搞懂“人工智能”、“机器学习”、和“深度学习”三者之间的关系

“人工智能”的概念被首次提出至今，已经历超过半个世纪了。人工智能通常可分为弱人工智能和强人工智能两个阶段。目前我们还处于弱人工智能阶段，具备一定观察和感知力的机器，能做到有限的理解和推理；但还远未到达能让机器习得自适应能力的强人工智能阶段。同时，伴随着“人工智能”的崛起，相关领域热词，例如：“机器学习”、“深度学习”频繁出现。我们应该怎么样正确认识这几种概念呢？

 基于“训练”海量数据得到的模型算法来解决特定问题的方法，我们称之为机器学习。传统的机器学习算法在某些场景，例如：人脸识别等领域的应用已能达到商业化标准，但其“智能”很有限，直到深度学习算法的出现。 

  深度学习作为机器学习的子类，它又是如何工作的呢？我们还是以人脸识别为例。传统的机器学习在确定了相应的“面部特征”，例如：眼睛、鼻子、嘴等之后，才能基于这些特征做进一步的分类处理；而深度学习通过多层神经网络结构，将底层属性逐步“进化成”人能看懂理解的高层属性，从而实现自动找出分类问题所需要的重要特征。这一点是两者最根本的区别所在。

       人工智能、机器学习、和深度学习的包含关系，以及各自兴起、得到突破、和大发展的时间段如下图所示。可以看出，机器学习是实现人工智能的一种技术方法，而深度学习是机器学习这门技术的子集。

那机器学习和深度学习具体有哪些维度的不同呢？

1. 数据依赖：深度学习必需大数据量，当数据量较小时，深度学习不合适。

2. 硬件依赖：为保证算力，深度学习非常依赖于高端硬件设施，通常都要求有GPU环境参与运算。

3. 特征工程（根本区别）

4. 解决方案：机器学习类似于分治法，而深度学习则是一步到位、提供端到端的实时解决方案，虽然其模型训练的时长通常高于机器学习。