人工智能和機器學習有何不同

在過去幾年中,人工智能和機器學習這兩個術語已經開始在技術新聞和網站中頻繁出現。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。

當然,專家們有時也不同意這些差異是什麼。

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

這種關係的最佳圖形表現之一來自Nvidia的博客。它為理解人工智能和機器學習之間的差異提供了一個很好的起點。

人工智能與機器學習 - 首先,什麼是人工智能?

計算機科學家已經以多種不同的方式定義了人工智能,但從本質上講,人工智能涉及的是思考人類思維方式的機器。當然,很難確定機器是否在“思考”,因此在實際層面上,創建人工智能涉及創建一個善於做人類擅長的事情的計算機系統。

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

那一年,艾倫·圖靈發表了一篇名為“計算機器和智能”的開創性論文,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,那麼可以說計算機是智能的。

人工智能這句話是由John McCarthy於1956年創造的,他在達特茅斯組織了一次專門討論該主題的學術會議。在會議結束時,與會者建議進一步研究“猜想學習的每個方面或任何其他智能特徵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,解決現在為人類保留的各種問題,並改善自己。“

該提案預示了當今人工智能中主要關注的許多主題,包括自然語言處理,圖像識別和分類以及機器學習。

在第一次會議之後的幾年裡,人工智能研究蓬勃發展。然而,在幾十年內,顯而易見的是,製造真正可以說是為自己思考的機器的技術已經有很多年了。

但在過去十年中,人工智能已從科幻小說領域轉移到科學事實領域。有關IBM Watson AI贏得遊戲節目的故事顯示,Jeopardy和谷歌的人工智能在Go遊戲中擊敗人類冠軍,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,每當我們使用智能手機,社交媒體,網絡搜索引擎或電子商務網站時,我們大多數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習。

人工智能與機器學習 - 好的,那麼什麼是機器學習?

“機器學習”這個短語也可以追溯到上個世紀中葉。 1959年,亞瑟·塞繆爾將機器學習定義為“沒有明確編程就能學習的能力”。他繼續創建了一個計算機檢查器應用程序,這是第一個可以從自己的錯誤中學習並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,機器學習在很長一段時間內都沒有流行,但是當數據挖掘的概念在20世紀90年代開始起步時,機器學習又開始流行起來。數據挖掘使用算法來查找給定信息集中的模式。機器學習做同樣的事情,但後來又向前邁進了一步 - 它根據學習內容改變了程序的行為。

最近變得非常流行的機器學習的一個應用是圖像識別。首先必須訓練這些應用程序 - 換句話說,人類必須查看一堆圖片並告訴系統圖片中的內容。經過數千次重複,軟件可以瞭解哪些像素圖案通常與馬,狗,貓,花,樹,房屋等相關聯,並且可以很好地猜測圖像的內容。

許多基於網絡的公司也使用機器學習來為他們的推薦引擎提供動力。例如,當Facebook決定在您的新聞源中顯示什麼,當亞馬遜突出您可能想要購買的產品時,以及當Netflix建議您可能想要觀看的電影時,所有這些建議都基於現有數據中的模式所基於的預測。

目前,許多企業開始使用機器學習功能進行預測分析。隨著大數據分析變得越來越流行,機器學習技術變得越來越普遍,並且它是許多分析工具中的標準功能。

實際上,機器學習已經與統計學,數據挖掘和預測分析聯繫在一起,有些人認為它應該被歸類為與人工智能分開的領域。畢竟,系統可以展示AI功能,如自然語言處理或自動推理,而無需任何機器學習功能,機器學習系統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語“機器學習”,因為他們認為這聽起來比“人工智能”更具技術性和可怕性。一位互聯網評論者甚至表示,兩者之間的區別在於“機器學習確實有效”。

然而,機器學習從一開始就是關於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。

人工智能和機器學習前沿:深度學習,神經網絡和認知計算

當然,“機器學習”和“人工智能”並不是與計算機科學領域相關的唯一術語。 IBM經常使用術語“認知計算”,它或多或少是AI的同義詞。

但是,其他一些術語確實具有非常獨特的含義。例如,人工神經網絡或神經網絡是一種系統,旨在以類似於生物大腦工作方式的方式處理信息。事情會變得混亂,因為神經網絡往往特別擅長機器學習,所以這兩個術語有時會混淆。

此外,神經網絡為深度學習提供了基礎,深度學習是一種特殊的機器學習。深度學習使用一組在多個層中運行的機器學習算法。它可以部分地由使用GPU一次處理大量數據的系統實現。

如果你對所有這些不同的術語感到困惑,那麼你並不孤單。計算機科學家繼續辯論他們的確切定義,並可能在未來一段時間內。隨著公司繼續向人工智能和機器學習研究投入資金,可能會出現更多的術語,為問題增加更多的複雜性。

相關推薦

推薦中...