人工智能Artificial Intelligence（AI）、機器學習Machine Learning（ML）和深度學習Deep Learning（DL）通常可以互換使用。但是，它們并不完全相同。人工智能是最廣泛的概念，它賦予機器模仿人類行為的能力。機器學習是將人工智能應用到系統或機器中，幫助其自我學習和不斷改進。最后，深度學習使用復雜的算法和深度神經網絡來重復訓練特定的模型或模式。

讓我們看看每個術語的演變和歷程，以更好地理解人工智能、機器學習和深度學習實際指的是什么。

人工智能

自過去 70 多年以來，人工智能已經取得了長足的進步。無論我們是否知道，也不管喜歡與否，，它已經滲透到了我們生活的方方面面。在過去十年中，機器學習和深度學習的進步已經在各種規模的行業和組織中創造了人工智能熱潮。云服務提供商通過開發免費的開源服務和提供新的場景進一步推動的這種勢頭。

Figure 1: Overview of AI, ML and DL

人工智能可能是自 1956 年以來最受關注的概念。到 2015 年，GPU 的廣泛使用使并行處理更快、更強大、更便宜。而愈加廉價的存儲可以大規模地存儲大數據（從純文本到圖像、映射等）。這產生了對數據分析的需求，它被更普遍地稱為數據科學data science，導致機器學習發展為實現人工智能的方法。

機器學習

機器學習是使用算法來處理、學習和理解或預測可用數據的模式。最近，軟件開發的低代碼和無代碼概念被用作機器學習中的自學習過程，它給出了完成特定任務的特定指令。通過使用數據和算法對機器進行“訓練”，使其能夠學習如何執行任務，更重要的是，將學習應用到不斷發展的過程中。

Figure 2: Evolution of AI, ML and DL

機器學習是在開發者社區專注于 AI 時發展起來的，然后發展了算法決策樹學習、邏輯編程、聚類、并行處理和強化學習。這些都是朝著正確方向邁出的良好一步，但不足以解決世界感興趣的場景。

深度學習

深度學習是神經網絡和機器學習的進化，是人工智能社區的創意。它學習了人類思維在特定場景中的工作方式，然后在這項工作上比人類做得更好！例如，IBM 的 Watson 與自己下國際象棋，并在游戲中取得了很大進步，最終擊敗了世界冠軍。谷歌的 AlphaGo 也學會了如何玩圍棋游戲，一遍又一遍地玩它以提高自己，并成為冠軍。

人工智能、機器學習和深度學習正在不斷發展。參與數據科學的每個人都希望推進這些概念以改善我們的日常生活。而開源社區、私營企業、科學家和政府機構都在為此共同努力。

Figure 3: Types of AI, ML and DL

總而言之，雖然 AI 有助于創建智能機器，但機器學習有助于構建 AI 驅動的應用。深度學習是機器學習的一個子集。它通過利用復雜算法處理大量數據來訓練特定模型。由于狹義 AI 極難開發，機器學習正在通過剛性計算解決這一領域的機遇。至少對于實現通用 AI，深度學習有助于將 AI 和機器學習結合在一起。