人工智能、机器学习和深度学习是企业IT中的流行术语,有时可以互换使用,尤其是在公司营销其产品时。但是,这些术语不是同义词,它们之间有重要的区别。
人工智能是指机器对人类智能的模拟,它有一个不断变化的定义。随着新技术的出现以更好地模拟人类,人工智能的能力和局限性被重新审视。
这些技术包括机器学习(ML),而深度学习(deep learning)是机器学习的一个子集。同时,神经网络(neural networks)又是深度学习的一个子集。
为了更好地理解不同技术之间的关系,这里做一个关于人工智能、机器学习和深度学习的入门介绍。
什么是人工智能?
人工智能一词自 1950 年代以来一直存在。它描绘了我们努力制造能够挑战使人类成为地球上主要生命形式的机器的斗争:我们的智力。然而,定义智能是很棘手的,因为我们感知的智能会随着时间的推移而变化。
早期的人工智能系统是基于规则的计算机程序,可以解决一些复杂的问题。该程序没有对软件应该做出的每个决策进行硬编码,而是分为知识库和推理引擎,开发人员将用事实填写知识库,然后推理引擎将查询这些事实以得出结果(可以理解为专家系统)。
这种类型的人工智能是有限的,特别是因为它严重依赖人类的输入,基于规则的系统缺乏学习和发展的灵活性,所以他们几乎不再被认为是聪明的。
现代人工智能算法可以从历史数据中学习,这使得它们可用于一系列应用,如机器人、自动驾驶汽车、自然语言理解(NLU)。
虽然人工智能有时会在这些领域产生超人的表现,但在人工智能与人类智能竞争之前,我们还有很长的路要走。
目前,还没有人工智能可以像人类那样学习——也就是说,只有几个例子。人工智能需要接受大量数据的训练,才能理解任何主题。算法仍然无法将它们对一个领域的理解转移到另一个领域。例如,如果我们学习像星际争霸这样的游戏,我们可以同样快速地玩星际争霸II。但对于人工智能来说,这是一个全新的世界,它必须从头开始学习每款游戏。
人类智能还具有将意义联系起来的能力,例如,考虑人类这个词。我们可以在图片和视频中识别人类,人工智能也获得了这种能力。但我们也知道我们应该从人类身上期待什么。我们从来没想过人类有四个轮子,像汽车一样排放碳。然而,除非在足够的数据上进行训练,否则人工智能系统无法推测这一点。
人工智能的定义是一个变化的目标。当人工智能算法变得如此复杂以至于它们的表现优于专业的人类放射科医生时,我们感到惊讶。但后来我们了解到它们的局限性。这就是为什么我们现在区分当前的狭隘人工智能和我们正在追求的人类水平的人工智能版本:通用人工智能(AGI)。今天存在的每个AI应用程序都属于狭义AI(也称为弱AI),而AGI目前只是理论上的。
什么是机器学习?
机器学习(简称ML)是 AI 的一个子集。ML 使用一种称为模型的算法来摄取和处理数据。这些数据用于训练 ML 模型如何做出决策或得出结论。
训练后,模型可以引入新数据,并根据该数据做出决策或预测。举一个简单的例子,在线零售商可能会使用 ML 来查看客户的购买和偏好,然后根据客户之前的行为和选择向客户提出未来的购买建议。
ML 模型可以分为有监督、无监督或半监督,这是指用于训练算法的人为干预和反馈程度。
通常,ML 模型需要大量的人力来训练。在零售商示例中,训练 ML 模型需要收集、清理和分析具有先前活动和记录行为的客户的数据。
其他 ML 实现可能依赖于专门的人员来故意训练模型,以帮助系统识别模式、执行任务并得出准确的结论。ML 通常依赖于以已知、标准化的类型或格式提供的结构化数据,例如数据库。
用于分类和回归的一些 ML 算法包括线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、k 最近邻、k 均值、随机森林和降维算法。
什么是深度学习?
深度学习是机器学习的一个子集,它仍然涉及让机器从数据中学习,但它标志着人工智能发展的一个里程碑。
深度学习是基于我们对神经网络的理解而开发的。基于神经网络构建人工智能的想法自 1980年代以来一直存在,但直到 2012 年,深度学习才真正受到关注。就像机器学习的实现归功于我们产生的大量数据一样,深度学习的采用归功于可用的更便宜的计算能力以及算法的进步。
深度学习实现了比机器学习最初可能实现的更智能的结果。考虑人脸识别示例,为了检测人脸,我们应该向人工智能提供什么样的数据,以及它应该如何学习寻找什么,因为我们唯一能提供的信息是像素颜色?
