人工智能、机器学习、深度学习这些名词经常会在各种场合听到，那具体有哪些区别呢？在业内来说，这几个概念还是有区别的，如果混用就会让人觉得是个门外汉。为了避免露馅成为外行，下面就来具体介绍一下每个概念以及它们之间的区别。
人工智能：模拟、延伸和扩展人的智能的理论、方法、技术及应用系统。人工智能是个很宽泛的概念，人类制造了各种机器之后，总希望这些机器越来越智能，这样人就可以越来越轻松，更好地享受生活。例如上图中提到的AGI（Artificial General Intelligence，通用人工智能），就是真正的AI，可以达到人类心智水平、能够通过图灵测试的机器（图灵测试的介绍见附录）。
但事实上，现在的机器在很多方面都已经远远超过了人类，但是也有一些方面和人类差距还非常大。例如进行计算，人类早已没法和机器PK，电脑的学名正是计算机，用来计算的机器，计算能力非常强大，计算速度非常快。但是有些方面的任务，比如操作灵活性，机器人还和人类有一定的差距；还有理解能力，机器在很多场景还都无法理解人类的意图，仍需要不断发展。
机器学习：研究计算机怎样模拟或实现人类的学习行为。机器学习的范围要窄一些，是一个具体的交叉学科，算法也非常多：随机森林、决策树、朴素贝叶斯分类、SVM（Support Vector Machine, 支持向量机）等等。机器学习很早就有很多相关研究，现在也仍然在有些问题上使用。跟机器学习特别相关的一个学科是特征工程，一般在应用上面列的这些机器学习算法之前，需要针对特定问题的数据提取特征。业界有这个说法：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。
深度学习：神经网络为代表很“深”的机器学习。这个解释是我个人给出的，仅供参考~深度学习，首先要很“深”。当然不是说这个技术里面水很深，而是这个技术本身就深J。深度学习的基础是神经网络，而神经网络往往层数越深，效果越好。在ImageNet竞赛中，从最初8层的AlexNet，Top5分类错误率为16.4%；到后来19层的VGG，Top5分类错误率为7.3%；再到152层的ResNet，Top5分类错误率为3.57%，趋势非常明显。
构成深度学习的神经网络也在不断发展，从最初的CNN（Convolution Neural Network，卷积神经网络），RNN（Recurrent Neural Network，循环神经网络），到现在的各种变体，如使用AutoML搜索出的AmoebaNet，Google发明的Transformer结构等等，本质还是各种不同的参数和连接，通过训练优化得到好的模型。深度学习现在很火，甚至可以说人工智能火就是被深度学习带火的，其原因还是效果好。深度学习大大提升了人脸识别、语音识别这些任务的准确率，使得很多之前不可能的应用成为可能，这是通用人工智能的必经之路，当然也是未来的方向。
相关文章
附：图灵测试
图灵测试是指人和机器一起回答问题（可以是一连串的问题，并且不限定问题的类型），如果提问人无法区分哪个回答是机器给出的，哪个回答是人类给出的，那么这个机器就通过了图灵测试。
例如，提问者可以这样问：
问：你会下象棋吗？
答：是的。
问：你会下象棋吗？
答：是的。
问：请再次回答，你会下国际象棋吗？
答：是的。
这个回答很可能来自机器，因为只会固定规则的匹配。
但如果对话是这样的：
问：你会下象棋吗？
答：是的。
问：你会下象棋吗？
答：是的，你刚不是问过了吗？
问：请再次回答，你会下国际象棋吗？
答：我了个去，你才是机器人吧。
这个回答很可能来自于人。
当然，对于这种简单的循环提问，可以编程应付，但提问者可以发挥聪明才智，让机器防不胜防，所以想通过图灵测试还是非常困难的。像现在的微软小冰（本来想放一段和小冰的对话，结果微信显示小冰帐号被停用，屏蔽所有内容…只能放一段几个月之前的对话了），不难看出，聊天还是让人感觉非常生硬。
ImageNet竞赛介绍
ImageNet是一个有着1400多万张图片，2万多个类别的数据集。但ImageNet竞赛和现在网络上广为流传的数据集由126万张图片（训练集），1000个分类组成。竞赛的指标一般看Top5分类准确率，是指每张图片，模型输出5个类别选项，如果其中包含正确的类别，则记该图片分类正确。
公众号持续更新，欢迎订阅。
AI人工智能与大数据
本文分享自微信公众号 - AI人工智能与大数据（ai_data_tech）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
来源：oschina
链接：https://my.oschina.net/u/4579795/blog/4406876