在過去幾年中，人工智能和機器學(xué)習(xí)這兩個術(shù)語已經(jīng)開始在技術(shù)新聞和網(wǎng)站中頻繁出現(xiàn)。通常這兩者被用作同義詞，但許多專家認為它們具有微妙但真正的差異。

當(dāng)然，專家們有時也不同意這些差異是什么。

然而，總的來說，有兩件事情似乎很清楚：第一，人工智能（AI）這個術(shù)語比機器學(xué)習(xí)（ML）更早，其次，大多數(shù)人認為機器學(xué)習(xí)是人工智能的一個子集。

這種關(guān)系的最佳圖形表現(xiàn)之一來自Nvidia的博客。它為理解人工智能和機器學(xué)習(xí)之間的差異提供了一個很好的起點。

計算機科學(xué)家已經(jīng)以多種不同的方式定義了人工智能，但從本質(zhì)上講，人工智能涉及的是思考人類思維方式的機器。當(dāng)然，很難確定機器是否在“思考”，因此在實際層面上，創(chuàng)建人工智能涉及創(chuàng)建一個善于做人類擅長的事情的計算機系統(tǒng)。

創(chuàng)造像人類一樣聰明的機器的想法一直追溯到古希臘人，他們有關(guān)于神創(chuàng)造的自動機的神話。然而，實際上，這個想法直到1950年才真正起飛。

那一年，艾倫·圖靈發(fā)表了一篇名為“計算機器和智能”的開創(chuàng)性論文，提出了機器是否可以思考的問題。他提出了著名的圖靈測試，該測試基本上說，如果人類法官無法判斷他是在與人或機器進行交互，那么可以說計算機是智能的。

人工智能這句話是由John McCarthy于1956年創(chuàng)造的，他在達特茅斯組織了一次專門討論該主題的學(xué)術(shù)會議。在會議結(jié)束時，與會者建議進一步研究“猜想學(xué)習(xí)的每個方面或任何其他智能特征原則上可以如此精確地描述，以便可以使機器模擬它。將嘗試找到如何使機器使用語言，形成抽象和概念，解決現(xiàn)在為人類保留的各種問題，并改善自己?！?/p>

該提案預(yù)示了當(dāng)今人工智能中主要關(guān)注的許多主題，包括自然語言處理，圖像識別和分類以及機器學(xué)習(xí)。

在第一次會議之后的幾年里，人工智能研究蓬勃發(fā)展。然而，在幾十年內(nèi)，顯而易見的是，制造真正可以說是為自己思考的機器的技術(shù)已經(jīng)有很多年了。

但在過去十年中，人工智能已從科幻小說領(lǐng)域轉(zhuǎn)移到科學(xué)事實領(lǐng)域。有關(guān)IBM Watson AI贏得游戲節(jié)目的故事顯示，Jeopardy和谷歌的人工智能在Go游戲中擊敗人類冠軍，將人工智能帶回公眾意識的最前沿。

今天，所有最大的科技公司都在投資人工智能項目，每當(dāng)我們使用智能手機，社交媒體，網(wǎng)絡(luò)搜索引擎或電子商務(wù)網(wǎng)站時，我們大多數(shù)人每天都會與人工智能軟件進行互動。我們最常與之互動的人工智能類型之一是機器學(xué)習(xí)。

“機器學(xué)習(xí)”這個短語也可以追溯到上個世紀(jì)中葉。 1959年，亞瑟·塞繆爾將機器學(xué)習(xí)定義為“沒有明確編程就能學(xué)習(xí)的能力”。他繼續(xù)創(chuàng)建了一個計算機檢查器應(yīng)用程序，這是第一個可以從自己的錯誤中學(xué)習(xí)并隨著時間的推移改善其性能的程序之一。

與人工智能研究一樣，機器學(xué)習(xí)在很長一段時間內(nèi)都沒有流行，但是當(dāng)數(shù)據(jù)挖掘的概念在20世紀(jì)90年代開始起步時，機器學(xué)習(xí)又開始流行起來。數(shù)據(jù)挖掘使用算法來查找給定信息集中的模式。機器學(xué)習(xí)做同樣的事情，但后來又向前邁進了一步 - 它根據(jù)學(xué)習(xí)內(nèi)容改變了程序的行為。