深度学习利用信息处理层,每个层逐渐学习越来越复杂的数据表示。早期的层可能会学习颜色,接下来的层可以学习形状,下面的层可以学习这些形状的组合,最后是实际对象。深度学习展示了物体识别的突破,它的发明迅速在包括NLU在内的多个方面推动了人工智能的发展。
深度学习是目前我们开发的最先进的人工智能架构。几种深度学习算法包括:
- 卷积神经网络。
- 递归神经网络。
- 长短期记忆网络。
- 生成对抗网络。
深度学习和神经网络:ML 的一个子集
深度学习是 ML 的一种变体,支持更窄但更详细的学习。深度学习模型广泛使用自动化,摄取和使用非结构化数据(如文本和图像)来构建全面的决策能力。
神经网络是一种 ML 算法,通常是深度学习模型中使用的算法的基础。有时被称为人工神经网络或模拟神经网络,神经网络旨在模仿大脑功能 -即神经元如何相互发送信号。
神经网络由决策节点层组成:输入层、众多决策层和输出层。每个节点都是一个人工神经元,它做出具有权重和阈值的计算决策。当节点的输入总和高于阈值时,节点将数据发送到网络下一层中的一个或多个节点,否则,不传递任何数据。
神经网络的类型包括前馈、循环、卷积和模块化。这些术语是指数据如何通过神经网络从一个节点传递到另一个节点。神经网络的架构使计算过程具有高度关联性和极高的效率,类似于大脑。
实际上,神经网络是能够识别模式的算法集合。这使它们成为分类和组织数据的理想选择。因此,神经网络通常构成语音和图像识别等复杂任务的支柱。
机器学习和神经网络之间的主要区别
简而言之,ML的广泛类别和神经网络的特定子类别可以区分如下:
- ML 算法从数据中提取、解析和学习,然后从该训练数据中派生模式或关系。神经网络使用一系列 ML 算法,这些算法以模仿大脑架构的方式组织。
- ML 算法根据其训练数据做出决策,通常在人类指导下。神经网络以高度的自主性做出准确的决策,通常可以从经验和以前的错误中学习。
- ML 模型可以自主接收、学习数据并根据数据做出决策。神经网络由许多 ML 算法构建而成,非常适合特定类型的学习,例如识别图像中的对象。
- 机器学习通常应用于零售、电子商务、运输、物流和医疗保健等领域。神经网络通常用于预测、研究、风险管理以及语音和文本识别。
这两个概念通过它们所需的基本技能集进一步区分。ML 专业人员通常在编程和算法开发、统计方法、大数据分析和基础设施方面具有很强的背景,并且对 ML 框架有全面的了解。神经网络专家通常还拥有广泛的技能,包括数据建模、线性代数和图论。
AI 与机器学习和深度学习
机器学习和深度学习有明确的定义,而我们认为的人工智能会随着时间的推移而变化。例如,光学字符识别曾经被认为是人工智能,但现在不再是了。然而,根据今天的定义,在数千个手写体上训练的深度学习算法可以将它们转换为文本,这将被视为人工智能。
机器学习和深度学习为各种应用程序提供支持,包括执行自然语言处理、图像识别和分类的应用程序。这些技术通过让智能机器处理平凡的重复性任务来帮助企业增加员工队伍,这使员工能够专注于创造性或高思维的工作。
机器学习与深度学习
深度学习是一种机器学习,它使用复杂的神经网络来复制人类智能。深度学习和机器学习通常需要先进的硬件才能运行,如高端GPU,以及获得大量能源。然而,深度学习模型的不同之处在于,它们通常比机器学习模型学习更快、更自主,并且可以更好地使用大型数据集。使用深度学习的应用程序可以包括面部识别系统、自动驾驶汽车和 deepfake 内容。
机器学习和深度学习都代表了人工智能发展的重要里程碑。当我们走向当前的AGI时,可能会有许多其他人。
人工智能、机器学习和深度学习之间的相似之处
除了差异之外,人工智能、机器学习和深度学习还有以下相似之处:
- 这三个学科都有助于智能机器的创造。
- 与旧的编程方法相比,它们可以更轻松地解决当今的复杂问题。
- 他们依靠算法进行预测,识别数据中的重要模式并执行任务。
所有这三个学科都使用数据来训练模型。模型被馈送数据集,以分析和学习重要信息,如见解或模式。在从经验中学习,它们最终成为高性能模型。
数据质量和多样性是每种形式的人工智能的重要因素。多样化的数据集减轻了嵌入在训练数据中的固有偏差,这些偏差可能导致输出偏斜。高质量的数据最大限度地减少错误,以确保模型的可靠性。与人类一样,模型必须迭代学习,以随着时间的推移提高其性能。