人工智能的浪潮正在席卷全球，人工智能（Artificial Intelligence）、機器學習（Machine Learning）、深度學習（Deep Learning）這些高頻詞匯經常出現，業內人士對于這些詞匯概念也想必熟悉，然而對于大多數的非從業人員來說這些高頻詞匯的含義及其背后的關系似乎不甚了解。為便于大家更好地理解人工智能，現以較通俗的語言對這概念進行解釋，理清彼此的聯系與區別，以期望對剛入門的同行有所幫助。

人工智能（Artificial Intelligence）

在1956年的達特茅斯會議上第一次提出了“人工智能”的概念，其提出的目的是利用計算機來構造復雜的、擁有與人類智慧同樣本質特性的機器。其后的幾十年里，人工智能一直在質疑和推進中徘徊。2012年以后，得益于數據量的上漲、運算力的提升和機器學習新算法（深度學習）的出現，人工智能迎來了一次大爆發，人工智能的研究領域也在不斷擴大，包括專家系統、機器學習、進化計算、模糊邏輯、計算機視覺、自然語言處理、推薦系統等。

目前的科研工作主要集中在讓機器具備觀察和感知能力的弱人工智能，遠沒達到電影里所描繪的讓機器獲得自適應能力的強人工智能。為突破弱人工智能，實現的 “智能”，這就需要一種實現人工智能的方法——機器學習。

機器學習：一種實現人工智能的方法

機器學習最基本的做法是使用算法來解析數據、從中學習， 然后對真實世界中的事件做出決策和預測。與傳統的為解決特定任務、硬編碼的軟件程序不同， 機器學習是用大量的數據來“ 訓練”， 通過各種算法從數據中學習如何完成任務，機器學習直接來源于早期的人工智能領域，傳統的算法包括決策樹、聚類、貝葉斯分類、支持向量機、EM、Adaboost等等。從學習方法上來分，機器學習算法可以分為監督學習（如分類問題）、無監督學習（如聚類問題）、半監督學習、集成學習、深度學習和強化學習。

深度學習：一種實現機器學習的技術

深度學習是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。它的基本特點，是試圖模仿大腦的神經元之間傳遞，處理信息的模式。深度學習本來并不是一種獨立的學習方法，其本身也會用到有監督和無監督的學習方法來訓練深度神經網絡。但由于近幾年該領域發展迅猛，一些特有的學習手段相繼被提出（如殘差網絡），因此越來越多的人將其單獨看作一種學習的方法。

三者的區別和聯系

機器學習是一種實現人工智能的方法，深度學習是一種實現機器學習的技術。我們就用最簡單的方法——同心圓，可視化地展現出它們三者的關系。