如上圖，區別三者最簡單的方法：想象同心圓，人工智能(AI)是半徑最大的同心圓，向內是機器學習(MachineLearning)，最內是深入學習(DeepLearning)。人工智能是最早出現的，也是最大、最外側的同心圓；其次是機器學習，稍晚一點；最內側，是深度學習，當今人工智能大爆炸的核心驅動。

人工智能，機器所賦予的人的智能

我們目前可以實現的還是局限于「弱人工智能」(Narrow AI)。這些技術能夠像人類一樣執行特定的任務，或者比人類做的更好。像 Pinterest 上的圖像分類，Facebook 上的人臉識別等。

這些都是弱人工智能實踐中的例子。這些技術展示了人類智力的一些方面。但如何展示?這些智力是從哪里來的?這些問題促使我們進入到下一個階段，機器學習。

機器學習，一種實現人工智能的方法

機器學習最根本的點在于使用算法來分析數據的實踐、學習，然后對真實的事件作出決定或預測。而不是用一組特定的指令生成的硬編碼軟件程序來解決特定任務，機器是通過使用大量的數據和算法來「訓練」，這樣就給了它學習如何執行任務的能力。

機器學習是早期人工智能人群思考的產物，多年來形成的算法包括決策樹學習、歸納邏輯編程、聚類、強化學習、貝葉斯網絡等等。正如我們所知，所有這些都沒有實現強人工智能的最終目標，而早期的機器學習方法甚至連弱人工智能都沒有觸及到。

隨著時間的推移，學習算法改變了這一切。

深度學習， 一種實現機器學習的技術

放貓(Herding Cats)：YouTube 視頻抓拍的貓的形象是深度學習的第一次突破性展示

在過去的幾十年中，早期機器學習的另一種算法是人工神經網絡。神經網絡的靈感來自于我們對人類大腦生物學的理解：所有這些神經元之間的相互聯系。在一定的物理距離內，生物大腦中的任何神經元可以連接到其他神經元，而人工神經網絡有離散的層、連接和數據傳播的方向。

例如，你可以把一個圖像分割成很多部分，這些可以輸入到神經網絡的第一層。在第一層中的單個神經元，然后將數據傳遞到第二層。第二層神經元做它的任務，等等，直到最后一層，那么最終結果就產生了。

每個神經元都為其輸入分配權重，分配的權重正確與否與執行的任務相關。結果，最終的輸出由所有的權重所決定。這樣，還是以「停止」標志牌為例。將「停止」標志牌圖像的元素抽離分析，然后由神經元「檢查」：其八邊形的外形，消防車火紅的顏色，鮮明的字母，交通標志的大小，處于運動或靜止的狀態。神經網絡主要任務是總結是否是個停止標志。隨即，基于權重、經過深思熟慮「概率向量」的概念出現。該案例中，該系統中

86% 的可能是停止標志，7% 的可能是速度限制標志，5% 的可能性是掛在樹上的風箏等等。這樣，網絡結構便會告知神經網絡是否正確。

但這個例子還是非常超前。因為直到最近，神經網絡還是被人工智能研究所忽略。實際上，在人工智能出現之初，神經網絡就已經顯現了，在「智能」方面還是產生很小的價值。問題是甚至最基本的神經網絡都是靠大量的運算。不過，多倫多大學的

Geoffrey Hinton 領導的一個研究小組始終專注于其中，最終實現以超算為目標的并行算法的運算且概念的證明，但直到 GPU得到廣泛利用，這些承諾才得以實現。

回到之前「停止」標志的例子。神經網絡是被調制或「訓練」出來的，并且不時遇到錯誤的應答。它所需要的就是訓練。需要呈現成百上千甚至上百萬的圖像，直到神經元輸入的權重被準確調制，那么實際上每次都能得到正確的信息，無論是否有霧，無論晴天還是雨天。只有在那一點，神經網絡才學會一個停止標志是什么樣的，Facebook上你媽媽的臉是什么樣，又或者是吳恩達(Andrew Ng)教授 2012 年在 Google 上學習到的貓的樣子。

吳恩達的突破在于將這些神經網絡顯著增大，增加了層數和神經元，并通過系統的訓練運行大量的數據。在吳教授所舉案例中，數據就是 YouTube 視頻中 1000 萬張圖像。他將深度學習中添加了「深度」，也就是這些神經網絡中的所有層。

通過在某些場景中深度學習，機器訓練的圖像識別要比人做得好：從貓到辨別血液中癌癥的指標，再到核磁共振成像中腫瘤。Google 的 AlphaGo 先是學會了如何下棋，然后它與自己下棋訓練。通過不斷地與自己下棋，反復練習，以此訓練自己的神經網絡。

深度學習，賦予人工智能光明的未來

深度學習使得許多機器學習應用得以實現，并拓展了人工智能的整個領域。深度學習一一實現了各種任務，并使得所有的機器輔助變成可能。無人駕駛汽車、預防性醫療保健、甚至的更好的電影推薦，都觸手可及或即將成為現實。人工智能就在現在，也在未來。有了深度學習，人工智能可能甚至達到像我們暢想的科幻小說一樣效果。