機器學習與深度學習有什么異同？
最近，一份關于那些聲稱在其產品和服務上使用人工智能的公司濫用人工智能的報告發布。根據Verge的數據，40%的比例聲稱使用人工智能的歐洲初創公司其實并沒有使用這項技術。去年，TechTalks也意外發現了這樣的濫用行為，一些公司聲稱使用機器學習和先進人工智能來收集和檢查數千名用戶的數據，以增強其產品和服務的用戶體驗。
遺憾的是，公眾和媒對于什么是真正的人工智能 ，以及到底什么是機器學習，仍然存在很多困惑。這些術語通常被用作同義詞。在其他情況下，人工智能與機器學習是相對獨立的、互相平行的領域發展進步，而另一些則利用這一趨勢來有意炒作和博眼球（刺激），來增加銷售量以及收入。
下面我們來看看人工智能和機器學習之間的一些主要區別。
什么是機器學習
什么是機器學習 | Tom M. Mitchell，Machine Learning，McGraw Hill，1997[18]
CMU計算機科學學院臨時院長、卡內基梅隆大學(Carnegie Mellon University)教授、前機器學習系主任 Tom M. Mitchell 表示:
科學領域最好由它所研究的中心問題來界定。機器學習領域試圖回答以下問題：
“我們怎樣才能建立一個隨著經驗而自動改進的計算機系統，而支配所有學習過程的基本法則是什么？”
機器學習（ML）是人工智能的一個分支，正如計算機科學家和機器學習先驅 Tom M.Mitchell所定義的：“機器學習是對計算機算法的研究，允許計算機程序通過經驗自動改進。” —ML是我們期望實現人工智能的方法之一。機器學習依賴于對大大小小的數據集進行研究，通過檢查和比較數據來發現共同的模式并探索細微差別。
例如，如果您提供一個機器學習模型，其中包含許多您喜歡的歌曲，以及它們相應的音頻統計數據（舞蹈性、樂器、節奏或流派）。它應該能夠自動化（取決于所使用的有監督機器學習模型）并生成推薦系統，以便在未來向您推薦您喜歡的音樂（以高概率），類似于Netflix、Spotify和其他公司所做的。
在一個簡單的例子中，如果你加載了一個機器學習程序，其中有相當大的X射線圖片數據集以及它們的描述（癥狀、需要考慮的項目和其他），它應該有能力在以后協助（或可能自動化）X射線圖片的數據分析。機器學習模型會查看不同數據集中的每一張圖片，并在具有可比指征標簽的圖片中找到共同的模式。此外，（假設我們對圖像使用可能的ML算法）當你用新的圖片加載模型時，它會將其參數與之前收集的例子進行比較，以揭示圖片中包含它先前分析過的任何指征的可能性。
我們前面示例中的機器學習類型，稱為“監督學習”，其中監督學習算法嘗試對目標預測輸出和輸入特征之間的關系和依賴關系建模，以便我們可以根據這些關系預測新數據的輸出值，它已經從以前的數據集中學習到了反饋。
無監督學習是機器學習的另一種類別，是一類主要用于模式檢測和描述性建模的機器學習算法。這些算法在數據上沒有輸出類別或標簽（模型使用未標記的數據進行訓練）。
強化學習 | Credits: Types of ML Algorithms you Should Know by David Fumo [3]
強化學習是第三種流行的機器學習類型，其目的是利用從與環境的交互中收集到的觀察結果來采取行動，以最大限度地提高回報或降低風險。在這種情況下，強化學習算法（稱為agent）通過迭代不斷地從環境中學習。強化學習的一個很好的例子是電腦達到了超人的狀態，并在電腦游戲中打敗了人類。
機器學習可以讓人眼花繚亂，尤其是它的高級子分支，即深度學習和各種類型的神經網絡。無論如何，它是 "神奇 "的（計算學習理論），不管公眾有時是否有觀察其內部運作的問題。雖然有些人傾向于將深度學習和神經網絡與人腦的工作方式進行比較，但兩者之間存在著本質的區別。
什么是人工智能（AI）？
卡耐基梅隆大學計算機科學學院教授兼院長 Andrew Moore講解的人工智能全景圖｜Youtube
