概念解析：深入理解人工智能和机器学习- 专知

概念解析：深入理解人工智能和机器学习

【导读】本文是数据科学家Vijay Yadav的一篇帖子，主要内容是介绍机器学习和人工智能的概念。对于很多刚刚入门人工智能的读者，可能会有这么一个疑问：人工智能和机器学习到底都是什么？本文介绍了人类智能的步骤，并讨论了其中哪些步骤可以用人工智能来实现。然后介绍了机器学习概念，重点举例讲解了模式识别的原理。文章中对概念的理解比较深刻、描述通俗易懂，如果你还不了解这些概念，那就快阅读一下吧。

Artificial Intelligence vs Machine Learning: What’s what?

你可能多次听到人工智能和机器学习这两个词，作为一个行业专家，我也听到过，大多数情况下，这些术语可以互换使用，虽然概念不同，但它们之间有些共同点。

这篇文章中，我希望可以帮你理解它们：

人工智能

让我们从理解什么是“人工”（“Artificial”）开始，“人工”指的是制造或生产的东西，而不是自然形成的。这只是个开始，但是“自然”又是指什么呢？在本文，“自然”指的是“人”——你和我。计算机科学始终吸引着我们，为什么呢？因为通过机器理解并替代类人的智能体是一项巨大的任务，几十年来，科学家一直在推动相关领域的发展。机器人和无人驾驶只是类人智能的例子，但目前还没有机器人为你打扫房子，或者洗衣服；如果想在我们的日常生活中使用类人的智能体，还有很长的路要走。

因此，现在我们知道机器不是人类，我们可以放心地说：如果没有任何智能或逻辑指令，机器都会非常愚蠢。虽然他们缺乏智能，但却拥有巨大的计算能力。对于可能花费你一秒钟时间思考的问题，一台机器可以在相同时间内完成1000次。

此外，这些机器将完全按照我们的指示进行操作。不多也不少，它们不能改变行动的方向，来做额外的动作。如果我对人类和机器同时发出了一套10步的指令，机器将精确地遵循这10个步骤，而如果所提供的10个步骤不足以产生期望的结果时，人类会增加额外的步骤去达成目标。从本质上讲，虽然对于人类来说，可以通过环境确定行为，但我们需要提供机器指令，以便令其知道在什么场景下该做些什么。这听起来确实很难，但真的不能做到吗？

要理解人工智能，我们需要尝试了解人类智能的工作原理，简言之，人类智能由三个部分构成（还有些其他生物学和科学现象也会推动对人类智能的理解，但我们应该让神经科学家解释它！）。

1、通过多维数据源感知（Perception through a multi-dimensional data source）

如果我给你一个小物体，问你是什么，你会用眼睛看、手摸、鼻子闻、耳朵听，以便获得关于这件物体的任何信息。

2、对步骤1的数据中进行模式识别（Pattern recognition within the data set referred in step 1 above）

你以前可能看过，也可能没看过这个物体。你的脑海中已经构建了一系列模式，以便对你的生命中遇到的数千个物体进行分类，如果以前看过它，那么这个模式技术将帮你识别、猜测出这个物体是什么，如果你以前没见过，那么可能就无法认出它来。

3、在给定的情境下做出决策（Decision making within the given context）

当你回忆起你在步骤2中的记忆后，就进入了逻辑论证和评估的过程之中。作为一个人类的思维，我们倾向于合理化事物，并用我们所说的直觉（“gut feeling”）感性地作出决定。

花点时间考虑下上面哪个部分可以用AI复制呢？其实三个步骤都很难，但1、3步骤是最难复制的。在高层次上，如果所有三个部分都可以在一台机器上复制或近似复制，那么我们就拥有了一个人工智能系统，它几乎可以思考，并且像人一样行事，这些都取决于这三个部分的实现程度。作为一种思考练习，如何将上面提到的三个部分应用于汽车无人驾驶，才能让它从车库沿着车道走向街道？

机器学习

机器学习不等同于AI，而是AI的一个重要部分。为此，机器学习主要关注于了上面步骤2：模式识别。机器学习有助于识别数据集内的模式，并因此尝试根据现有数据进行预测。

在深入研究机器学习之前，让我们重新思考如何正确地将人类学习与机器学习联系起来。

假设我问你，“明天是星期几？”，你的回答是“星期天”。你主要是花些时间思考你脑海中的知识，然后检索得到你对应的答案ßß。

你一定是在学前班的时候了解到，一周有七天（周日到周六）。这是学习的数据，并存储在你的记忆中。

数据输入的同时，还有一种模式（学习）存储在你的记忆中。在这种情况下，学习指的是某一天（输入）如何与第二天（响应）相关联。

在上表中，学习存储为输入（input）和响应（response）。请注意，这种学习对于当天到下一天的联系非常具体。在同一组数据上可以有不同的学习来回答不同类型的问题，例如，“昨天是什么时候？”

所以，当有人问你“明天是星期几？”时，你会使用当天（今天）作为输入，并参考上面的学习表以找到答案。最初，你可能没有意识到你正在执行这些步骤，但相信我，这就是背后发生的事情。

请注意，这是对人类学习的一个非常简单的解释，并涉及一小部分数据（1个输入，1个响应和7行数据）。在真实的商业问题中，可能有数千个输入列和数百万/十亿行并获得响应（输出）。随着数据集规模的扩大以及更多的输入、行（观察）、逻辑（学习）变得越来越复杂。这正是人类面临的挑战之所在，也是一些很好的机器学习的基础。机器学习是数据科学家和/或机器学习工程师开发的算法/模型，用于使计算机学习、识别模式并进行预测。

亚马逊的产品推荐和Facebook的新闻推送是机器学习的两个很好的例子。在Facebook中，当某人频繁地阅读或喜欢某个帖子时，他/她将来会看到更多该特定朋友的活动。在幕后，你的导航数据被获得并存储。机器学习算法能够从你提供的这些模式或人类信号中进行学习。发现模式的技术称为算法或模型，为了简单起见，我们将讨论重点放在了模式识别上，但机器学习不仅限于模式识别；它还可以基于自动发现几个输入和响应（输出）变量之间的关系来预测输出值。

在未来的文章中，我希望能解释人工智能和机器学习中更多的技术概念。

参考链接：

https://medium.com/swlh/artificial-intelligence-vs-machine-learning-is-it-confusing-3ace59aa0d19

-END-

专 · 知

人工智能领域主题知识资料查看获取：【专知荟萃】人工智能领域26个主题知识资料全集（入门/进阶/论文/综述/视频/专家等）

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！