我們都聽說過機器學習和人工智能，但對于這兩個概念的內(nèi)涵我們真的理解嗎？如果你不太確定的話也沒問題，讓我們先從這兩個概念說起吧。

機器學習本質(zhì)上是一種事物標記器。機器學習不是魔法，也并非遙不可及的事物。機器學習的核心是給事物打標簽，它首先識別的對某個事物的表述，然后告訴你它將獲得什么標簽。但如果我們一開始就把機器學習說成事物標簽器的話，你還會有興趣嗎？答案可能是否定的，這表明市場營銷和夸張宣傳可能對引起人們關(guān)注這項技術(shù)有所幫助。

那么人工智能呢？ 雖然學者們對AI的細微差別提出了異議，但工業(yè)界正在使用這個術(shù)語來指代一種特定類型的機器學習。事實上，很多時候，人們交替使用這兩個名詞。所以，AI也是關(guān)于標簽的東西。你期待機器人嗎？一個有自己的頭腦的科幻事物，一個具備人類特性的存在？其實，今天的人工智能不是那樣的。但我們作為人類，是一個能看到一切人類特征的物種（擬人化）。我們在面包上看到面孔，從云朵中看到身影，如果我在襪子上縫兩個紐扣，我甚至可能會對它說話。那個襪子不是人，AI也不是——牢記這一點很重要。這是否令人失望呢？不過別灰心，真實的東西更有用。

讓我告訴你為什么應(yīng)該感到興奮。你在照片中看到了什么？

這是什么動物？很簡單，是吧？現(xiàn)在告訴我你的大腦用這些像素做了什么來獲得答案。你只是通過你的感官接受了一些非常復(fù)雜的數(shù)據(jù)，就像用魔法一樣，你把它標記為“貓”。對你來說這很容易把？但如果我們想要通過電腦完成同樣的任務(wù)，讓它把照片分類（標簽）為貓/不是貓又會怎樣呢？

機器學習是一種新的編程模式，一種將你的愿望傳達給計算機的新方式。在傳統(tǒng)的編程方法中，程序員會考慮像素和標簽，與外部世界溝通，串聯(lián)靈感，最后手工制作模型。模型只是一個配置或是一組指令。

模型是一種使用計算機將數(shù)據(jù)轉(zhuǎn)化為標簽的配置。這只是機器用于將輸入轉(zhuǎn)換為輸出的一些代碼，可以由程序員手工操作，也可以通過算法從數(shù)據(jù)中學習。但想想那些指令是什么呢？你實際上在用這些像素做什么？你能表達一下嗎？你的大腦進化得很完美，它在發(fā)揮功能，但你甚至不知道它是如何發(fā)揮功能的。這種配置很難想象出來。

用示例來代替指令去解釋。如果你能直接跟電腦表達“在這里，看看一堆有關(guān)貓的例子，看看一堆不是貓的例子，然后自己弄清楚”，這樣會更好嗎？這是機器學習的本質(zhì)。這是一個完全不同的編程范例?，F(xiàn)在，你將學習如何在數(shù)據(jù)中應(yīng)用算法并將其轉(zhuǎn)化為數(shù)據(jù)，而不是提供明確的指令。無需親自動手進行配置。

AI允許你將那些不可言喻的事物自動化。為什么這令人興奮呢？因為這是為了用我們以前不能用的方式表達我們對計算機的期望。我們喜歡讓電腦為我們服務(wù)。 但如果無法想出合適的指令，我們怎么可能發(fā)出指令呢？如果它們是不可言說的話？人工智能和機器學習是關(guān)于自動化那些難以形容的事物。它們用示例而非指令來解釋自己。這解鎖了許多我們過去無法讓電腦幫助實現(xiàn)任務(wù)，因為當時我們無法發(fā)出指令。

下面我們來看看這些概念有何區(qū)別。此前，我說過不介意在工業(yè)界中混用“人工智能”和“機器學習”。但在技術(shù)上而言，這是正確的嗎？

工業(yè)界的“人工智能”在技術(shù)上被稱為“深度學習”。學術(shù)界并不認為人工智能（AI）和機器學習（ML）是可互換的，作為一個曾經(jīng)的學者，我認為在技術(shù)上，AI是ML的真超集，而ML是深度學習的真超集。深度學習（DL）是使用特定類別的算法（神經(jīng)網(wǎng)絡(luò)）的ML，這也是工業(yè)界對AI的理解。這樣理解合適嗎？

但我認為大多數(shù)人（以及工業(yè)界）并不會特別在乎這種差異，他們在語言的使用上也不那么正式。無論我們喜歡與否，語言都會發(fā)展。AI最初被教授使用，現(xiàn)在它已成為普通詞匯了。

無論我們喜歡與否，語言都會發(fā)展

帶著有可能冒犯研究人員的風險，我認為最有幫助的是，認可工業(yè)界中對這些詞匯的用法并對那些不在意這些細微差別的讀者進行解釋。只要我們的速度跟得上，語言的發(fā)展不是個問題。AI這一術(shù)語首次出現(xiàn)于1956年，但卻從未有過嚴格的定義。即便術(shù)語定義不明確，但卻并不影響我們正確地使用它。

需要注意的是，如果你認為的AI為實際上在技術(shù)上被稱為強化學習（RL）且你誤用了這些名詞的話，是不是有點尷尬呢？當然，這沒關(guān)系。如果你的定義取決于一系列行動、規(guī)劃、從環(huán)境中收集信息，為未來行為制定政策——一個典型的例子是計算機學習用玩具直升機做特技演習——那你可能說的是RL。

如果你淹沒在這些術(shù)語之中：AI，ML，DL，RL，同時絕望地尋找機器人實體或科幻，那么你可能會喜歡“類人智慧”（Human-like intelligence，HLI）一詞。如果你想要使用“AI”以喚起個性，那么最好稱之為“HLI”。那些擔心HLI潛伏在每個柜子里的人可以輕松呼吸；所有這些工業(yè)界的AI應(yīng)用程序都不是HLI，它們并非要構(gòu)建真正的思想。每個人都忙于使用AI來解決真正的商業(yè)問題，這些問題涉及到實在卻無趣的標簽。

咱們總結(jié)一下：當你聽到工業(yè)界的討論時，人工智能和機器學習很可能是同義詞，它們與HLI沒有多大關(guān)系。

實際上，從應(yīng)用程序的角度來看，你在開始之前不需要將你的業(yè)務(wù)問題歸類為AI / ML / DL。你只要嘗試所有可以算出來的算法，然后迭代到更好的執(zhí)行者身上。如果簡單的配置運行良好，那意味著你獲得了一個解決方案，在生產(chǎn)中更容易維護。但毋庸置疑的是，無論是機器學習還是人工智能，都是人類進步的巨大飛躍。 這是未來，而未來就在這里！