人工智慧Artificial Intelligence（AI）、機器學習Machine Learning（ML）和深度學習Deep Learning（DL）通常可以互換使用。但是，它們並不完全相同。人工智慧是最廣泛的概念，它賦予機器模仿人類行為的能力。機器學習是將人工智慧應用到系統或機器中，幫助其自我學習和不斷改進。最後，深度學習使用複雜的演算法和深度神經網路來重複訓練特定的模型或模式。
讓我們看看每個術語的演變和歷程，以便更好地理解人工智慧、機器學習和深度學習實際指的是什麼。
自過去 70 多年來，人工智慧已經取得了長足的進步。無論我們是否知道，也不管喜歡與否，，它已經滲透到了我們生活的各個層面。在過去十年中，機器學習和深度學習的進步已經在各種規模的行業和組織中創造了人工智慧熱潮。雲端服務供應商透過開發免費的開源服務和提供新的場景進一步推動的這種勢頭。
Figure 1: Overview of AI, ML and DL
人工智慧可能是自1956 年以來最受關注的概念。到 2015 年，GPU 的廣泛使用使平行處理更快、更強大、更便宜。而愈加廉價的儲存可以大規模地儲存大數據（從純文字到圖像、映射等）。這產生了對數據分析的需求，它被更普遍地稱為數據科學data science，導致機器學習發展為實現人工智慧的方法。
機器學習是使用演算法來處理、學習和理解或預測可用資料的模式。最近，軟體開發的低程式碼和無程式碼概念被用作機器學習中的自學習過程，它給出了完成特定任務的特定指令。透過使用數據和演算法對機器進行“訓練”，使其能夠學習如何執行任務，更重要的是，將學習應用到不斷發展的過程中。
Figure 2: Evolution of AI, ML and DL
機器學習是在開發者社群專注於AI 時發展起來的，然後發展了演算法決策樹學習、邏輯程式設計、聚類、平行處理和強化學習。這些都是朝著正確方向邁出的良好一步，但不足以解決世界感興趣的場景。
深度學習是神經網路和機器學習的演化，是人工智慧社群的創意。它學習了人類思維在特定場景中的工作方式，然後在這項工作上比人類做得更好！例如，IBM 的 Watson 與自己下國際象棋，並在遊戲中取得了巨大進步，最終擊敗了世界冠軍。 Google的 AlphaGo 也學會如何玩圍棋遊戲，一遍又一遍地玩它以提升自己，並成為冠軍。
人工智慧、機器學習和深度學習正在不斷發展。參與數據科學的每個人都希望推進這些概念以改善我們的日常生活。而開源社群、私人企業、科學家和政府機構都在為此共同努力。
Figure 3: Types of AI, ML and DL
總而言之，雖然AI 有助於創建智慧機器，但機器學習有助於建構AI 驅動的應用。深度學習是機器學習的子集。它透過利用複雜演算法處理大量資料來訓練特定模型。由於狹義 AI 極難開發，機器學習正在透過剛性計算解決這一領域的機會。至少對於實現通用 AI，深度學習有助於將 AI 和機器學習結合在一起。
以上是人工智慧（AI）、機器學習（ML）和深度學習（DL）：有什麼區別？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
