乾貨：有了這張圖，就可以真的講明白人工智慧了，不是外行了

人家說人工智慧，你也跟著說，人家又說機器學習你也跟著說，人家還說了深度學習，你也跟著說，但是，你真的懂嗎？小編一張圖、幾句話講明白他們的關係

人工智慧

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的複雜工作。但不同的時代、不同的人對這種「複雜工作」的理解是不同的。2017年12月，人工智慧入選「2017年度中國媒體十大流行語」。

舉例子：通過計算機去讀懂大量的基金、股票的歷史數據，計算機把這些知識都學會後像基金經理一樣可以評判所有基金的好壞和未來走勢，從而獲取更多的投資收益，這就是金融人工智慧。

機器學習

機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。

它是人工智慧的核心，是使計算機具有智能的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。

舉例子：買西瓜的時候，長輩會給我們傳授經驗，比如說敲擊瓜表面時發出某種聲音的是好瓜。長輩之所以會根據這樣的特徵做出好瓜的預測是基於他們的生活經驗，隨著經驗的豐富，他們預測好瓜的能力也在提高。Herbert A. Simon曾對「學習」給出以下定義：「如果一個系統能夠通過執行某個過程改進它的性能，這就是學習」按照這一觀點，上述過程中在長輩身上應該是發生了學習。那麼計算機如果擁有這些經驗，是否也能夠學習到辨別西瓜好壞的技巧呢，是否能夠通過數據及統計的方法使計算機發生學習呢？教會計算機挑西瓜，這就是機器學習。

腦啟發

剛剛上面講的機器學習可以使得計算機通過學習來解決一些特定領域的問題，而機器學習傾向於追求成本函數的蠻力（brute-force）優化，通常使用簡單和相對均勻的初始架構。在有限的特定領域承擔認知任務。儘管 AI 系統（如 AlphaGo）在某些任務中勝過人類，但他們仍然缺乏概括能力和將所學到的知識從一個任務（領域）遷移到另一個任務（領域）的能力。此外，模型數量龐大的參數需要勞動密集的標記數據來調整。另一個關鍵問題是訓練數據運行這些 AI 系統需要很大的計算代價和高吞吐量的數據。而人類大腦是目前唯一真正的智能系統，能耗極低，每天吃幾個饅頭就夠了，且具有的不同認知功能。顯然，學習大腦的信息處理機制，去建立更強大和更通用的機器智能是非常有前景的。所以科學家就開始研究人的腦子，類腦（brain-inspired intelligence）是人工智慧（AI technology）發展的重要途徑，通過發展類腦智能可以揭示人腦信息處理的途徑（ways of information processing in the human brain）。明白了嗎？但是人的腦子科學家現在還沒有徹底搞明白，只能慢慢的利用計算機來模擬人腦，所以就有了更細的「神經網路」和「深度學習」來解決上面提到的又是大量數據標註又是大量計算能力的問題。

舉例子：從結構的角度看，不同類型的神經元的形態，在發育和學習期間的穩定連接和修整，大腦皮質的分層體系結構，腦區域內、區域間的前饋和反饋連接，以及多層腦構建塊的模體（motifs）為人工神經網路的建立設計提供了新的見解。從機制角度看，尖峰信息編碼和解碼，具有不同功能的不同類型的尖峰神經元，多種突觸類型和可塑性機制，用於從短期到長期記憶的轉換的規則，以及在不同級別的信息處理的集成（神經元、微電路、腦區域）為通用人工智慧設計高效計算模型和演算法的操作理論帶來了靈感IBM正在利用來自於美國國防部高級研究計劃局的資金，以及全美各地的實驗室合作開發了一種可模擬人腦結構的晶元，希望這種晶元能帶來更高效的計算模式。

神經網路

剛剛講了機器學習費事費力費數據，所以科學家就想模擬人的腦子，人腦就是下面這張圖片

科學家發明了人工神經網路（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智慧領域興起的研究熱點。它從信息處理角度對人腦神經元網路進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網路。

最近十多年來，人工神經網路的研究工作不斷深入，已經取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。

舉例子：在工程與學術界也常直接簡稱為神經網路或類神經網路。神經網路是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重，這相當於人工神經網路的記憶。網路的輸出則依網路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。

深度學習

深度學習（Deep Learning）的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分散式特徵表示。

深度學習的概念由Hinton等人於2006年提出。基於深度置信網路(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關係減少參數數目以提高訓練性能。

深度學習是機器學習中一種基於對數據進行表徵學習的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實例中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監督式或半監督式的特徵學習和分層特徵提取高效演算法來替代手工獲取特徵。

深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。

舉例子：同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分．不同的學習框架下建立的學習模型很是不同．例如，卷積神經網路（Convolutional neural networks，簡稱CNNs）就是一種深度的監督學習下的機器學習模型，而深度置信網（Deep Belief Nets，簡稱DBNs）就是一種無監督學習下的機器學習模型。

脈衝

脈衝神經網路 （SNN-Spiking Neuron Networks) 經常被譽為第三代人工神經網路。第一代神經網路是感知器，它是一個簡單的神經元模型並且只能處理二進位數據。

脈衝神經網路相比現有的神經網路主要區別在於神經元的激活方式，更符合生物學上的超過膜電位閾值時的脈衝激活方法，這種激活方式的優點在於節能，沒有激活的神經元會導致之後層級的神經元不進行運算，也就沒有相應的能源消耗了。但是也是由於脈衝激活方法所以在現有研究中脈衝神經網路的訓練是一個比較難以解決的問題，所以現階段只能處理小規模的問題。

脈衝神經網路，其模擬神經元更加接近實際，除此之外，把時間信息的影響也考慮其中。思路是這樣的，動態神經網路中的神經元不是在每一次迭代傳播中都被激活（而在典型的多層感知機網路中卻是），而是在它的膜電位達到某一個特定值才被激活。當一個神經元被激活，它會產生一個信號傳遞給其他神經元，提高或降低其膜電位。

在脈衝神經網路中，神經元的當前激活水平（被建模成某種微分方程）通常被認為是當前狀態，一個輸入脈衝會使當前這個值升高，持續一段時間，然後逐漸衰退。出現了很多編碼方式把這些輸出脈衝序列解釋為一個實際的數字，這些編碼方式會同時考慮到脈衝頻率和脈衝間隔時間。

藉助於神經科學的研究，人們可以精確的建立基於脈衝產生時間神經網路模型。這種新型的神經網路採用脈衝編碼(spike coding)，通過獲得脈衝發生的精確時間，這種新型的神經網路可以進行獲得更多的信息和更強的計算能力。

舉例子：人腦的思考和決策機制就是生物電，類似電脈衝一樣，這種建模方式就是通過控制電脈衝的數量、頻率、幅度等在數學模型中模擬人腦工作，現在還不成熟。

現在誰最好用？

在科學家還沒有徹底搞明白人腦的機制的時候，通過人工神經網路，也就是深度學習來在特定的領域裡面處理一些特定的任務，機器人是可以超越人腦的，比如翻譯，機器翻譯在廣度和速度上是遠超人類的。

搞明白了嗎？好燒腦，喜歡的話請發給您的朋友，時刻關注我們，從0開始學習人工智慧，了解行業最新的消息，不要在新的時代落伍。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！