人工神经网络 人工智能,人工智能神经网络技术

网上说的深度学习，人工智能具体是什么东西呢？

。

深度学习：将“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务或者理解为“表示学习”“特征学习”人工智能：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学(类似于机器人一样)。

谷歌人工智能写作项目：神经网络伪原创

人工智能、机器学习和深度学习的区别？

现在也是随着互联网的发展和壮大，人工智能的已经得到非常广泛的作用，还有就是人工智能的机器学习和深度学习已经吸引非常多的人前来学习，还有就是他的发展趋势还是非常的不错的AI发猫。

人工智能从广义上讲，人工智能描述一种机器与周围世界交互的各种方式。通过先进的、像人类一样的智能——软件和硬件结合的结果——一台人工智能机器或设备就可以模仿人类的行为或像人一样执行任务。

机器学习机器学习是人工智能的一种途径或子集，它强调“学习”而不是计算机程序。一台机器使用复杂的算法来分析大量的数据，识别数据中的模式，并做出一个预测——不需要人在机器的软件中编写特定的指令。

在错误地将奶油泡芙当成橙子之后，系统的模式识别会随着时间的推移而不断改进，因为它会像人一样从错误中吸取教训并纠正自己。深度学习深度学习是机器学习的一个子集，推动计算机智能取得长足进步。

它用大量的数据和计算能力来模拟深度神经网络。从本质上说，这些网络模仿人类大脑的连通性，对数据集进行分类，并发现它们之间的相关性。如果有新学习的知识(无需人工干预)，机器就可以将其见解应用于其他数据集。

机器处理的数据越多，它的预测就越准确。总结：人工智能是一类非常广泛的问题，机器学习是解决这类问题的一个重要手段。深度学习则是机器学习的一个分支。

在很多人工智能问题上，深度学习的方法突破了传统机器学习方法的瓶颈，推动了人工智能领域的发展。深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。

深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。

深度学习跟人工智能啥区别？

。

首先概念不同人工智能是一个最广泛的概念，人工智能的目的就是让计算机这台机器能够象人一样思考，而机器学习(MachineLearning)是人工智能的分支，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，使之不断改善自身的性能。

深度学习是一种机器学习的方法，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层（神经网络）对数据进行高层抽象的算法。

其次呢机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。

从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。

最后就是，机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。我们就用最简单的方法——同心圆，可视化地展现出它们三者的关系。

综上所述，深度学习源于人工智能、高于人工智能，将是人工智能未来的实现方式，同时大家可以关注一下中公教育最近联合中科院专家新推出的深度学习课程，8大模块、6大项目支持。

深度学习和人工智能是一个概念吗？

不能认为它们是等同的，但是它们之间是有联系的。

人工智能涵盖的范围最广人工智能包含机器学习、专家系统等领域深度学习只是机器学习中的一部分，机器学习包含回归、决策树、神经网络等多种算法，深度学习其实就是属于神经网络，“深度”的含义就是表示有很多隐藏层的神经网络因此，从涵盖范围比较的话，人工智能>机器学习>深度学习，深度学习仅仅是人工智能这个大领域中很小的一个分支。

人工智能，机器学习，神经网络，深度神经网络之间的关系是什么？

这些概念大家经常碰到，可能会有一些混淆，我这里解释下。            人工智能，顾名思义ArtificialIntelligence，缩写是大家熟知的AI。

是让计算机具备人类拥有的能力——感知、学习、记忆、推理、决策等。

细分的话，机器感知包括机器视觉、NLP，学习有模式识别、机器学习、增强学习、迁移学习等，记忆如知识表示，决策包括规划、数据挖掘、专家系统等。上述划分可能会有一定逻辑上的重叠，但更利于大家理解。

其中，机器学习（MachineLearning，ML）逐渐成为热门学科，主要目的是设计和分析一些学习算法，让计算机从数据中获得一些决策函数，从而可以帮助人们解决一些特定任务，提高效率。

它的研究领域涉及了概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。

神经网络，主要指人工神经网络（ArtificialNeuralNetwork，ANN），是机器学习算法中比较接近生物神经网络特性的数学模型。

通过模拟人类神经网络的结构和功能，由大量“神经元”构成了一个复杂的神经网络，模拟神经元的刺激和抑制的过程，最终完成复杂运算。

深度神经网络，大家可以理解为更加复杂的神经网络，随着深度学习的快速发展，它已经超越了传统的多层感知机神经网络，而拥有对空间结构进行处理（卷积神经网络）和时间序列进行处理（递归神经网络）的能力。

