“機(jī)器學(xué)習(xí)”“人工智能”“深度學(xué)習(xí)”這三個(gè)詞常常被人混淆，但其實(shí)它們出現(xiàn)的時(shí)間相隔甚遠(yuǎn)，“人工智能”（Artificial Intelligence，AI）出現(xiàn)于20世紀(jì)50年代，“機(jī)器學(xué)習(xí)”（Machine Learning，ML）出現(xiàn)于20世紀(jì)80年代，而“深度學(xué)習(xí)”（Deep Learning，DL）則是近些年才出現(xiàn)的。三者是包含與被包含關(guān)系，如圖1-1所示。

▲圖1-1 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系

業(yè)內(nèi)對(duì)于以上關(guān)系還有不同的見(jiàn)解，比如認(rèn)為深度學(xué)習(xí)有部分內(nèi)容在機(jī)器學(xué)習(xí)范疇之外，此處不深究。

01 機(jī)器學(xué)習(xí)與人工智能

“人工智能”一詞出現(xiàn)在1956年的達(dá)特茅斯會(huì)議上，當(dāng)時(shí)人工智能先驅(qū)的夢(mèng)想是建造具有人類(lèi)智能體的軟硬件系統(tǒng)，該系統(tǒng)具有人類(lèi)的智能特征，而這里所說(shuō)的人工智能為“通用人工智能”。

這樣的人工智能夢(mèng)想曾在影視作品中大放異彩，如電影《星球大戰(zhàn)》中的C-3PO機(jī)器人具有人類(lèi)的理性和思考能力。不過(guò)，迄今為止，這種高層次的推理和思想仍然難以實(shí)現(xiàn)，退而求其次，目前能夠落地的都屬于“狹義的人工智能”，如人臉識(shí)別等。

我們將機(jī)器學(xué)習(xí)描述為實(shí)現(xiàn)人工智能的一種方式方法。機(jī)器學(xué)習(xí)是基于已有數(shù)據(jù)、知識(shí)或經(jīng)驗(yàn)自動(dòng)識(shí)別有意義的模式。最基本的機(jī)器學(xué)習(xí)使用算法解析和學(xué)習(xí)數(shù)據(jù)，然后在相似的環(huán)境里做出決定或預(yù)測(cè)。簡(jiǎn)言之，即基于數(shù)據(jù)學(xué)習(xí)并做決策。這樣的描述將機(jī)器學(xué)習(xí)與傳統(tǒng)軟件或普通程序區(qū)分開(kāi)來(lái)。

機(jī)器學(xué)習(xí)過(guò)程中，并沒(méi)有人為指示機(jī)器學(xué)習(xí)系統(tǒng)如何對(duì)未知環(huán)境做出決策或預(yù)測(cè)，這一過(guò)程由機(jī)器學(xué)習(xí)中的算法從數(shù)據(jù)中習(xí)得，做出決策的主體是機(jī)器學(xué)習(xí)算法，并且決策或預(yù)測(cè)是非確定性的結(jié)果，一般以概率的形式輸出，比如80%的可能性是晴天。

與之不同的是，常規(guī)的應(yīng)用程序需要軟件工程師一句句地編寫(xiě)代碼（特定的指令集），指示程序或軟件做出確定的行為，比如輸出0和1分別表示注冊(cè)成功和失敗。做出決策的主體實(shí)際是人，程序只是執(zhí)行動(dòng)作的工具。正因如此，機(jī)器學(xué)習(xí)可歸為間接編程，與之對(duì)應(yīng)的是常規(guī)編程。

02 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)

深度學(xué)習(xí)使用多層（一般多于5層）人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)內(nèi)部的復(fù)雜關(guān)系。人工神經(jīng)網(wǎng)絡(luò)是生物科學(xué)、認(rèn)知科學(xué)等與人工智能結(jié)合的產(chǎn)物，在早期的機(jī)器學(xué)習(xí)中就已開(kāi)始應(yīng)用，其初衷是在計(jì)算機(jī)中模擬人類(lèi)大腦神經(jīng)元的工作模式。

人類(lèi)大腦的神經(jīng)元在百億級(jí)別，通過(guò)突觸實(shí)現(xiàn)彼此交流，從計(jì)算的角度看屬于計(jì)算密集型，這限制了復(fù)雜人工神經(jīng)網(wǎng)絡(luò)在實(shí)踐中的應(yīng)用。計(jì)算機(jī)計(jì)算能力的大幅提升帶來(lái)了新的可能，2000年，多倫多大學(xué)的Geoffrey Hinton領(lǐng)導(dǎo)的研究小組在不懈研究下，終于在現(xiàn)代超級(jí)計(jì)算機(jī)中驗(yàn)證了深度學(xué)習(xí)的多層網(wǎng)絡(luò)結(jié)構(gòu)。

Geoffrey Hinton因在深度學(xué)習(xí)領(lǐng)域做出巨大貢獻(xiàn)而被稱(chēng)為深度學(xué)習(xí)的鼻祖，并與Yoshua Bengio、Yann LeCun并稱(chēng)機(jī)器學(xué)習(xí)三巨頭。（三人因在深度學(xué)習(xí)領(lǐng)域的貢獻(xiàn)而榮獲2018年圖靈獎(jiǎng)。

