作當(dāng)前的人工智能。人工智能是面向數(shù)據(jù)深入地分析結(jié)果，結(jié)果的推測過程不是人為可快速推測的，而是需要計算機(jī)輔助完成。深度學(xué)習(xí)則是借助計算機(jī)完成的、較好的人工智能技術(shù)。

既然機(jī)器學(xué)習(xí)是人工智能的技術(shù)分支，那么總有部分算法或模型屬于人工智能領(lǐng)域但是不屬于機(jī)器學(xué)習(xí)領(lǐng)域，例如規(guī)則引擎、專家系統(tǒng)、進(jìn)化算法等，它們都屬于人工智能的技術(shù)體系，但并不是機(jī)器學(xué)習(xí)。

深度學(xué)習(xí)是人工智能一個技術(shù)子集。深度神經(jīng)網(wǎng)絡(luò)在一系列重要領(lǐng)域，例如圖像識別、聲音識別、推薦系統(tǒng)等不斷刷新各項指標(biāo)，甚至超越了人類的認(rèn)知范圍。由DeepMind 研發(fā)的著名人工智能程序AlphaGo，在2016 年擊敗了前世界圍棋冠軍李世乭，這也是深度學(xué)習(xí)技術(shù)對各領(lǐng)域影響的場景之一。

深度學(xué)習(xí)中的“深”是一個技術(shù)術(shù)語，一般而言，它指的是神經(jīng)網(wǎng)絡(luò)中的層數(shù)。一個淺層網(wǎng)絡(luò)有一個所謂的隱藏層，而一個深層網(wǎng)絡(luò)則有一個以上。對于一般簡單的數(shù)據(jù)特征，它會從網(wǎng)絡(luò)層的一層傳遞到下一層用映射關(guān)系表示，而深度神經(jīng)網(wǎng)絡(luò)的層次結(jié)構(gòu)可以表達(dá)更為復(fù)雜的數(shù)據(jù)映射關(guān)系，以表示更復(fù)雜的特征。人工智能面向的問題也具備多層次數(shù)據(jù)的復(fù)雜特征，因此深度學(xué)習(xí)有效地解決了目前各行各業(yè)中的部分復(fù)雜問題。