人工智能还是深度学习?简明指南

　　人工智能(AI)，机器学习和深度学习在过去几年中在机器人和无人系统，视频分析，智能等领域在安全和防御系统的开发中发挥了突破性的作用。但是，这些术语经常重叠并容易混淆。

　　AI 意味着让计算机以某种方式模仿人类行为。

　　机器学习是AI的一个子集，它包含的技术使计算机能够从数据中解决问题并提供AI应用程序。

　　与此同时，深度学习是机器学习的一个子集，它使计算机能够解决更复杂的问题。

　　人工智能作为一门学科成立于1956年。现在的目标是让计算机执行被视为独特人类的任务：需要智慧的事物。最初，研究人员致力于解决诸如玩跳棋和解决逻辑问题等问题。

　　人工智能是指计算机的输出。计算机正在做一些聪明的事情，因此它展示了人为的智能。

　　在20世纪80年代，一种新的人工智能技术开始被广泛应用于机器学习：模仿人类的学习方式。给一个算法(而不是你的大脑)提供大量数据并让它解决问题。

　　随着这些算法的发展，它们可以解决许多问题。但人类发现容易的一些东西(如语音或手写识别)对机器来说仍然很难。然而，如果机器学习是关于模仿人类学习的方式，为什么不一直走下去并试图模仿人类的大脑?这就是神经网络背后的想法。

　　使用人工神经元(神经元，通过突触连接，是你大脑中的主要元素)的想法已经存在了一段时间。在软件中模拟的神经网络开始用于某些问题。他们表现出很多希望，可以解决其他算法无法解决的一些复杂问题。

　　然而，以相对简单的方式连接的具有100s甚至1000s神经元的简单神经网络无法复制人类大脑可以做的事情。如果你想一想，这应该不足为奇; 人类大脑有大约860亿个神经元和非常复杂的互连。

　　深度学习就是使用具有更多神经元，层和互连的神经网络。它是如何工作的?如果我给你马的图像，你就会认出它们是马，即使你以前从未见过这种图像。你可以识别一匹马，因为你知道定义一匹马的各种元素：它的枪口形状，腿的数量和位置等等。

　　深度学习可以做到这一点。这对包括自动驾驶汽车在内的很多事情都很重要。在汽车确定下一步行动之前，它需要知道它周围的情况。它必须能够识别人员，自行车，其他车辆，道路标志等。在具有挑战性的视觉环境中这样做。标准机器学习技术不能做到这一点。

　　总而言之，AI指的是以某种方式表现出类似人类智慧的设备。AI有很多技术，但是更大的列表的一个子集是机器学习 - 让算法从数据中学习。最后，深度学习是机器学习的一个子集，使用多层神经网络来解决最困难的(计算机)问题。