深度學(xué)習(xí)可被看作一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)，是機(jī)器學(xué)習(xí)的子集。與深度學(xué)習(xí)相對(duì)，過(guò)去那些只有單層或少層的神經(jīng)網(wǎng)絡(luò)被稱(chēng)為淺層學(xué)習(xí)。

對(duì)于機(jī)器學(xué)習(xí)的描述，也有專(zhuān)家調(diào)侃地發(fā)聲，以表明某種現(xiàn)象：當(dāng)你募集資金時(shí)，這屬于人工智能;當(dāng)你招聘時(shí)，這屬于機(jī)器學(xué)習(xí);當(dāng)你執(zhí)行時(shí)，這屬于線性回歸;當(dāng)你調(diào)試時(shí)，這屬于printf（）。

以上只從某個(gè)側(cè)面簡(jiǎn)要描述了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系，更全面的信息請(qǐng)讀者參考相關(guān)資料。

03 機(jī)器學(xué)習(xí)與統(tǒng)計(jì)學(xué)、大數(shù)據(jù)及數(shù)據(jù)科學(xué)

機(jī)器學(xué)習(xí)與傳統(tǒng)統(tǒng)計(jì)密不可分，兩者都是從數(shù)據(jù)中得出結(jié)論。統(tǒng)計(jì)學(xué)中首先提出數(shù)據(jù)空間假設(shè)（比如數(shù)據(jù)呈正態(tài)分布）下的參數(shù)化求解，同時(shí)關(guān)心樣本量增大至無(wú)窮時(shí)統(tǒng)計(jì)估計(jì)的收斂問(wèn)題;機(jī)器學(xué)習(xí)則盡可能少地對(duì)數(shù)據(jù)分布做出假設(shè)，而以算法作為關(guān)鍵，學(xué)習(xí)接近數(shù)據(jù)生成的模型，同時(shí)關(guān)注有限樣本下學(xué)習(xí)的性能（算法和模型表現(xiàn)）。

機(jī)器學(xué)習(xí)與大數(shù)據(jù)也常常出現(xiàn)在同一場(chǎng)合。當(dāng)某人提到大數(shù)據(jù)時(shí)，需要看此人背景才能明確其所說(shuō)大數(shù)據(jù)的含義。

當(dāng)此人是大數(shù)據(jù)相關(guān)技術(shù)人員、從技術(shù)角度描述大數(shù)據(jù)時(shí)，他往往指的是數(shù)據(jù)的存儲(chǔ)、分析、處理和計(jì)算的技術(shù)，其難點(diǎn)并不在于具體的算法，而在于存儲(chǔ)、計(jì)算的分布式系統(tǒng)的層級(jí)問(wèn)題。從行業(yè)中我們也能看到針對(duì)大量的數(shù)據(jù)建模往往使用相對(duì)簡(jiǎn)單的算法。

相反，對(duì)于少量數(shù)據(jù)，由于來(lái)之不易，往往會(huì)進(jìn)行大量精細(xì)的分析和處理。我們很難根據(jù)某一天的天氣推測(cè)另一天的天氣狀況，但如果有大量的歷史天氣數(shù)據(jù)，使用常規(guī)算法推測(cè)另一天的天氣狀況就會(huì)有較大把握。

在某種意義上，“大數(shù)據(jù)不難，小數(shù)據(jù)才難”有一定道理。當(dāng)此人從業(yè)務(wù)角度描述大數(shù)據(jù)時(shí)，他往往指的是數(shù)據(jù)，是基于數(shù)據(jù)的分析挖掘、運(yùn)營(yíng)以及產(chǎn)生業(yè)務(wù)價(jià)值的方法和策略。

當(dāng)外行人說(shuō)大數(shù)據(jù)時(shí)，他往往指的是海量數(shù)據(jù)、安全與隱私等更為直觀的概念。值得一提的是，在很多場(chǎng)景下，對(duì)于真正進(jìn)入算法模型的數(shù)據(jù)量，我們需要自問(wèn)：我們真的有大數(shù)據(jù)嗎？

當(dāng)然，機(jī)器學(xué)習(xí)所用的數(shù)據(jù)來(lái)源于各個(gè)渠道，數(shù)據(jù)量是海量的，存儲(chǔ)于大數(shù)據(jù)平臺(tái)或大數(shù)據(jù)存儲(chǔ)系統(tǒng)，從這個(gè)角度來(lái)看，機(jī)器學(xué)習(xí)是依賴于大數(shù)據(jù)的。另外，大數(shù)據(jù)（及其處理能力）也是傳統(tǒng)的數(shù)據(jù)分析建模向機(jī)器學(xué)習(xí)、深度學(xué)習(xí)轉(zhuǎn)變的關(guān)鍵。

機(jī)器學(xué)習(xí)與數(shù)據(jù)科學(xué)（Data Science）關(guān)系也非常緊密。在筆者看來(lái)，數(shù)據(jù)科學(xué)從數(shù)據(jù)的角度概括了數(shù)據(jù)有關(guān)的活動(dòng)，涉及的范圍比機(jī)器學(xué)習(xí)更廣。數(shù)據(jù)工程、數(shù)據(jù)可視化、數(shù)據(jù)集成與ETL（提取、轉(zhuǎn)換和加載）、商業(yè)智能、數(shù)據(jù)產(chǎn)品、大數(shù)據(jù)等都可以歸入數(shù)據(jù)科學(xué)范疇。
責(zé)編AJX