一、人工智能、机器学习与深度学习的真正区别

在当今科技领域，我们经常听到人工智能、机器学习和深度学习这三个词。它们虽然相关，但含义不同。

1.1 人工智能

人工智能是计算机科学的一个分支，旨在研究如何合成与分析能够像人一样行动的计算主体。简单来说，AI 的目标是利用计算机来模拟甚至替代人类大脑的功能。

一个理想的 AI 系统通常具备以下特征：像人一样思考、 像人一样行动、理性地思考与行动。

1.2 机器学习

机器学习是实现人工智能的一种途径。它的核心定义是：赋予计算机在没有被显式编程的情况下进行学习的能力。

与传统的基于规则的编程不同，机器学习不依赖程序员手写每一条逻辑指令，而是通过算法让机器从大量数据中寻找规律，从而对新的数据产生预测或判断。

1.3 深度学习

深度学习是机器学习的一种特殊方法，也称为深度神经网络。它受人类大脑结构的启发，通过设计多层的神经元网络结构，来模拟万事万物的特征表示。

1.4 三者之间的层级关系

厘清这三者的关系对于初学者至关重要。人工智能 AI 是最宏大的概念，包含了所有让机器变聪明的技术。 机器学习 ML 是 AI 的一个子集，是实现 AI 的目前最主流的方法。 深度学习 DL 又是 ML 的一个子集，是 ML 中利用深层神经网络进行学习的技术流派。

二、机器究竟是如何学习的

为了更好地理解机器学习，我们需要对比传统的解决问题方式与机器学习方式的区别。

2.1 规则驱动的传统编程方式

在传统编程模式下，程序员基本上就是规则的制定者。所有逻辑都要提前想清楚，然后用 if-else 这样的判断语句一条条写进去。

比如做图像判断时，程序往往只能依赖显式条件去推断结果

识别到轮子而且是圆形 → 可能是车
识别到车窗 → 可能是车
再叠加更多结构特征

问题很快就会暴露出来。

当问题边界清晰时，比如税务计算，这种方式非常高效。但面对复杂场景，例如图像识别或自然语言处理，规则会迅速膨胀。

现实世界没有固定模板。同一个目标在不同光照、角度、遮挡情况下都会发生巨大变化。想靠穷举条件覆盖所有情况，几乎不现实。

规则可以不断增加，但复杂度增长的速度，远远快于系统可维护的程度。

2.2 模型驱动的机器学习方式

机器学习采用的是归纳法。我们不直接编写规则，而是提供大量的历史数据，让机器通过算法去训练一个模型。

案例：房价预测
假设我们有一组房屋面积与销售价格的数据：

123 $m^2$ -> 250万
150 $m^2$ -> 320万
 ...

我们可以假设房价与面积之间存在线性关系，即模型为 $y=ax+b$。

$y$ 是房价，$x$ 是面积。
$a$（斜率）和 $b$（截距）是我们需要求解的参数。

机器学习的过程，就是通过历史数据找到最合适的 $a$ 和 $b$，使得这条直线尽可能拟合所有数据点。一旦确定了参数，当输入一个新的面积 $x$ 时，模型就能预测出房价 $y$。

三、人工智能的发展与现实应用

3.1 机器学习已经渗透的领域

如今，机器学习已经渗透到我们生活的方方面面

用户分析：社交网络画像、商品评论情感分析。 搜索引擎：搜索结果排序、以图搜图。 推荐系统：抖音/B站的视频推荐、淘宝的商品推荐。 计算机视觉：人脸识别闸机、自动驾驶车辆检测、医疗影像诊断。 AIGC：机器翻译、ChatGPT文本生成、Midjourney绘图。

3.2 三次浪潮：人工智能的发展阶段

人工智能并非新生事物，其发展经历了三次主要浪潮：

第一阶段（1950-1970年代）：符号主义。以1956年达特茅斯会议提出人工智能术语为起点。代表事件是IBM的跳棋程序战胜人类。
第二阶段（1980-2000年代）：统计主义。统计模型开始解决实际问题。代表事件是1997年IBM深蓝战胜国际象棋冠军卡斯帕罗夫。
第三阶段（2010年至今）：深度学习。随着算力提升，神经网络复兴。2016年AlphaGo战胜李世石是标志性事件。2022年ChatGPT的出现标志着大模型时代的到来。

3.3 AI 爆发背后的三大基础

为什么 AI 在近年来才爆发？因为三大基石的共同作用。

1.数据：互联网时代产生了海量数据，为模型提供了燃料。
2.算法：深度学习算法的突破。
3.算力：硬件的飞跃。

CPU：适合逻辑控制和I/O操作。
GPU：擅长大规模矩阵运算，是训练神经网络的主力。
TPU：Google专门为张量计算设计的处理器。

四、机器学习常见术语

1.样本
一行数据就是一个样本。
它代表现实世界中的一个实体或一条记录。多个样本组成了数据集。

2.特征
数据表中的列（通常是除去最后一列）
特征是从数据中抽取出来的、对预测结果有用的属性信息。

3.标签/目标值
模型要预测的那一列数据。
这是模型学习的最终答案。

4.数据集划分
为了验证模型的有效性，我们不能用所有数据来训练。通常将数据集按比例（如 8:2 或 7:3）划分为两部分：

训练集：用于让模型学习规律，建立模型。
测试集：用于评估模型表现。

最后，当我们把人工智能、机器学习、深度学习放回各自的位置，很多问题其实就变得清晰了。AI 是目标， 机器学习是路径， 深度学习是其中的一种实现方式。理解层级，比记住名词更重要。

​转自https://blog.csdn.net/2401_83830408/article/details/158346106