...

人工智能与机器学习与深度学习:有什么区别?

人工智能与机器学习与深度学习-有什么区别(2)

人工智能与机器学习与深度学习:有什么区别?

人工智能(AI)是我们这个时代的定义技术,但围绕它的术语经常被滥用。 您会经常听到商界领袖和媒体使用“人工智能”、“机器学习”(ML)和“深度学习”(DL),就好像它们的意思完全相同。 他们没有。

要了解现代技术以及 ChatGPT 等工具的真正适合的位置,您需要了解其中的区别。

这是完整的、初学者友好的指南,用于了解 AI、机器学习和深度学习,它们如何相互关联,以及您应该在何时使用每个术语。

执行答案:30秒总结

如果您正在寻找下次会议中使用的确切定义,它们是:

  • 人工智能(AI): 使计算机具有“智能”和模仿人类解决问题的能力的广泛概念。
  • 机器学习(毫升): 一种特定的方式来执行 AI,其中计算机从数据中学习以提高其性能,而不是依赖于手写的规则。
  • 深度学习(DL): 一种高度先进的机器学习类型,使用多层人工“神经网络”,在馈送大量数据时变得异常强大。

术语如何关联(视觉架构)

描绘关系的最简单方法

了解这些技术如何结合在一起的最准确方法是将它们描绘成一组嵌套圆圈。

  1. AI是外伞: 它包含一切。
  2. ML是中间圆: 它是完全位于 AI 圈内的子集。
  3. DL是中心圆: 它是完全位于机器学习圈内的较小子集。

人工智能意味着什么(以及人们为什么会混淆它)

人工智能意味着什么(以及人们为什么会混淆它)

“人工智能”的概念并不新鲜。 该术语是在 1955 达特茅斯学院研究提案,它试图找到如何使机器使用语言、形式抽象和解决为人类保留的问题。 在此之前,在 1950 年,计算先锋 艾伦图灵 proposed the “imitation game”—now famous as the Turing Test—to measure a machine’s ability to exhibit intelligent behavior.

今天人们感到困惑的原因是他们忘记了一个核心事实: 并非所有的人工智能都能学习。

基于规则的人工智能与基于学习的人工智能

要了解人工智能,您必须将其分为两个历史阵营:

  • 基于规则的 AI(良好的老式 AI): 在早期,程序员编写了数千个严格的“如果 X 发生,做 Y”规则。 考虑一个税收计算器或著名的国际象棋计算机 Deep Blue,它在 1997 年击败了 Garry Kasparov。深蓝色非常出色,但没有 学习 国际象棋; 它根据人为的规则评估了数百万种程序化的可能性。
  • 基于学习的人工智能: 这是现代时代。 工程师没有对每条规则进行硬编码,而是提供计算机数据并让它自己弄清楚规则。 这将我们带到机器学习。

机器学习意味着什么

机器学习的含义(“学习”如何运作)

机器学习(ML)改变了计算机科学的范式。 我们不是为计算机编程来解决任务,而是将计算机编程为 学习 解决一项任务。

两位传奇的计算机科学家给了我们今天仍然使用的学术定义:

  • 亚瑟·塞缪尔(1959): 将 ML 描述为使计算机能够在不经过明确编程的情况下学习的能力的研究领域。
  • 汤姆·米切尔(1997): 提供工程定义,说明如果计算机程序的性能随着该经验而提高,则说明计算机程序会从“经验”中学习某些“任务”。

简单的机器学习工作流程

机器实际上是如何学习的? 它通常遵循四步循环:

  1. 数据摄取: 您提供历史数据(例如,100,000 封电子邮件、一些标记为“垃圾邮件”和一些标记为“安全”的电子邮件)。
  2. 培训阶段: 该算法分析数据,搜索数学模式(例如,带有“彩票中奖”一词的电子邮件和链接通常是垃圾邮件)。
  3. 测试阶段: 您为模型提供新的、看不见的电子邮件,以查看其预测是否准确。
  4. 推理(使用): 经过训练的模型被部署以自动实时过滤您的收件箱。

机器学习的三种主要类型

  • 监督学习: 该算法在清晰标记的数据上进行训练。 示例:针对明确标记为“猫”或“狗”的照片进行训练的系统,以便对未来的照片进行分类。
  • 无监督学习: 该算法被赋予混乱的、未标记的数据,并要求查找隐藏的结构或分组。 示例:一个电子商务网站集群具有相似购买习惯的客户,却不知道如何称呼这些集群。
  • 强化学习: 该算法纯粹通过在模拟环境中的反复试验来学习,从而为正确的决策赢得数学“奖励”。 示例:AI 学习在物理模拟器中行走。

