上个星期，当我不经意间浏览有关于人工智能的最新新闻时，偶然发现一个公司声称正在使用“人工智能和机器学习”汇集并探寻数以千计用户的数据用以提高使用多种手机应用的用户体验。恰在同时，我又看到另一个机构也声称正在“综合人工智能和机器学习”的能力以提供智能化的用户行为预测分析。

（我尽量避免提及该机构的名称，原因是我多少相信他们的SaaS系统是正在解决实际问题，不论是否他们只是在用迷惑性手段打产品广告）

在机器学习和人工智能之间，存在许多困惑。在我读过的许多文章中，有许多人仍旧认为机器学习和人工智能是同样的涵义，而另有一些人则认为它们是独立的，并行的两种先进技术。而多数场合里，当普通大众谈论创新话题时，也并没有意识到机器学习和人工智能的区别，当然，也存在懂行的人士出于广告和销售的目的故意忽略这种区别，用以制造高兴奋点。

下面我们就来介绍一下人工智能和机器学习的主要区别：

什么是机器学习（Machine Learning）？

Tom M. Mitchell, 机器学习, McGraw Hill, 1991

机器学习是人工智能的一个分支，这是卡耐基梅隆大学机器学习系前主任Tom M. Mitchell教授在1991年首次提出的：“机器学习是对于通过经验自动改进的计算机算法的研究。 ”

机器学习（Machine Learning，简称ML）是我们期望能够达成人工智能的一种方法。机器学习依赖大数据集，通过检验和对比数据发现通用模式，探索细微差别。

举个例子，如果一个机器学习项目拥有大量的X光影像以及与之对应的症状，那么它就可以在未来辅助甚至可能可以自动的进行X光影像解析。机器学习应用将会比较所有这些不同的X光片，并在已经标注为同一症状的所有影像图片中寻找什么是它们的通用模式。而当你给它一个新的X光片时，它会根据这些通用模式来比对新片子的内容并告诉你多大的可能性这个新片子代表着哪种疾病症状。

如果你能够提供一个更可观的X光片大数据集，包括症状描述，注意事项等等多种参数，也许它能辅助（也许自动）进行X光图片数据分析。机器学习模型会在一个离散的大数据集中学习每一个图片，寻找标注信息的通用模式，而且，假设我们使用了一个非常好的用于图片处理的机器学习算法，当你提供一个新的图片给它时，它会比较所有的参数样例并告诉你该图片容纳各种医学信息的可能性是什么。

上述的机器学习的例子我们称之为“监督学习”（supervised Learning），监督学习算法主要针对目标的输入特征与输出的预测之间的依赖关系做模型，这样当我们给出新的数据输入时，机器就会给我们基于这种关系学习的输出预测了。

无监督学习（unsupervised Learning）属于机器学习算法大家庭的另一种类型，主要应用于模式识别和描述性建模。这类算法并没有输出分类以及标注数据（模型都是基于非标注类数据进行训练）

Reinforcement Learning

强化学习（Reinforcement Learning），第三类非常流行的机器学习类型，旨在利用从与环境的相互作用中搜集的观察去最大化奖励或最小化风险，上图实例中，增强学习算法（我们称之为代理agent）不断地通过迭代的方式从环境中进行学习。一个牛逼的增强学习的例子是，计算机在游戏中能达到超人状态，进而打败人。

机器学习是很有趣味的，特别是其先进的子分支，例如深度学习（Deep Learning），以及各种类型的神经网络（neural networks）。某种意义上，它是一种魔法，无论公众是否有争议于观察它的内在工作。事实上，尽管很多人尝试把深度学习和神经网络的工作原理类比到人类的大脑的运行上面，但其实二者之间有着显著地不同。

做笔记：我们现在知道机器学习是什么了，也知道它是人工智能的一个分支，同样也了解了它能和不能做的了。

什么是人工智能

“人工智能”（Artificial Intelligence）这个术语所指其实格外的宽泛，卡耐基梅隆大学计算机学院主任Andrew Moore这样说：“

这是对人工智能最好的一句话定义了，尽管它仍旧凸显了这个领域的宽广和模糊，几十年前，一个袖珍计算器会被认为是一种形式的人工智能，原因是数学计算能力是仅仅人类大脑可以胜任的，但今天，计算器只是你能找到的最普通的计算机系统应用之一，因此，“直到最近”意味着随着时间的推移人工智能的定义也会不断改进。

