上個星期，當我不經意間瀏覽有關於人工智能的最新新聞時，偶然發現一個公司聲稱正在使用“人工智能和機器學習”彙集並探尋數以千計用戶的數據用以提高使用多種手機應用的用戶體驗。恰在同時，我又看到另一個機構也聲稱正在“綜合人工智能和機器學習”的能力以提供智能化的用戶行為預測分析。

（我儘量避免提及該機構的名稱，原因是我多少相信他們的SaaS系統是正在解決實際問題，不論是否他們只是在用迷惑性手段打產品廣告）

在機器學習和人工智能之間，存在許多困惑。在我讀過的許多文章中，有許多人仍舊認為機器學習和人工智能是同樣的涵義，而另有一些人則認為它們是獨立的，並行的兩種先進技術。而多數場合裡，當普通大眾談論創新話題時，也並沒有意識到機器學習和人工智能的區別，當然，也存在懂行的人士出於廣告和銷售的目的故意忽略這種區別，用以製造高興奮點。

下面我們就來介紹一下人工智能和機器學習的主要區別：

什麼是機器學習（Machine Learning）？

Tom M. Mitchell, 機器學習, McGraw Hill, 1991

機器學習是人工智能的一個分支，這是卡耐基梅隆大學機器學習系前主任Tom M. Mitchell教授在1991年首次提出的：“機器學習是對於通過經驗自動改進的計算機算法的研究。 ”

機器學習（Machine Learning，簡稱ML）是我們期望能夠達成人工智能的一種方法。機器學習依賴大數據集，通過檢驗和對比數據發現通用模式，探索細微差別。

舉個例子，如果一個機器學習項目擁有大量的X光影像以及與之對應的症狀，那麼它就可以在未來輔助甚至可能可以自動的進行X光影像解析。機器學習應用將會比較所有這些不同的X光片，並在已經標註為同一症狀的所有影像圖片中尋找什麼是它們的通用模式。而當你給它一個新的X光片時，它會根據這些通用模式來比對新片子的內容並告訴你多大的可能性這個新片子代表著哪種疾病症狀。

如果你能夠提供一個更可觀的X光片大數據集，包括症狀描述，注意事項等等多種參數，也許它能輔助（也許自動）進行X光圖片數據分析。機器學習模型會在一個離散的大數據集中學習每一個圖片，尋找標註信息的通用模式，而且，假設我們使用了一個非常好的用於圖片處理的機器學習算法，當你提供一個新的圖片給它時，它會比較所有的參數樣例並告訴你該圖片容納各種醫學信息的可能性是什麼。

上述的機器學習的例子我們稱之為“監督學習”（supervised Learning），監督學習算法主要針對目標的輸入特徵與輸出的預測之間的依賴關係做模型，這樣當我們給出新的數據輸入時，機器就會給我們基於這種關係學習的輸出預測了。

無監督學習（unsupervised Learning）屬於機器學習算法大家庭的另一種類型，主要應用於模式識別和描述性建模。這類算法並沒有輸出分類以及標註數據（模型都是基於非標註類數據進行訓練）

Reinforcement Learning

強化學習（Reinforcement Learning），第三類非常流行的機器學習類型，旨在利用從與環境的相互作用中搜集的觀察去最大化獎勵或最小化風險，上圖實例中，增強學習算法（我們稱之為代理agent）不斷地通過迭代的方式從環境中進行學習。一個牛逼的增強學習的例子是，計算機在遊戲中能達到超人狀態，進而打敗人。

機器學習是很有趣味的，特別是其先進的子分支，例如深度學習（Deep Learning），以及各種類型的神經網絡（neural networks）。某種意義上，它是一種魔法，無論公眾是否有爭議於觀察它的內在工作。事實上，儘管很多人嘗試把深度學習和神經網絡的工作原理類比到人類的大腦的運行上面，但其實二者之間有著顯著地不同。

做筆記：我們現在知道機器學習是什麼了，也知道它是人工智能的一個分支，同樣也瞭解了它能和不能做的了。

什麼是人工智能

“人工智能”（Artificial Intelligence）這個術語所指其實格外的寬泛，卡耐基梅隆大學計算機學院主任Andrew Moore這樣說：“

這是對人工智能最好的一句話定義了，儘管它仍舊凸顯了這個領域的寬廣和模糊，幾十年前，一個袖珍計算器會被認為是一種形式的人工智能，原因是數學計算能力是僅僅人類大腦可以勝任的，但今天，計算器只是你能找到的最普通的計算機系統應用之一，因此，“直到最近”意味著隨著時間的推移人工智能的定義也會不斷改進。

CMU的副教授和研究員Zachary Lipton講，“人工智能AI這個術語代表著一種不斷前行的願景抱負，去探索那些來自人類擁有而機器沒有的能力”

