最近很長的一段時(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(xí)、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)。那他們之間到底是什么樣的關(guān)系呢？
先說人工智能，人工智能是在1956年一個(gè)叫達(dá)特茅斯會(huì)議上提出的。更準(zhǔn)確的說是1956年學(xué)者們?cè)跁?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(yuǎn)遠(yuǎn)超過了之前的熱度。第一次和第二次浪潮都消失在歷史的長河里，他們?cè)谀莻€(gè)年代都遇到了自己的問題，比如第一次是因?yàn)樵谕昝赖耐瓿闪艘恍┤斯ぶ悄茼?xiàng)目后，遇到更復(fù)雜的需求時(shí)卻被發(fā)現(xiàn)當(dāng)時(shí)的人工智能技術(shù)，并沒有能力將其解決，導(dǎo)致了世界主力研究的國家中斷了人工智能的研究經(jīng)費(fèi)。第一次發(fā)展因?yàn)槿卞X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?yàn)閷＜蚁到y(tǒng)為很多企業(yè)帶來非常大的作用和效益，人工智能又準(zhǔn)備大力發(fā)展的時(shí)候，被第四代計(jì)算機(jī)的強(qiáng)有力發(fā)展擠占的沒有空間，幾乎絕大多數(shù)的資金和人力都投入到了第四代計(jì)算機(jī)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題，在早期最核心的兩個(gè)問題就是數(shù)據(jù)和算力，因?yàn)楫?dāng)時(shí)其實(shí)有非常不錯(cuò)的擬合算法模型，但是卻被戴上了過擬合的帽子，就是模型維度多，但是卻沒有詳盡和足量數(shù)據(jù)支持。
其實(shí)在1956年后，人工智能發(fā)展的速度非常快，解決了業(yè)內(nèi)很多的問題，讓當(dāng)時(shí)的科學(xué)家以為，以當(dāng)時(shí)的發(fā)展速度，機(jī)器可能在20年左右達(dá)到人類的水平。現(xiàn)在看，當(dāng)時(shí)的科學(xué)巨頭還是過度樂觀了，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(yuǎn)了，回到今天的主題，人工智能，機(jī)器學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)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。簡單點(diǎn)解釋，人工智能就是實(shí)現(xiàn)人類可以做的事情，這是目的。其中有很多細(xì)節(jié)，其中最核心，我們可以理解為人的大腦的部分，就是機(jī)器學(xué)習(xí)。
圖 2人工智能關(guān)系圖
飲鹿網(wǎng)（innov100）產(chǎn)業(yè)研究員認(rèn)為機(jī)器學(xué)習(xí)（machine learning）可以簡單的理解為實(shí)現(xiàn)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。沒錯(cuò)，人工智能的核心就是由各種算法作為支撐的。不過，現(xiàn)在的機(jī)器學(xué)習(xí)更容易理解成，簡單的半人工智能算法，比如我們?cè)诠淠硨毜臅r(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(xiàn)首頁連默認(rèn)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(jī)器學(xué)習(xí)的推薦算法，而且在后臺(tái)還為用戶畫像，更加準(zhǔn)確的預(yù)測你想要購買的商品。其實(shí)這樣的技術(shù)實(shí)現(xiàn)背后還是有一定問題的，比如你的隱私，如果你被預(yù)測的很準(zhǔn)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了你。
神經(jīng)網(wǎng)絡(luò)（NeuralNetwork）簡單說就是機(jī)器學(xué)習(xí)眾多算法中的一類，設(shè)計(jì)的時(shí)候就是模仿人腦的處理方式，希望其可以按人類大腦的邏輯運(yùn)行（盡管目前來說對(duì)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(xiàn)在基本很少聽到了。飲鹿網(wǎng)（innov100）產(chǎn)業(yè)研究員認(rèn)為神經(jīng)網(wǎng)絡(luò)可以簡單的分為單層，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題，層數(shù)無法深入過多，有太多的參數(shù)需要調(diào)節(jié)，樣本數(shù)據(jù)量過小等問題。總之，其之前是一門并不被看好的技術(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(xí)（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(shí)別領(lǐng)域獲得驚人的成績。和神經(jīng)網(wǎng)絡(luò)一樣，深度學(xué)習(xí)也是一個(gè)算法的集合，只不過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(jié)構(gòu)，新的網(wǎng)絡(luò)結(jié)構(gòu)中最著名的就是CNN，它解決了傳統(tǒng)較深的網(wǎng)絡(luò)參數(shù)太多，很難訓(xùn)練的問題，使用了“局部感受野”和“權(quán)植共享”的概念，大大減少了網(wǎng)絡(luò)參數(shù)的數(shù)量。關(guān)鍵是這種結(jié)構(gòu)確實(shí)很符合視覺類任務(wù)在人腦上的工作原理。新的方法就多了：新的激活函數(shù)：ReLU，新的權(quán)重初始化方法（逐層初始化，XAVIER等），新的損失函數(shù)，新的防止過擬合方法（Dropout, BN等）。這些方面主要都是為了解決傳統(tǒng)的多層神經(jīng)網(wǎng)絡(luò)的一些不足：梯度消失，過擬合等。
由于其解決了早期人工智能的一些遺留問題，在大數(shù)據(jù)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。并在視覺識(shí)別，圖像識(shí)別，語音識(shí)別，棋類AI中成為核心技術(shù)。所以現(xiàn)在深度學(xué)習(xí)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(qū)別于舊的神經(jīng)網(wǎng)絡(luò)。另外現(xiàn)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(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)之間的關(guān)系了。另外，在此基礎(chǔ)上繼續(xù)延伸的話，還有遷移學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，這些會(huì)在之后的文章繼續(xù)探索。
