AI之所以到現在才火爆起來是有原因的。早在70年前，計算機技術剛出現，計算能力和傳感器技術都不發達，AI的理念雖然先進，卻無實施的條件。眾所周知，讓機器具備學習的能力，要進行大量的學習計算，通過對已掌握的數據計算規律，從而知曉下一步該如何處理。甄別和計算數據的能力在70年前都不具備，所以AI技術的研究總是被擱淺。而現在則不同，云計算、虛擬化和大數據技術的出現，對數據的分析能力已經很強，再加上計算能力的提升，海量數據的計算數秒內就能完成，這給AI提供了良好的成長土壤，所以到了現在，AI不火都不行了。

 

AI只是一門技術的概念，最終還是要靠各種具體技術來實現，機器學習(Machine Learning)就是其中之一。ML使用算法分析數據，從中學習并做出推斷或預測。ML使用大量數據和算法來“訓練”機器，由此讓機器學會如何去完成任務。比如在圖像識別中，一開始機器在識別事物的時候準確率是比較差的，機器的表現帶有很大隨機性，但是經過一段時間訓練，隨著我們給機器看的圖像越來越多，機器的圖像識別準確性會逐步提高。當學習的圖片積累到一定數量的時候，我們可以對于某一種動物拍一張照片，這張照片是以前機器學習沒有看到的，但當我們顯示這張照片，機器可以根據以往的經驗準確地識別出這是哪一種動物。ML背后的核心思想是，設計程序使得它可以在執行的時候提升它在某任務上的能力，而不是有著固定行為的程序。ML包括多種問題定義，提供很多不同算法，能解決不同領域的各種問題，ML利用數據來解決簡單規則不能或者難以解決的問題，被廣泛應用在了搜索引擎、無人駕駛、機器翻譯、醫療診斷、垃圾郵件過濾、玩游戲、人臉識別、數據匹配、信用評級和給圖片加濾鏡等任務中。

 

深度學習(Deep Learning)是一種實現ML的技術，是當前AI技術中非常火的話題，由Hinton等人于2006年提出，基于深度置信網絡提出非監督貪心逐層訓練算法。DL也稱為深度結構學習，層次學習或者深度機器學習，是一類算法集合。DL利用多層神經網絡結構，從大數據中學習現實世界中各類事物能直接用于計算機計算的表示形式，被認為是智能機器可能的“大腦結構”。DL本身是神經網絡算法的衍生，在圖像，語音等富媒體的分類和識別上取得了非常好的效果，所以各大研究機構和公司都投入了大量人力來做相關研究和開發。DL重點在于如何快速地訓練模型。通過DL，機器可以處理大量數據，識別復雜的模式，并提出深入的見解。DL有幾個有名的技術框架：tensorflow 谷歌、CNTK 微軟、Theano、caffe Berkeley、scikit-learn Python，AlphaGo就是使用了TensorFlow的杰出作品，AlphaGo 完虐李世乭，直接將DL帶火了。我們日常的一些推送新聞購物等，都有DL的影子。之所以DL能火，最為主要的原因是準確性，DL模式可以達到前所未有的精確度，有時甚至超過人類表現，讓人類都感覺到可怕，未來人類會不會被DL所創造的機器人打敗并消滅掉。如果是那樣，人類真的是搬起石頭砸自己的腳。其實，這種想法的人實屬多慮了，DL的學習能力的確可能超過人類大腦，但所有的學習能力都是人類賦予的，自然有控制的方法。

 

ML和DL都是AI的具體技術實現形式，但兩者區別明顯。DL是ML的技術之一，ML包含DL，但DL的技術更優于ML，ML更是一種通用型的技術，包括決策樹、貝葉斯、支持向量機等算法，也包括神經網絡算法。而DL深耕神經網絡，是深度神經網絡算法技術，包括深度卷積網絡、深度循環網絡、遞歸網絡等。ML和DL都提供了訓練模型和分類數據方法，但ML需要手動選擇圖像的相關特征，以訓練機器學習模型，DL可以從圖像中自動提取相關功能，是一種端到端的學習，網絡被賦予原始數據和分類等任務并自動完成;如果沒有高性能GPU和標記數據，那么ML和DL更具優勢。這是因為DL通常比較復雜，就圖像而言可能需要幾千張圖才能獲得可靠的結果。高性能的GPU才能夠實現快速計算，在建模上花更少時間來分析所有圖像，DL計算量更大;ML由手工設計特征決定學習效果，但是特征工程非常繁瑣，而DL能夠從大數據中自動學習特征;當解決問題時，ML會將問題分解為多個子問題并逐個子問題解決，最后結合所有子問題的結果獲得最終結果，DL提倡直接的端到端解決問題。ML比較擅長分析維度較低，可解釋性很強的任務。DL擅長分析高維度的數據。比如圖像、語音等，兩者應用的領域會有差別。

 

ML和DL是AI領域最先進的技術，尤其是DL，代表了當今AI技術發展的方向，將有越來越多的產品采用DL技術，不過兩者應用的領域不同，對于數據量較少，計算能力不高的領域，ML依然可以繼續發揮技術優勢，兩種技術將長期同時存在著。