所以上面的四种概念中，人工智能是最宽泛的概念，机器学习是其中最重要的学科，神经网络是机器学习的一种方式，而深度神经网络是神经网络的加强版。记住这个即可。

深度学习和人工智能是什么关系？

其实深度学习、人工智能和机器学习一般都捆绑出现，通常大家也是痛不清楚这三者的关系，既然题主已经问了其中两个了，我这边就顺便把3个都说一说吧。

随着技术越来越发达，人工智能、机器学习、深度学习等名词越来越频繁地出现在我们视野中。但事实是，绝大多数人可能还不清楚人工智能、机器学习、深度学习是什么，三者之间有什么区别。今天我们就来看一下这个问题。

人工智能人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

机器学习机器学习是人工智能的核心，是使计算机拥有智能的根本途径。人通过学习变得越来越聪明，机器也能通过学习模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

这其中涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习能在学习的过程中通过经验和以往的数据，改善具体算法的性能。

深度学习深度学习(DeepLearning)是机器学习领域中一个新的研究方向，是用于建立、模拟人脑进行分析学习的神经网络，并模仿人脑的机制来解释数据的一种机器学习技术。

它的基本特点是试图模仿大脑的神经元之间传递，处理信息的模式。最显著的应用是计算机视觉(CV)和自然语言处理(NLP)领域。相比于机器学习更强大，学习速度更快，带来的结果也更加准确可靠。

深度学习从统计学的角度来说，就是在预测数据的分布，从数据中学得一个模型然后再通过这个模型去预测新的数据。深度学习需要大量的模型和数据去训练，目前在语音和图像识别方面取得的效果很不错。

三者的关系与区别机器学习是人工智能的实现方法，深度学习是机器学习的其中一种，深度学习比机器学习需要的数据和运算量更大，所以效果相对更好。人工智能包含了机器学习，机器学习包含了深度学习。

深度学习对人工智能有什么意义？

人工智能是一个引入瞩目的领域，包括各种技术和方法，近年其中最受瞩目当属深度学习技术了。

深度学习是一种基于人工神经网络的机器学习方法，自从它在2012年的ImageNet识别大赛上折桂，碾压传统的视觉算法后，深度学习方法深受学术界和工业界追捧，其发展趋势如滔滔江水绵延不绝又如黄河泛滥一发而不可收，成为人工智能的最受关注的子领域。

深度学习的另一成名之作是谷歌旗下的DeepMind公司研发的围棋AI程序AlphaGo，首次达到人类职业水准。

2016年AlphaGo与世界冠军李世石下五番棋，并以4:1的比分战胜这位围棋界传奇人物，轰动世界。次年5月在乌镇围棋峰会上AlphaGo又以3:0战胜世界冠军柯洁。

诸多领域借助深度学习技术取得了突破，可以说深度学习技术改变了世界。

何为人工智能、机器学习和深度学习？三者间的关系又是如何？

随着计算机的快速发展，人工智能越来越火。我们每个人都时不时的听到人工智能，但是人工智能到底是什么？它和机器学习和深度学习到底是什么关系？

一、人工智能（ArtificialIntelligence）人工智能（ArtificialIntelligence），英文缩写为AI。是计算机科学的一个分支。

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是一个系统，它可以在系统内部运行，使机器具有执行任务的逻辑能力。人工智能，旨在创造出能像人类一样工作和反应的智能机器。

二、机器学习（machinelearning）——一种实现人工智能的方法机器学习（machinelearning），机器学习可以被定义为人工智能的一个分支或人工智能的具体应用。

在机器学习中，机器具有独立学习的能力，不需要显式编程。这可以让应用程序根据实时场景中的数据进行自我调整。机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。

与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

三、深度学习（deeplearning）——一种实现机器学习的技术一种基于神经网络的学习方法。深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。

