深度学习和人工智能法则

​2020是人工智能爆发的一年，各种层出不穷的新技术、新概念让人眼花缭乱。很多人都分不清人工智能（Artificial Intelligence，简称AI）、机器学习（Machine Learning，简称ML）以及深度学习（Deep Learning，简称DL）概念之间的不同。格物斯坦；来重点解释了机器学习和深度学习的差别和不同吧。

由于AI的大热，媒体上关于AI的文章狂轰乱炸，人工智能似乎已经成为游戏的改变者，企业们也纷纷下注。对于AI领域的从业者来说，人工智能、机器学习和深度学习之间的差别应该非常清楚。人工智能是一个大概念，从有效的老式人工智能（GOFAI）到联结主义结构，无所不包。

机器学习则是人工智能领域的一个小分支，如果说AI是一个合集，那么ML就是AI的子集。任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如线性回归（Linear Regression）、K均值（K-means，基于原型的目标函数聚类方法）、决策树（Decision Trees，运用概率分析的一种图解法）、随机森林（Random Forest，运用概率分析的一种图解法）、PCA（Principal Component Analysis，主成分分析）、SVM（Support Vector Machine，支持向量机）以及ANN（Artificial Neural Networks，人工神经网络）。

人工神经网络则是深度学习的起源。一些之前接触过人工神经网络的机器学习从业者对深度学习的第一印象很可能是：这不过就是多层结构的人工神经网络而已。此外，深度学习成功的主要原因是大量可用的数据以及像GPU这样更强大的计算引擎的出现。

这当然是事实，深度学习的出现基本要归因于这两方面的进展。但是，如果就此下结论说深度学习不过是比支持向量机或者决策树更好的算法而已，那就真的是一叶障目，不见泰山了。

综上所述，深度学习人工智能就正在取代机器学习。此浪潮在几年前就已经抵达计算语言学的海岸，但是2020似乎是这场海啸全面冲击各大自然语言处理（NLP）会议的一年。一些预言最终的冲击将会更大。