CMU的副教授和研究员Zachary Lipton讲，“人工智能AI这个术语代表着一种不断前行的愿景抱负，去探索那些来自人类拥有而机器没有的能力”

人工智能也包括了相当多我们已知的技术进步，机器学习仅是其中之一。前期的AI也大量使用了不同的技术，例如深蓝，1997年击败世界象棋冠军的人工智能，使用一种称为树搜索算法的方法来评估每一次数以百万计的动作。

众多周知，今天我们拥有了人和人工智能交互的小工具，例如Google Home，Siri，Alexa，也有机器学习视频推荐系统加持的Netflix，Amazon以及Youtube，以及算法对冲基金每年上百万美元的微交易。这些技术进步正变得在我们的日常生活中占据着重要地位。他们是我们的智能助手，让我们更加有效率。

做笔记：相对于机器学习，人工智能是一个移动的目标方向，它的定义会随着技术的不断进步而不断变化，有还是没有人工智能会随之被不断挑战，也许若干年后，今天的创新人工智能进步也会被认为像计算器一样不值一提。

为什么科技公司倾向于交替使用人工智能和机器学习？

人工智能这个术语最早是在1956年被一群研究人员提及，他们中有Allen Newell， Herbert A. Simon, 人工智能工业也经历了多次起伏，早期的几十年，也有着各种炒作，许多科学家曾相信人类级别的人工智能就在眼前了。这些难以付诸实现的断言直接导致了人工智能的冬天的到来，投资和大众热情均大幅锐减。

之后，很多机构都尝试把自己从人工智能这个术语中摘出来，因为它已经成为了不切实际的炒作的代名词。例如当年IBM称深蓝为超级计算机，明确表示没有使用人工智能技术，当然事实上它就是。

那个时期，各种替代词纷至沓来，大数据，可预测分析，机器学习开始获得关注和青睐，2012年，机器学习，深度学习，神经网络迈出来巨大的进步并开始在多个领域实用化，突然间众多公司开始使用机器学习深度学习为自己的产品做广告了。

深度学习达成目标的手段是传统的规则式编程模式完全不可能做到的，因为它的发展，语音以及人脸识别，图像分类，自然语言处理这些领域突然之间有了跳跃式的发展。

因此，我们看到了AI已经有了换挡的势头，对于那些习惯了老式编程思维的人来说，深度学习的效果看起来要更魔幻一些，特别是在一些曾经被认为是计算机无法做到的领域里。机器学习和深度学习的工程师们赚取着高到天际的薪酬，甚至他们也许只是在一个非营利机构工作，可见这个领域现在是有多么的火爆。

所有的这些方方面面让我们重燃了对于人工智能的热情和炒作，因此许多公司发现模糊人工智能的表达而不是更加明确他们正在实施哪种技术让他们有利可图啊，这能帮助公司重新设计定位所拥有产品的特征，而不用太在意产品的局限。“高级人工智能”这个词也成为了机器学习和其他各种已知技术的变体。

可悲的是，科技出版物也经常在没有深入调查研究的情况下出一些所谓的报告，或者有关人工智能的文章附上些水晶球或者超自然图片作为写照，这样的欺骗行为有助于公司围绕着产品进行炒作，然而，当无法满足产品预期时，他们被迫雇佣人去弥补他们所谓的人工智能的缺陷，从而也导致了在相关领域里的信任危机，这种只追求短期利益的行为或许会引发另一个人工智能的寒冬。

现在人工智能的火爆程度你看看有多少培训班就可想而知，AI（Artificial intelligence，人工智能），Machine Learning（机器学习），Deep Learning（深度学习），Supervised Learning（监督学习）等等众多技术名词满天飞，一些技术公司也开始利用AI技术的噱头来迷惑大众，到底围绕着这些技术名词，有没有一种浅显易懂的解析供非专业人士也可以理解和明白呢?正好机缘看到了来自CMU卡耐基梅隆大学的一片文章，遂翻译之：

本文涉及图片和内容均来自以下：

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: 人工智能 移动互联网 上个星期