为了更好理解，笔者画了下图来表述它们之间关系。人工智能包括了机器学习和深度学习，机器学习包括了深度学习，他们是子类和父类的关系。

究竟什么是机器学习 深度学习和人工智能

目前，业界有一种错误的较为普遍的意识，即“深度学习最终可能会淘汰掉其他所有机器学习算法”。

这种意识的产生主要是因为，当下深度学习在计算机视觉、自然语言处理领域的应用远超过传统的机器学习方法，并且媒体对深度学习进行了大肆夸大的报道。

深度学习，作为目前最热的机器学习方法，但并不意味着是机器学习的终点。

起码目前存在以下问题：1.深度学习模型需要大量的训练数据，才能展现出神奇的效果，但现实生活中往往会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法就可以处理；2.有些领域，采用传统的简单的机器学习方法，可以很好地解决了，没必要非得用复杂的深度学习方法；3.深度学习的思想，来源于人脑的启发，但绝不是人脑的模拟，举个例子，给一个三四岁的小孩看一辆自行车之后，再见到哪怕外观完全不同的自行车，小孩也十有八九能做出那是一辆自行车的判断，也就是说，人类的学习过程往往不需要大规模的训练数据，而现在的深度学习方法显然不是对人脑的模拟。

深度学习大佬YoshuaBengio在Quora上回答一个类似的问题时，有一段话讲得特别好，这里引用一下，以回答上述问题：ScienceisNOTabattle,itisacollaboration.Weallbuildoneachother'sideas.Scienceisanactoflove,notwar.Loveforthebeautyintheworldthatsurroundsusandlovetoshareandbuildsomethingtogether.Thatmakesscienceahighlysatisfyingactivity,emotionallyspeaking!这段话的大致意思是，科学不是战争而是合作，任何学科的发展从来都不是一条路走到黑，而是同行之间互相学习、互相借鉴、博采众长、相得益彰，站在巨人的肩膀上不断前行。

机器学习的研究也是一样，你死我活那是邪教，开放包容才是正道。结合机器学习2000年以来的发展，再来看Bengio的这段话，深有感触。

进入21世纪，纵观机器学习发展历程，研究热点可以简单总结为2000-2006年的流形学习、2006年-2011年的稀疏学习、2012年至今的深度学习。未来哪种机器学习算法会成为热点呢？

深度学习三大巨头之一吴恩达曾表示，“在继深度学习之后，迁移学习将引领下一波机器学习技术”。但最终机器学习的下一个热点是什么，谁又能说得准呢。

编辑于2017-12-2729918条评论分享收藏感谢收起阿里云云栖社区用户标识1已认证的官方帐号39人赞同了该回答人工智能并不是一个新的术语，它已经有几十年的历史了，大约从80年代初开始，计算机科学家们开始设计可以学习和模仿人类行为的算法。

在算法方面，最重要的算法是神经网络，由于过拟合而不是很成功（模型太强大，但数据不足）。尽管如此，在一些更具体的任务中，使用数据来适应功能的想法已经取得了显着的成功，并且这也构成了当今机器学习的基础。

在模仿方面，人工智能专注于图像识别，语音识别和自然语言处理。人工智能专家们花费了大量的时间来创建诸如边缘检测，颜色配置文件，N-gram，语法树等。不过，这些进步还不足以达到我们的需求。

传统的机器学习：机器学习（ML）技术在预测中发挥了重要的作用，ML经历了多代的发展，形成了具有丰富的模型结构，例如：1.线性回归。2.逻辑回归。3.决策树。4.支持向量机。5.贝叶斯模型。

6.正则化模型。7.模型集成（ensemble）。8.神经网络。这些预测模型中的每一个都基于特定的算法结构，参数都是可调的。

训练预测模型涉及以下步骤：1. 选择一个模型结构（例如逻辑回归，随机森林等）。2. 用训练数据（输入和输出）输入模型。3. 学习算法将输出最优模型（即具有使训练错误最小化的特定参数的模型）。

每种模式都有自己的特点，在一些任务中表现不错，但在其他方面表现不佳。但总的来说，我们可以把它们分成低功耗（简单）模型和高功耗（复杂）模型。选择不同的模型是一个非常棘手的问题。

由于以下原因，使用低功率/简单模型是优于使用高功率/复杂模型：在我们拥有强大的处理能力之前，训练高功率模型将需要很长的时间。

在我们拥有大量数据之前，训练高功率模型会导致过度拟合问题（因为高功率模型具有丰富的参数并且可以适应广泛的数据形状，所以我们最终可能训练一个适合于特定到当前的训练数据，而不是推广到足以对未来的数据做好预测）。

