雷鋒網(wǎng)按：2016是人工智能爆發(fā)的一年，各種層出不窮的新技術(shù)、新概念讓人眼花繚亂。很多人都分不清人工智能（Artificial Intelligence，簡(jiǎn)稱AI）、機(jī)器學(xué)習(xí)（Machine Learning，簡(jiǎn)稱ML）以及深度學(xué)習(xí)（Deep Learning，簡(jiǎn)稱DL）概念之間的不同。本文為理解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)提供了不同的視角。

本文作者為Intuition Machine聯(lián)合創(chuàng)始人Carlos Perez ，由雷鋒網(wǎng)編譯，未經(jīng)允許不可轉(zhuǎn)載。

由于AI的大熱，媒體上關(guān)于AI的文章狂轟亂炸，人工智能似乎已經(jīng)成為游戲的改變者，企業(yè)們也紛紛下注。對(duì)于AI領(lǐng)域的從業(yè)者來(lái)說(shuō)，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的差別應(yīng)該非常清楚。人工智能是一個(gè)大概念，從有效的老式人工智能（GOFAI）到聯(lián)結(jié)主義結(jié)構(gòu)，無(wú)所不包。而機(jī)器學(xué)習(xí)則是人工智能領(lǐng)域的一個(gè)小分支，如果說(shuō)AI是一個(gè)合集，那么ML就是AI的子集。任何通過(guò)數(shù)據(jù)訓(xùn)練的學(xué)習(xí)算法的相關(guān)研究都屬于機(jī)器學(xué)習(xí)，包括很多已經(jīng)發(fā)展多年的技術(shù)，比如線性回歸（Linear Regression）、K均值（K-means，基于原型的目標(biāo)函數(shù)聚類方法）、決策樹(shù)（Decision Trees，運(yùn)用概率分析的一種圖解法）、隨機(jī)森林（Random Forest，運(yùn)用概率分析的一種圖解法）、PCA（Principal Component Analysis，主成分分析）、SVM（Support Vector Machine，支持向量機(jī)）以及ANN（Artificial Neural Networks，人工神經(jīng)網(wǎng)絡(luò)）。而人工神經(jīng)網(wǎng)絡(luò)則是深度學(xué)習(xí)的起源。

一些之前接觸過(guò)人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)從業(yè)者對(duì)深度學(xué)習(xí)的第一印象很可能是：這不過(guò)就是多層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)而已。此外，深度學(xué)習(xí)成功的主要原因是大量可用的數(shù)據(jù)以及像GPU這樣更強(qiáng)大的計(jì)算引擎的出現(xiàn)。這當(dāng)然是事實(shí)，深度學(xué)習(xí)的出現(xiàn)基本要?dú)w因于這兩方面的進(jìn)展。但是，如果就此下結(jié)論說(shuō)深度學(xué)習(xí)不過(guò)是比支持向量機(jī)或者決策樹(shù)更好的算法而已，那就真的是一葉障目，不見(jiàn)泰山了。

借用Andreesen的話“軟件正在占領(lǐng)全世界”，那么深度學(xué)習(xí)就正在取代機(jī)器學(xué)習(xí)。兩篇來(lái)自不同機(jī)器學(xué)習(xí)領(lǐng)域的從業(yè)者很好的解釋了為什么深度學(xué)習(xí)正在占領(lǐng)全世界。神經(jīng)語(yǔ)言程序?qū)W（NLP）的專家Chris Manning這樣形容“深度學(xué)習(xí)海嘯”：

深度學(xué)習(xí)的浪潮在幾年前就已經(jīng)抵達(dá)計(jì)算語(yǔ)言學(xué)的海岸，但是2015似乎是這場(chǎng)海嘯全面沖擊各大自然語(yǔ)言處理（NLP）會(huì)議的一年。一些專家預(yù)言，最終的沖擊將會(huì)更大。

Nicholas Paragios則寫了一篇名為“計(jì)算機(jī)視覺(jué)研究：大蕭條”的文章，以下是文章節(jié)選：

在高度復(fù)雜以及很大程度由圖片的自由度決定的問(wèn)題上，深度學(xué)習(xí)一旦被賦予大量被標(biāo)記的數(shù)據(jù)以及不可想象（直到最近）的計(jì)算能力，就能解決所有的計(jì)算機(jī)視覺(jué)問(wèn)題。如果是這樣的話，那么深度學(xué)習(xí)占領(lǐng)業(yè)界，計(jì)算機(jī)視覺(jué)研究成為邊緣學(xué)科并走上計(jì)算機(jī)圖形的老路（學(xué)術(shù)研究的活躍度和數(shù)量）將只是時(shí)間問(wèn)題。

這兩篇文章都強(qiáng)調(diào)了深度學(xué)習(xí)相對(duì)機(jī)器學(xué)習(xí)是有顛覆性的意義的。當(dāng)然，深度學(xué)習(xí)在商用領(lǐng)域也具備同樣的顛覆性。但是讓人震驚和困惑的是，就連Gartner也沒(méi)能分清機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的差別。這里是Gartner于2016年8月份發(fā)布的發(fā)展規(guī)律周期圖（Hyper Cycle），深度學(xué)習(xí)甚至沒(méi)有被提及：

盡管被Gartner忽視了，深度學(xué)習(xí)依然持續(xù)火熱。目前對(duì)深度學(xué)習(xí)的炒作主要是：我們已經(jīng)擁有了可以商用的機(jī)器，只要給它們足夠多的數(shù)據(jù)和足夠長(zhǎng)的時(shí)間，它們就能夠自己學(xué)習(xí)。這要么是夸大了深度學(xué)習(xí)的現(xiàn)有技術(shù)水平，要么就是將深度學(xué)習(xí)的實(shí)踐過(guò)于簡(jiǎn)化了。在過(guò)去的幾年里，深度學(xué)習(xí)產(chǎn)生了大量的想法和技術(shù)，這些在以前要么是未知的，要么是站不住腳的。起初，這些概念是碎片化而且毫無(wú)關(guān)聯(lián)的，但是隨著時(shí)間的推移，大量的模式和方法開(kāi)始涌現(xiàn)，深度學(xué)習(xí)設(shè)計(jì)模式這一領(lǐng)域也變得熱鬧起來(lái)。

今天的深度學(xué)習(xí)不僅僅是具備多層架構(gòu)的感知器，而是一系列能夠用來(lái)構(gòu)建可組合可微分的體系結(jié)構(gòu)的技術(shù)和方法。這些具有超強(qiáng)能力的機(jī)器學(xué)習(xí)系統(tǒng)只不過(guò)是我們目前所能看到的冰山一角。關(guān)鍵在于，雖然深度學(xué)習(xí)目前看起來(lái)像點(diǎn)金術(shù)，但是總有一天我們會(huì)學(xué)會(huì)如何像操控化學(xué)一樣操控它。有了這個(gè)基礎(chǔ)，我們將能夠更好的預(yù)測(cè)機(jī)器學(xué)習(xí)未來(lái)所能具備的能力。

viaMedium

對(duì)深度學(xué)習(xí)感興趣的初學(xué)者，可以查看雷鋒網(wǎng)(公眾號(hào)：雷鋒網(wǎng))的另一篇報(bào)道《AI 初學(xué)者入門指南：深度學(xué)習(xí)的五級(jí)分類》。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。