什么是深度学习

深度学习意味着什么(是什么使它“深度”)

深度学习(DL)是负责我们目前正在经历的大规模人工智能繁荣的尖端技术。

它建立在人工之上 神经网络,一种受人脑中生物神经元启发的计算架构。 虽然早期的神经网络存在了几十年,但计算机科学家的基础研究 Yann LeCun、Yoshua Bengio 和 Geoffrey Hinton 证明将这些网络堆叠成复杂的层产生了非凡的结果。

深度学习的层次

是什么让深度学习“深度”? 它指的是数据必须经过的处理层数:

  1. 输入层: 原始数据(图像的像素、语音的音频波)进入系统。
  2. 隐藏层: 这是“深”部分。 数据通过多个密集的人工神经元层。 每一层提取更复杂的特征。 对于面部识别系统,第 1 层可能只是寻找边缘和阴影,第 2 层寻找形状(眼睛、鼻子),第 3 层识别特定的面部。
  3. 输出层: 系统提供其最终预测或生成的内容。

为了纠正错误,深度学习依赖于一个复杂的数学程序,称为 反向传播,在每次猜测后调整连接的内部“权重”(重要性),因此模型随着时间的推移变得更智能。

生成人工智能和法学硕士学位适合哪里?

生成式 AI 工具(如 ChatGPT、Claude 或 MidJourney)是这项技术的最新发展。

  • 生成人工智能 通常建立在深度学习模型之上。
  • 大型语言模型 (LLMS) 是一种在人体文本上训练的特定类型的深度学习模型。 因为他们通过令人难以置信的深层神经层处理语言,所以他们可以预测一个序列中最合乎逻辑的“下一个词”,允许他们写出听起来人性化的论文、代码和对话反应。

“使用正确的词”决策指南

停止混合术语。 使用这个简单的框架来准确知道在专业设置中使用哪个单词。

功能 人工智能(AI) 机器学习 (ML) 深度学习(DL)
简单的定义 任何模仿人类智能的系统。 一个从数据中学习以改进其任务的系统。 用于复杂数据的多层神经网络系统。
这个怎么运作 可以使用硬编码规则 或 从数据中学习。 使用统计算法查找模式。 使用大量的人工神经元和反向传播。
数据要求 不同(基于规则的人工智能不需要历史数据)。 需要适量的结构化数据。 需要大量原始的非结构化数据。
计算能力 低到中等。 中等。 特别高(需要强大的 GPU 芯片)。
最好用于 一般问题解决,简单自动化。 价格预测、推荐引擎、垃圾邮件过滤器。 图像识别、语音翻译、大型语言模型。

人工智能术语的黄金法则

  • 规则 1: 如果系统是智能的,但完全依赖于人工编写的规则,例如 艾.
  • 规则2: 如果系统在不重新编程的情况下积极查看历史数据以改进其预测,例如 机器学习.
  • 规则 3: 如果系统使用神经网络来处理大量复杂的数据集,如人类语音、高分辨率图像或创意写作,例如 深度学习.

常见问题(FAQ)

简单的词语中的人工智能是什么?

人工智能(AI)是创建计算机系统的广泛科学,能够执行通常需要人类智能的任务。 这包括理解语言、识别模式、解决问题和做出决策。

机器学习和人工智能一样吗?

不,它们并不完全相同。 机器学习是一个专门的子领域 内 人工智能。 虽然所有机器学习都是人工智能的一种形式,但并非所有的人工智能都使用机器学习。

所有 AI 系统都使用机器学习吗?

不,许多早期且高度可靠的人工智能系统都是“基于规则的”。 这意味着他们依赖于严格的、人工编写的“if-then”代码,而不是独立于数据学习。

深度学习是机器学习的一部分吗?

是的。 深度学习是机器学习的一个高度先进的子类别。 它特别指的是使用多层人工神经网络来处理信息的机器学习算法。

深度学习和神经网络有什么区别?

神经网络是基本架构(连接在一起的节点),而深度学习专门指的是在输入和输出之间具有许多“隐藏层”的神经网络。 所有深度学习都使用神经网络,但简单的单层神经网络不被认为是“深度的”。

ChatGPT 适合 AI、ML 和 DL 的什么地方?

ChatGPT 是一种大型语言模型 (LLM),在生成人工智能的保护伞下。 在技术上,它是使用深度学习(特别是称为变换器的神经网络架构)构建的,这是一种机器学习,最终属于人工智能。

 

滚动至顶部
Seraphinite AcceleratorBannerText_Seraphinite Accelerator
Turns on site high speed to be attractive for people and search engines.