然而，选择一个低功率的模型会遇到所谓的“欠拟合”的问题，模型结构太简单，如果它复杂，就无法适应训练数据。

（想象一下，基础数据有一个二次方关系：y=5*x^2;你无法适应线性回归：y=a*x+b，不管我们选择什么样的a和b。

为了缓解“不适合的问题”，数据科学家通常会运用他们的“领域知识”来提出“输入特征”，这与输出关系更为直接。

（例如，返回二次关系y=5*square（x），如果创建了一个特征z=x^2，则可以拟合线性回归：y=a*z+b，通过选择a=5和b=0）。

机器学习的主要障碍是特征工程这个步骤，这需要领域专家在进入训练过程之前就要找到非常重要的特征。特征工程步骤是要靠手动完成的，而且需要大量领域专业知识，因此它成为当今大多数机器学习任务的主要瓶颈。

换句话说，如果我们没有足够的处理能力和足够的数据，那么我们必须使用低功耗/更简单的模型，这就需要我们花费大量的时间和精力来创建合适的输入特征。这是大多数数据科学家今天花时间去做的地方。

神经网络的回归：在大数据时代，云计算和大规模并行处理基础架构的共同发展，使得机器处理能力在二十一世纪初得到了极大的提升。我们不再局限于低功耗/简单的模型。

例如，当今最流行的两种主流机器学习模型是随机森林和梯度提升树。尽管如此，两者都非常强大，并且提供了非线性模型拟合的训练数据，但数据科学家仍然需要仔细地创建特征以获得良好的性能。

与此同时，计算机科学家重新使用神经网络的许多层来完成这些人类模仿的任务。这给DNN（深度神经网络）带来了新的生机，并在图像分类和语音识别任务方面提供了重大突破。

DNN的主要区别在于，你可以将原始信号（例如RGB像素值）直接输入DNN，而不需要创建任何域特定的输入功能。

通过多层神经元（这就是为什么它被称为“深度”神经网络），DNN可以“自动”通过每一层产生适当的特征，最后提供一个非常好的预测。这极大地消除了寻找“特征工程”的麻烦，这是数据科学家们最喜欢看到的。

DNN也演变成许多不同的网络拓扑结构，所以有CNN（卷积神经网络），RNN（递归神经网络），LSTM（长期短期记忆），GAN（生成敌对网络），转移学习，注意模型（attentionmodel）所有的这些被统称为深度学习（DeepLearning），它正在引起整个机器学习界的关注。

强化学习：另一个关键组成部分是关于如何模仿一个人（或动物）的学习，设想感知/行为/奖励循环的非常自然的动物行为。一个人或者一个动物首先会通过感知他或者她所处的状态来了解环境。

在此基础上，他或者她会选择一个“动作”，将他或者她带到另一个“状态”。那么他或她将获得“奖励”，循环重复，直到他或她消失。这种学习方式（称为强化学习）与传统监督机器学习的曲线拟合方法有很大不同。

尤其是，强化学习学习得非常快，因为每一个新的反馈（例如执行一个行动并获得奖励）都被立即发送到影响随后的决定。

强化学习也提供了预测和优化的平滑整合，因为它在采取不同的行动时保持当前状态的信念和可能的转换概率，然后做出决定哪些行动可以导致最佳结果。

深度学习+强化学习=AI与经典的ML技术相比，DL提供了一个更强大的预测模型，通常可以产生良好的预测结果。与经典优化模型相比，强化学习提供了更快的学习机制，并且更适应环境的变化。

机器学习vs深度学习在深度探讨machinelearning和datascience的联系之前，这里简要地讨论一下machinelearning和deeplearning。

machinelearning是一套算法，来训练数据集做预测或者采取行动以使得系统最优化。

举例来说，supervisedclassificationalgorithms被用来根据历史数据将想要贷款的客户分成预期好的和预期差的(goodorbadprospects)。

对于给定的任务(比如监督聚类)，需要的技术多种多样：naiveBayes、SVM、neuralnets、ensembles、associationrules、decisiontrees、logisticregression，或者是很多技术的组合。

所有这些都是数据科学的子集。当这些算法自动化后，比如无人驾驶飞机或者无人驾驶汽车，这就叫AI了，或者说的具体一点，deeplearning。

如果采集的数据来自传感器并且通过互联网传播，那么这就是机器学习或数据科学或深度学习应用于物联网了。有些人对深度学习有不同的定义，他们认为深度学习是更深层次的神经网络(一种机器学习的技术)。

AI(ArtificialIntelligence)是创建于20世纪60年代的计算机科学的一个子领域，是关于解决那些对人类来讲非常容易但是对计算机而言很难的任务。