最近變得非常流行的機器學(xué)習(xí)的一個應(yīng)用是圖像識別。首先必須訓(xùn)練這些應(yīng)用程序 - 換句話說，人類必須查看一堆圖片并告訴系統(tǒng)圖片中的內(nèi)容。經(jīng)過數(shù)千次重復(fù)，軟件可以了解哪些像素圖案通常與馬，狗，貓，花，樹，房屋等相關(guān)聯(lián)，并且可以很好地猜測圖像的內(nèi)容。

許多基于網(wǎng)絡(luò)的公司也使用機器學(xué)習(xí)來為他們的推薦引擎提供動力。例如，當(dāng)Facebook決定在您的新聞源中顯示什么，當(dāng)亞馬遜突出您可能想要購買的產(chǎn)品時，以及當(dāng)Netflix建議您可能想要觀看的電影時，所有這些建議都基于現(xiàn)有數(shù)據(jù)中的模式所基于的預(yù)測。

目前，許多企業(yè)開始使用機器學(xué)習(xí)功能進行預(yù)測分析。隨著大數(shù)據(jù)分析變得越來越流行，機器學(xué)習(xí)技術(shù)變得越來越普遍，并且它是許多分析工具中的標(biāo)準(zhǔn)功能。

實際上，機器學(xué)習(xí)已經(jīng)與統(tǒng)計學(xué)，數(shù)據(jù)挖掘和預(yù)測分析聯(lián)系在一起，有些人認為它應(yīng)該被歸類為與人工智能分開的領(lǐng)域。畢竟，系統(tǒng)可以展示AI功能，如自然語言處理或自動推理，而無需任何機器學(xué)習(xí)功能，機器學(xué)習(xí)系統(tǒng)不一定需要具有人工智能的任何其他功能。

其他人更喜歡使用術(shù)語“機器學(xué)習(xí)”，因為他們認為這聽起來比“人工智能”更具技術(shù)性和可怕性。一位互聯(lián)網(wǎng)評論者甚至表示，兩者之間的區(qū)別在于“機器學(xué)習(xí)確實有效”。

然而，機器學(xué)習(xí)從一開始就是關(guān)于人工智能的討論的一部分，而且這兩者在今天上市的許多應(yīng)用中仍然緊密相連。例如，個人助理和機器人通常具有許多不同的AI功能，包括ML。

當(dāng)然，“機器學(xué)習(xí)”和“人工智能”并不是與計算機科學(xué)領(lǐng)域相關(guān)的唯一術(shù)語。 IBM經(jīng)常使用術(shù)語“認知計算”，它或多或少是AI的同義詞。

但是，其他一些術(shù)語確實具有非常獨特的含義。例如，人工神經(jīng)網(wǎng)絡(luò)或神經(jīng)網(wǎng)絡(luò)是一種系統(tǒng)，旨在以類似于生物大腦工作方式的方式處理信息。事情會變得混亂，因為神經(jīng)網(wǎng)絡(luò)往往特別擅長機器學(xué)習(xí)，所以這兩個術(shù)語有時會混淆。

此外，神經(jīng)網(wǎng)絡(luò)為深度學(xué)習(xí)提供了基礎(chǔ)，深度學(xué)習(xí)是一種特殊的機器學(xué)習(xí)。深度學(xué)習(xí)使用一組在多個層中運行的機器學(xué)習(xí)算法。它可以部分地由使用GPU一次處理大量數(shù)據(jù)的系統(tǒng)實現(xiàn)。

如果你對所有這些不同的術(shù)語感到困惑，那么你并不孤單。計算機科學(xué)家繼續(xù)辯論他們的確切定義，并可能在未來一段時間內(nèi)。隨著公司繼續(xù)向人工智能和機器學(xué)習(xí)研究投入資金，可能會出現(xiàn)更多的術(shù)語，為問題增加更多的復(fù)雜性。