人工智能VS机器学习VS深度学习：主要区别与联系概述
人工智能，机器学习和深度学习是企业IT中的常用术语，有时可以互换使用，尤其是在公司试图推销其产品时。但是，这些术语不是同义词-有重要区别。这是有关人工智能，机器学习和深度学习的入门知识。
目录
什么是人工智能？
自1950年代以来，人工智能一词就出现了。简而言之，它描述了我们在制造能够挑战人类成为地球上占主导地位的生命形式的机器的努力：我们的智力。然而，定义“智能”已变得相当棘手，因为我们认为智能化会随着时间而改变。
早期的AI是基于规则的计算机程序，可以解决一些复杂的问题。该程序不是硬编码软件应该做出的每个决定，而是分为知识库和推理引擎。开发人员将用事实填充知识库，然后推理引擎将查询这些事实以得出结果。
但是这种类型的AI 是有限的，特别是因为它严重依赖于人工输入。基于规则的系统缺乏学习和发展的灵活性，几乎不再被认为是智能的。
现代AI算法能够从历史数据中学习，从而使其可用于一系列解决方案，例如机器人技术，自动驾驶汽车，电网优化和自然语言理解。
尽管AI有时会在这些领域产生超人的表现，但要使AI真正与人类智能竞争，我们还有很长的路要走。
目前，还没有AI可以学习人类的方式，即仅举几个例子。人工智能需要接受大量数据的培训才能理解任何主题。我们仍然没有能够将他们对一个领域的理解转移到另一个领域的算法。例如，如果我们学习诸如《星际争霸》之类的游戏，就可以像玩《星际争霸2》一样快。但是对于AI来说，这是一个全新的世界，它必须从头开始学习每个游戏。
人类智力还具有链接含义的能力。例如，考虑“人类”一词。我们可以在图片和视频中识别人，而AI也已经获得了这种能力。但是我们也知道我们应该从人类身上期待什么：我们从不期望人类拥有四个*并像汽车一样排放碳。但是，没有AI甚至可以说出我刚才写的句子出了什么问题。
因此，人工智能的定义是一个移动的目标。当AI算法变得如此复杂，以至于他们超越了人类放射线专家，但后来得知它们的局限性时，我们感到惊讶。这就是为什么我们现在区分当前的“狭窄” AI和我们追求的人类级别的AI：人工智能。
什么是机器学习？
机器学习是AI的子集-它是我们为模仿人类智能而开发的AI算法之一。AI的另一种类型是符号AI或老式AI（GOFAI），即使用if-then条件的基于规则的系统。
机器学习标志着AI开发的转折点。在机器学习之前，我们尝试教计算机他们必须做出的每一个决定的所有细节。这使得该过程完全可见，并且该算法也可以处理许多复杂的情况。
AI以其最复杂的形式遍历许多决策分支，并找到效果最佳的分支。这就是IBM的Deep Blue在国际象棋上击败Garry Kasparov的方式。
但是有很多事情我们根本无法通过基于规则的算法来定义：例如，面部识别。基于规则的系统将需要检测不同的形状（例如圆形），然后确定它们的位置以及在其他物体中的位置，以便构成眼睛。并且不要问程序员如何编码检测鼻子！
机器学习采用了完全不同的方法，并通过摄取大量数据和检测模式来让机器自己学习。许多机器学习算法都使用统计公式和大数据来起作用，并且可以说，我们在大数据和收集到的大量数据方面的进步首先使机器学习成为可能。
用于分类和回归的一些机器学习算法包括线性回归，逻辑回归，决策树，支持向量机，朴素贝叶斯，k邻近，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子集。它仍然涉及让机器从数据中学习，但这标志着人工智能发展的重要里程碑。
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AI的想法始于1980年代，但直到2012年，深度学习才真正受到青睐。就像机器学习之所以蓬勃发展是因为我们产生的海量数据一样，深度学习的普及也要归功于更便宜的计算能力（以及算法的进步）。
深度学习所带来的结果比机器学习所能获得的结果要聪明得多。考虑一下前面的面部识别示例：为了检测面部，我们应该提供给AI什么样的数据，并且如果我们只能提供像素颜色的信息，那么它应该如何学习？
深度学习利用信息处理的各个层，每个层逐步学习越来越多的数据表示。早期的层可能会学习颜色，接下来的层会学习形状，接下来的层会学习这些形状的组合以及最终的实际对象。深度学习证明了对象识别方面的突破，其发明使AI在包括自然语言理解在内的多个方面迅速发展。
深度学习是当前我们开发的最复杂的AI架构。深度学习算法有几种，包括卷积神经网络，递归神经网络，长短期记忆网络，生成对抗网络和深度信念网络。
总结
人工智能VS机器学习VS深度学习
与AI相反，机器学习和深度学习有非常明确的定义。我们认为AI会随着时间而改变。例如，对象字符识别或OCR过去被认为是AI，但现在已不再是AI。但是，按照今天的定义，经过数千种手写训练的深度学习算法，能够学习将其转换为文本，将被视为AI。
机器学习和深度学习都代表着AI发展的重要里程碑，在我们走向今天所谓的人工智能领域的过程中，可能还会有许多其他里程碑。