深度学习读书笔记（1）--机器学习、人工智能、深度学习的关系

声明：本文章是根据网上资料，加上自己整理和理解而成，仅为记录自己学习的点点滴滴。可能有错误，欢迎大家指正。

阅读的书籍主要为《Understanding Deep Learning》《动手学深度学习》

---

1956 年提出 AI 概念，短短3年后（1959） Arthur Samuel 就提出了机器学习的概念：

Field of study that gives computers the ability to learn without being explicitly programmed.

机器学习研究和构建的是一种特殊算法（而非某一个特定的算法），能够让计算机自己在数据中学习从而进行预测。

所以，机器学习不是某种具体的算法，而是很多算法的统称。

机器学习包含了很多种不同的算法，深度学习就是其中之一，其他方法包括决策树，聚类，贝叶斯等。深度学习的灵感来自大脑的结构和功能，即许多神经元的互连。人工神经网络（ANN）是模拟大脑生物结构的算法。不管是机器学习还是深度学习，都属于人工智能（AI）的范畴。所以人工智能、机器学习、深度学习可以用下面的图来表示：

图1   人工智能、机器学习、深度学习的关系

1. 什么是人工智能

1.1 传统软件 VS 人工智能

（1）传统软件

传统软件是「if-then」的基本逻辑，人类通过自己的经验总结出一些有效的规则，然后让计算机自动的运行这些规则。传统软件永远不可能超越人类的知识边界，因为所有规则都是人类制定的。

简单的说：传统软件是「基于规则」的，需要人为的设定条件，并且告诉计算机符合这个条件后该做什么。

图2   传统软件的逻辑

这种逻辑在处理一些简单问题时非常好用，因为规则明确，结果都是可预期的，程序员就是软件的上帝。但是现实生活中充满了各种各样的复杂问题，这些问题几乎不可能通过制定规则来解决，比如人脸识别通过规则来解决效果会很差。

（2）人工智能

AI，即人工智能（Artificial Intelligence），是一门研究和开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的科学。它旨在创建能够执行通常需要人类智能的任务的机器或软件，如视觉感知、语言理解、决策制定和学习等。

AI系统通常分为两大类：

1. 狭义AI（Narrow AI）：也称为弱AI，这类系统设计用于执行特定任务，如语音识别、图像识别或推荐系统。它们在特定领域内表现出色，但不具备人类水平的通用智能。

2. 通用AI（General AI）：也称为强AI或人工通用智能（AGI），这类系统具有与人类相似的广泛认知能力，能够在各种领域和任务中自主学习和应用知识。目前，通用AI仍处于理论和研究阶段，尚未实现。

AI技术的发展涉及多个领域，包括机器学习、深度学习、自然语言处理、计算机视觉等。AI现在已经发展出很多不同分支，技术原理也多种多样，这里只介绍当下最火的深度学习。

深度学习的技术原理跟传统软件的逻辑完全不同：

机器从「特定的」大量数据中总结规律，归纳出某些「特定的知识」，然后将这种「知识」应用到现实场景中去解决实际问题。

图3  人工智能的本质逻辑

这就是人工智能发展到现阶段的本质逻辑。而人工智能总结出来的知识并不是像传统软件一样，可以直观精确的表达出来。它更像人类学习到的知识一样，比较抽象，很难表达。再通俗点讲：人工智能本质是一种工具， 跟我们使用的锤子、汽车、电脑……都一样。

但传统软件和人工智能都是工具，是为了解决实际问题而存在的。

1.2 人工智能的缺陷

当下的人工智能是从大量数据中总结归纳知识，这种粗暴的「归纳法」有一个很大的问题是：知其然，但不知所以然。什么意思呢？就是人工智能能通过【归纳法】总结知识，只关注现象，并不关注为甚么。因此他会犯很低级的错误。如：

图4  AI犯的低级错误 

上图显示了在一张丛林猴子的照片中 ps 上一把吉他的效果。这导致深度网络将猴子误认为人类，同时将吉他误认为鸟，大概是因为它认为人类比猴子更可能携带吉他，而鸟类比吉他更可能出现在附近的丛林中。

也正是因为归纳逻辑，所以需要依