值得一提的是，所谓的strongAI可能可以做所有人类可以做的事情(可能除了纯粹的物理问题)。

这是相当广泛的，包括各种各样的事情，比如做计划，在世界上到处溜达，识别物体和声音，说话，翻译，社交或者商业交易，还有创造性工作(比如写诗画画)等等。

NLP(Naturallanguageprocessing)只是AI要处理的语言部分，尤其是写。

Machinelearning是这样的一种情况：给出一些可以被以离散形式描述的AI问题(比如从一系列动作中选出对的那个)，然后给定一堆外部世界的信息，在不需要程序员手动写程序的情况下选出那个“正确的”行为。

通常情况需要借助外界的一些过程来判断这个动作对不对。在数学上，这就是函数：你给一些输入，然后你想要他处理一下得到正确的输出，所以整个问题就简化为用一些自动的方式建立这种数学函数模型。

和AI区分一下：如果我写了一段特别机智的程序有着人类的行为，那这就可以是AI，但是除非它的参量都是自动从数据中学会的，否则就不是机器学习。Deeplearning是当下非常流行的机器学习的一种。

它包含一种特殊的数学模型，可以想成是一种特定类型的简单块的组合(或者说是块的功能的组合)，这些块可以进行调整来更好的预测最终结果。

人工智能，机器学习和深度学习的区别是什么

为了搞清三者关系，我们来看一张图：如图所示：人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习。

从低潮到繁荣自从1956年计算机科学家们在达特茅斯会议（DartmouthConferences）上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究人员也在不遗余力地研究。

在此后的几十年间，人工智能先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。但是在过去几年中，人工智能出现了爆炸式的发展，尤其是2015年之后。

大部分原因，要归功于图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大。

另外，人工智能的发展还得益于几乎无限的存储空间和海量数据的出现（大数据运动）：图像、文本、交易数据、地图数据，应有尽有。下面我们从发展的历程中来一一展开对人工智能、机器学习和深度学习的深度学习。

人工智能人工智能先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器。

这就是我们所说的“通用人工智能”（GeneralAI）概念，拥有人类五感（甚至更多）、推理能力以及人类思维方式的神奇机器。

在电影中我们已经看过无数这样的机器人，对人类友好的C-3PO，以及人类的敌人终结者。通用人工智能机器至今只存在于电影和科幻小说里，理由很简单：我们还实现不了，至少目前为止。

我们力所能及的，算是“弱人工智能”（NarrowAI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱人工智能的例子。这些技术有人类智能的一面。但是它们是如何做到的？智能来自哪里？

这就涉及到下一个同心圆：机器学习。机器学习机器学习是实现人工智能的一种方法。机器学习的概念来自早期的人工智能研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。

简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测。与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务。

许多年来，计算机视觉一直是机器学习最佳的领用领域之一，尽管还需要大量的手动编码才能完成任务。

研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器。

在这些手动编写的分类器的基础上，他们再开发用于理解图像的算法，并学习如何判断是否有停止标志。但是由于计算机视觉和图像检测技术的滞后，经常容易出错。深度学习深度学习是实现机器学习的一种技术。

早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。

但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。

在第一层中做初步计算，然后神经元将数据传至第二层。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果。每个神经元都会给其输入指定一个权重：相对于执行的任务该神经元的正确和错误程度。

最终的输出由这些权重共同决定。因此，我们再来看看上面提到的停止标志示例。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动。

神经网络的任务是判断这是否是一个停止标志。它将给出一个“概率向量”（probabilityvector），这其实是基于权重做出的猜测结果。

在本文的示例中，系统可能会有86%的把握认定图像是一个停止标志，7%的把握认为是一个限速标志，等等。网络架构然后会告知神经网络其判断是否正确。

不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法。

不过，以多伦多大学GeoffreyHinton教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用。

如果我们回到停止标志那个例子，很有可能神经网络受训练的影响，会经常给出错误的答案。这说明还需要不断的训练。

它需要成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案。

不过值得庆幸的是Facebook利用神经网络记住了你母亲的面孔；吴恩达2012年在谷歌实现了可以识别猫的神经网络。

如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。谷歌的AlphaGo学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛。

总结人工智能的根本在于智能，而机器学习则是部署支持人工智能的计算方法。简单的将，人工智能是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了人工智能。

本文作者MichaelCopeland曾是WIRED编辑，现在是硅谷知名投资机构AndreessenHorowitz的合伙人。