人工智能也包括了相當多我們已知的技術進步，機器學習僅是其中之一。前期的AI也大量使用了不同的技術，例如深藍，1997年擊敗世界象棋冠軍的人工智能，使用一種稱為樹搜索算法的方法來評估每一次數以百萬計的動作。

眾多周知，今天我們擁有了人和人工智能交互的小工具，例如Google Home，Siri，Alexa，也有機器學習視頻推薦系統加持的Netflix，Amazon以及Youtube，以及算法對沖基金每年上百萬美元的微交易。這些技術進步正變得在我們的日常生活中佔據著重要地位。他們是我們的智能助手，讓我們更加有效率。

做筆記：相對於機器學習，人工智能是一個移動的目標方向，它的定義會隨著技術的不斷進步而不斷變化，有還是沒有人工智能會隨之被不斷挑戰，也許若干年後，今天的創新人工智能進步也會被認為像計算器一樣不值一提。

為什麼科技公司傾向於交替使用人工智能和機器學習？

人工智能這個術語最早是在1956年被一群研究人員提及，他們中有Allen Newell， Herbert A. Simon, 人工智能工業也經歷了多次起伏，早期的幾十年，也有著各種炒作，許多科學家曾相信人類級別的人工智能就在眼前了。這些難以付諸實現的斷言直接導致了人工智能的冬天的到來，投資和大眾熱情均大幅銳減。

之後，很多機構都嘗試把自己從人工智能這個術語中摘出來，因為它已經成為了不切實際的炒作的代名詞。例如當年IBM稱深藍為超級計算機，明確表示沒有使用人工智能技術，當然事實上它就是。

那個時期，各種替代詞紛至沓來，大數據，可預測分析，機器學習開始獲得關注和青睞，2012年，機器學習，深度學習，神經網絡邁出來巨大的進步並開始在多個領域實用化，突然間眾多公司開始使用機器學習深度學習為自己的產品做廣告了。

深度學習達成目標的手段是傳統的規則式編程模式完全不可能做到的，因為它的發展，語音以及人臉識別，圖像分類，自然語言處理這些領域突然之間有了跳躍式的發展。

因此，我們看到了AI已經有了換擋的勢頭，對於那些習慣了老式編程思維的人來說，深度學習的效果看起來要更魔幻一些，特別是在一些曾經被認為是計算機無法做到的領域裡。機器學習和深度學習的工程師們賺取著高到天際的薪酬，甚至他們也許只是在一個非營利機構工作，可見這個領域現在是有多麼的火爆。

所有的這些方方面面讓我們重燃了對於人工智能的熱情和炒作，因此許多公司發現模糊人工智能的表達而不是更加明確他們正在實施哪種技術讓他們有利可圖啊，這能幫助公司重新設計定位所擁有產品的特徵，而不用太在意產品的侷限。“高級人工智能”這個詞也成為了機器學習和其他各種已知技術的變體。

可悲的是，科技出版物也經常在沒有深入調查研究的情況下出一些所謂的報告，或者有關人工智能的文章附上些水晶球或者超自然圖片作為寫照，這樣的欺騙行為有助於公司圍繞著產品進行炒作，然而，當無法滿足產品預期時，他們被迫僱傭人去彌補他們所謂的人工智能的缺陷，從而也導致了在相關領域裡的信任危機，這種只追求短期利益的行為或許會引發另一個人工智能的寒冬。

現在人工智能的火爆程度你看看有多少培訓班就可想而知，AI（Artificial intelligence，人工智能），Machine Learning（機器學習），Deep Learning（深度學習），Supervised Learning（監督學習）等等眾多技術名詞滿天飛，一些技術公司也開始利用AI技術的噱頭來迷惑大眾，到底圍繞著這些技術名詞，有沒有一種淺顯易懂的解析供非專業人士也可以理解和明白呢?正好機緣看到了來自CMU卡耐基梅隆大學的一片文章，遂翻譯之：

本文涉及圖片和內容均來自以下：

作者Roberto Iriondo的英文原文：https://medium.com/datadriveninvestor/differences-between-ai-and-machine-learning-and-why-it-matters-1255b182fc6

https://blogs.wsj.com/cio/2018/07/27/what-machine-learning-can-and-cannot-do/

https://blog.westerndigital.com/machine-learning-pipeline-object-storage/

http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf

https://www.youtube.com/watch?v=r-zXI-DltT8&feature=youtu.be

https://www.quora.com/What-is-the-difference-between-Neural-Networks-and-Deep-Learning

https://openai.com/five/

閱讀更多 Celeneli 的文章

關鍵字: 軟件 用戶 上個星期