隨著互聯(lián)網(wǎng)進(jìn)入下半場(chǎng)，互聯(lián)網(wǎng)的發(fā)展從野蠻式生長(zhǎng)變?yōu)榫?xì)化生長(zhǎng)，它的運(yùn)營(yíng)模式從人工指定變?yōu)橹悄芡扑]，這背后無(wú)疑就是人工智能。說(shuō)起人工智能，我們常常會(huì)聽到諸如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)等名詞，那么這些名詞分別是什么意思？彼此之間又有什么關(guān)系呢？

人工智能，即AI（ArtificialIntelligence），是通過研究來(lái)使得計(jì)算機(jī)可以模擬人的思維過程、智能行為（比如思考、學(xué)習(xí)、推理）的科學(xué)，它包含軟硬件領(lǐng)域，涉及計(jì)算機(jī)科學(xué)、心理學(xué)、語(yǔ)言學(xué)、哲學(xué)，，我們熟知的智能硬件、智能推薦、機(jī)器學(xué)習(xí)、自然語(yǔ)言、語(yǔ)音識(shí)別都是屬于人工智能的一部分，因?yàn)樗袚?dān)了人類的思考工作、簡(jiǎn)化了人類的思考。

機(jī)器學(xué)習(xí)，即ML（MachineLearning），是實(shí)現(xiàn)人工智能的一種方式，是基于已有數(shù)據(jù)、經(jīng)驗(yàn)來(lái)進(jìn)行自動(dòng)識(shí)別的科學(xué)。傳統(tǒng)軟件思考決策的方式是，產(chǎn)品經(jīng)理根據(jù)用戶存在的場(chǎng)景，思考解決方案，設(shè)計(jì)操作路徑，程序員根據(jù)產(chǎn)品原型圖進(jìn)行開發(fā)上線，用戶再根據(jù)產(chǎn)品所引導(dǎo)的使用路徑進(jìn)行使用，所有的可能都在程序設(shè)計(jì)的時(shí)候定義清楚了。在機(jī)器學(xué)習(xí)中就不是這樣的路徑，機(jī)器程序代替產(chǎn)品經(jīng)理的工作，根據(jù)大量的數(shù)據(jù)來(lái)訓(xùn)練學(xué)習(xí)出可能的場(chǎng)景、解決方案、操作路徑，讓用戶基于學(xué)習(xí)的內(nèi)容做決策。

有監(jiān)督學(xué)習(xí)，即SL（SupervisedLearning），是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種方式，是基于給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)模型，當(dāng)新的數(shù)據(jù)到來(lái)時(shí)，按照這個(gè)模型預(yù)測(cè)結(jié)果即可。這是一種比較簡(jiǎn)單的機(jī)器學(xué)習(xí)的模式，相比傳統(tǒng)軟件模式，它通過統(tǒng)計(jì)學(xué)、概率學(xué)、回歸分析的方式讓數(shù)據(jù)變得更加可靠，可以說(shuō)實(shí)現(xiàn)了人工智能的一小步。

無(wú)監(jiān)督學(xué)習(xí)，即USL（UnsupervisedLearning），也是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種方式，是基于數(shù)據(jù)之間的相似性進(jìn)行聚類分析學(xué)習(xí)，發(fā)現(xiàn)相似的內(nèi)容。它是有監(jiān)督學(xué)習(xí)的補(bǔ)充，因?yàn)樵诂F(xiàn)實(shí)生活中，很多數(shù)據(jù)我們是沒有辦法事先想到的、事先進(jìn)行分類的，通過無(wú)監(jiān)督學(xué)習(xí)，即使是事先不知道的數(shù)據(jù)類型，也可以通過訓(xùn)練挖掘它們之間的關(guān)系，輔助人類進(jìn)行決策，可以說(shuō)是讓人工智能又向前邁進(jìn)了一步。

深度學(xué)習(xí)，即DL（DeepLearning），更是機(jī)器學(xué)習(xí)的一種方式，它建立模擬人腦進(jìn)行分析學(xué)習(xí)的方式，在獲取到數(shù)據(jù)時(shí)像人腦思考一樣的進(jìn)行訓(xùn)練，獲取結(jié)果。那么人是如何進(jìn)行思考的呢？在人的大腦內(nèi)有無(wú)數(shù)的神經(jīng)元，它們將獲取到的信息不斷的進(jìn)行分層、抽象，最后獲取結(jié)果。深度學(xué)習(xí)的模式就是人類思考模式的映射，它通過多層處理，將初始獲得的低層特征逐步的轉(zhuǎn)化為高層特征，再通過學(xué)習(xí)、調(diào)優(yōu)，建立起輸入與輸出的關(guān)系，盡可能的接近現(xiàn)實(shí)關(guān)聯(lián)決策關(guān)系。

我們以如何判斷一個(gè)動(dòng)物是一只貓為例。在人類的思考中，通過從出生到成長(zhǎng)的外界教導(dǎo)學(xué)習(xí)，我們看到形狀就能判定這是一只貓還是一只狗了；在有監(jiān)督學(xué)習(xí)中，通過輸入貓的體重、大小、顏色、毛色、四肢等特征，判斷該特征與貓這種模型的匹配度，根據(jù)匹配度大概判斷是否是貓；在無(wú)監(jiān)督學(xué)習(xí)中，我們依舊輸入貓的特征數(shù)據(jù)，除了有監(jiān)督學(xué)習(xí)中的數(shù)據(jù)外，還可以包含行走距離、行走速度、壽命、四肢長(zhǎng)度等數(shù)據(jù)，無(wú)監(jiān)督學(xué)習(xí)通過數(shù)據(jù)的相似性將數(shù)據(jù)集化為多個(gè)類別，再訓(xùn)練尋找類別與類別之間的關(guān)系，最后估計(jì)數(shù)據(jù)的內(nèi)在分布情況，做出推測(cè)；在深度學(xué)習(xí)中，我們?cè)黾訄D片、聲音、味道等數(shù)據(jù)，讓機(jī)器通過像人類一樣的思考，將身體內(nèi)在特征、外在特征一層層抽象，最終給出推測(cè)結(jié)果。

可以看到，對(duì)于同一個(gè)數(shù)據(jù)樣本集，每一種人工智能學(xué)習(xí)方式都是不一樣的，越簡(jiǎn)單越清晰的樣本使用越初級(jí)的學(xué)習(xí)方式越有效，而越復(fù)雜越模糊的樣本則使用越高級(jí)的學(xué)習(xí)方式才會(huì)越有效，這都是人工智能的方式，沒有好與不好，只有合適與不合適。

總的來(lái)說(shuō)，是人工智能包含了機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)包含了深度學(xué)習(xí)、有監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)，深度學(xué)習(xí)包含了卷積神經(jīng)網(wǎng)絡(luò)、深度信息網(wǎng)絡(luò)，每一種模式的最終目的都是實(shí)現(xiàn)人工智能。有的人會(huì)擔(dān)心有了人工智能，會(huì)面臨大量的失業(yè)問題，其實(shí)不會(huì)，人工智能只是人思考決策的輔助，它們擅長(zhǎng)從大量的數(shù)據(jù)中學(xué)習(xí)、記憶、定義問題，而人類擅長(zhǎng)于分析復(fù)雜的問題，簡(jiǎn)單情況就交由機(jī)器決策，復(fù)雜問題自己分析決策，二者不是取代與被取代的關(guān)系，而是相輔相成。