另一方面，人工智能的范圍很廣。根據卡耐基梅隆大學計算機科學學院前院長Andrew Moore 的說法，"人工智能是一門科學和工程，它讓計算機以一種直到最近我們還認為需要人類智能的方式運行。"
這是一個用一句話來定義人工智能的好方法；然而，它仍然顯示出這個領域是多么廣泛和模糊。50年前，下棋程序被認為是人工智能的一種形式，因為博弈論和游戲策略是只有人腦才能完成的能力。如今，象棋游戲是枯燥而陳舊的，因為它幾乎是每個計算機操作系統（OS）的一部分；因此，"直到最近 "是隨著時間的推移而發展的東西 [36]。
CMU的助理教授和研究員 Zachary Lipton在Approximately Correct上闡明，AI這個術語 "是一個理想的，是一個動態的目標，一種基于那些人類擁有但機器沒有的能力"。AI還包括相當程度的我們所知道的技術進步。機器學習只是其中之一。之前的人工智能作品利用了不同的技術。例如，1997年擊敗世界國際象棋冠軍的人工智能 "深藍 "使用了一種叫做樹搜索算法的方法來評估每一個回合的數百萬步。
使用深度優先搜索解決八皇后難題的示例 | 人工智能簡介 | . how2Examples
正如我們今天所知道的那樣，人工智能的象征是以Google Home、Siri和Alexa為代表的人機交互小工具，以Netflix、亞馬遜和YouTube為代表的機器學習驅動的視頻推薦系統。這些技術進步正逐步成為我們日常生活中不可或缺的一部分。它們是智能助手，提升了我們作為人類和專業人士的能力--使我們更有效率。
與機器學習相比，人工智能是一個動態的目標，它的定義會隨著其相關技術進步的進一步發展而改變。可能在幾十年內，今天的人工智能創新進展應該被認為是乏味的，就像現在的翻蓋手機對我們來說一樣。
為什么科技公司傾向于
將AI和ML交替使用？
"... ...我們想要的是一臺能從經驗中學習的機器" ~ Alan Turing
"人工智能 "一詞是在1956年由Allen Newell和Herbert A. Simon等一批研究人員提出的。從那時起，人工智能的產業經歷了許多波動。在早期的幾十年里，圍繞著這個行業進行了大量的炒作，許多科學家都一致認為人類水平的人工智能指日可待。然而，未兌現的論斷引起了行業與公眾的普遍不滿，并導致了人工智能的寒潮，這一時期，對該領域的資金和興趣大大消退。
后來，各組織試圖將自己的工作與人工智能這個術語分開，人工智能已經成為無事實根據的炒作的同義詞，并利用不同的名稱來指代他們的工作。例如，IBM將 "深藍 "描述為一臺超級計算機，并明確表示它沒有使用人工智能，而它卻使用了人工智能。
在此期間，各種其他術語，如大數據、預測分析和機器學習，開始受到關注和普及。2012年，機器學習、深度學習和神經網絡取得了長足的進步，并在越來越多的領域得到應用。各機構突然開始使用“機器學習”和“深度學習”來宣傳他們的產品。
深度學習開始解決那些基于經典規則編程無法完成的任務。早期的語音和人臉識別、圖像分類、自然語言處理等領域突飛猛進，2019年3月，三位最受認可的深度學習先驅獲得了圖靈獎，他們的貢獻和突破使深度神經網絡成為當今計算的關鍵組成部分。
因此，從這個勢頭來看，我們看到了人工智能的回歸。對于那些習慣于使用各種限制的老式軟件人來說，深度學習的效果幾乎就像 "魔法"一樣。尤其是由于神經網絡和深度學習進入的一小部分領域被認為是計算機的禁區，而如今，機器學習和深度學習的工程師都能獲得高薪，甚至在非營利組織工作，這就足以說明了這個領域的熱度。
來源 | 推特 | GPT-2更好的語言模型及其含義，Open AI
可悲的是，這一點媒體公司往往在沒有進行深刻考察的情況下就進行報道，并且經常配合人工智能文章中的水晶球（譯者注：神奇的事情）和其他超自然描描述。這樣的欺騙性行為有助于那些公司圍繞他們的產品產生炒作。然而，在以后的日子里，由于未能達到預期，這些機構不得不雇傭他人來彌補他們所謂的人工智能。最終，他們可能會為了短期利益而導致該領域的不信任，并引發另一個人工智能的冬天寒潮。
