人工智能和机器学习有何不同

在过去几年中，人工智能和机器学习这两个术语已经开始在技术新闻和网站中频繁出现。通常这两者被用作同义词，但许多专家认为它们具有微妙但真正的差异。

当然，专家们有时也不同意这些差异是什么。

然而，总的来说，有两件事情似乎很清楚：第一，人工智能（AI）这个术语比机器学习（ML）更早，其次，大多数人认为机器学习是人工智能的一个子集。

这种关系的最佳图形表现之一来自Nvidia的博客。它为理解人工智能和机器学习之间的差异提供了一个很好的起点。

人工智能与机器学习 - 首先，什么是人工智能？

计算机科学家已经以多种不同的方式定义了人工智能，但从本质上讲，人工智能涉及的是思考人类思维方式的机器。当然，很难确定机器是否在“思考”，因此在实际层面上，创建人工智能涉及创建一个善于做人类擅长的事情的计算机系统。

创造像人类一样聪明的机器的想法一直追溯到古希腊人，他们有关于神创造的自动机的神话。然而，实际上，这个想法直到1950年才真正起飞。

那一年，艾伦·图灵发表了一篇名为“计算机器和智能”的开创性论文，提出了机器是否可以思考的问题。他提出了着名的图灵测试，该测试基本上说，如果人类法官无法判断他是在与人或机器进行交互，那么可以说计算机是智能的。

人工智能这句话是由John McCarthy于1956年创造的，他在达特茅斯组织了一次专门讨论该主题的学术会议。在会议结束时，与会者建议进一步研究“猜想学习的每个方面或任何其他智能特征原则上可以如此精确地描述，以便可以使机器模拟它。将尝试找到如何使机器使用语言，形成抽象和概念，解决现在为人类保留的各种问题，并改善自己。“

该提案预示了当今人工智能中主要关注的许多主题，包括自然语言处理，图像识别和分类以及机器学习。

在第一次会议之后的几年里，人工智能研究蓬勃发展。然而，在几十年内，显而易见的是，制造真正可以说是为自己思考的机器的技术已经有很多年了。

但在过去十年中，人工智能已从科幻小说领域转移到科学事实领域。有关IBM Watson AI赢得游戏节目的故事显示，Jeopardy和谷歌的人工智能在Go游戏中击败人类冠军，将人工智能带回公众意识的最前沿。

今天，所有最大的科技公司都在投资人工智能项目，每当我们使用智能手机，社交媒体，网络搜索引擎或电子商务网站时，我们大多数人每天都会与人工智能软件进行互动。我们最常与之互动的人工智能类型之一是机器学习。

人工智能与机器学习 - 好的，那么什么是机器学习？

“机器学习”这个短语也可以追溯到上个世纪中叶。 1959年，亚瑟·塞缪尔将机器学习定义为“没有明确编程就能学习的能力”。他继续创建了一个计算机检查器应用程序，这是第一个可以从自己的错误中学习并随着时间的推移改善其性能的程序之一。

与人工智能研究一样，机器学习在很长一段时间内都没有流行，但是当数据挖掘的概念在20世纪90年代开始起步时，机器学习又开始流行起来。数据挖掘使用算法来查找给定信息集中的模式。机器学习做同样的事情，但后来又向前迈进了一步 - 它根据学习内容改变了程序的行为。

最近变得非常流行的机器学习的一个应用是图像识别。首先必须训练这些应用程序 - 换句话说，人类必须查看一堆图片并告诉系统图片中的内容。经过数千次重复，软件可以了解哪些像素图案通常与马，狗，猫，花，树，房屋等相关联，并且可以很好地猜测图像的内容。

许多基于网络的公司也使用机器学习来为他们的推荐引擎提供动力。例如，当Facebook决定在您的新闻源中显示什么，当亚马逊突出您可能想要购买的产品时，以及当Netflix建议您可能想要观看的电影时，所有这些建议都基于现有数据中的模式所基于的预测。

目前，许多企业开始使用机器学习功能进行预测分析。随着大数据分析变得越来越流行，机器学习技术变得越来越普遍，并且它是许多分析工具中的标准功能。

实际上，机器学习已经与统计学，数据挖掘和预测分析联系在一起，有些人认为它应该被归类为与人工智能分开的领域。毕竟，系统可以展示AI功能，如自然语言处理或自动推理，而无需任何机器学习功能，机器学习系统不一定需要具有人工智能的任何其他功能。

其他人更喜欢使用术语“机器学习”，因为他们认为这听起来比“人工智能”更具技术性和可怕性。一位互联网评论者甚至表示，两者之间的区别在于“机器学习确实有效”。

然而，机器学习从一开始就是关于人工智能的讨论的一部分，而且这两者在今天上市的许多应用中仍然紧密相连。例如，个人助理和机器人通常具有许多不同的AI功能，包括ML。

人工智能和机器学习前沿：深度学习，神经网络和认知计算

当然，“机器学习”和“人工智能”并不是与计算机科学领域相关的唯一术语。 IBM经常使用术语“认知计算”，它或多或少是AI的同义词。

但是，其他一些术语确实具有非常独特的含义。例如，人工神经网络或神经网络是一种系统，旨在以类似于生物大脑工作方式的方式处理信息。事情会变得混乱，因为神经网络往往特别擅长机器学习，所以这两个术语有时会混淆。

此外，神经网络为深度学习提供了基础，深度学习是一种特殊的机器学习。深度学习使用一组在多个层中运行的机器学习算法。它可以部分地由使用GPU一次处理大量数据的系统实现。

如果你对所有这些不同的术语感到困惑，那么你并不孤单。计算机科学家继续辩论他们的确切定义，并可能在未来一段时间内。随着公司继续向人工智能和机器学习研究投入资金，可能会出现更多的术语，为问题增加更多的复杂性。