人工智慧、機器學習和深度學習是什麼？

在本文章中，我們將會解釋人工智慧、機器學習和深度學習到底是什麼東西。大多數人很容易就會弄錯這些所謂的「流行語」的意思，並且經常將它們混為一談。那麼，它們到底是什麼？

我們來逐一分析這些名詞吧。

簡言之，自從人工智慧這個名詞被創造出來後，已經涵蓋了各種不同的方法；從以指令碼編程的簡單機器到自然語言生成，都算是人工智慧的應用。它甚至還能涉及到哲學問題，例如什麼東西能視為「智慧」和「思考」？當然，為了讓 AI 真的派得上用場，又不會像《魔鬼終結者》電影演的那麼可怕，人們已經學會著重在更適合的 AI 主題，例如機器學習和深度學習。

ML（機器學習）－取得更好結果的方法

機器學習是 AI 的次領域，主要是透過數學方式開發可執行特定工作的模型。這說法聽起來還是相當模糊，我們會舉例說明一下。

想像您手邊有一組資料，包含學生的學習時間與各自的考試成績。假設花費的學習時間與考試分數之間有某種關係，我們可以利用機器學習模型（結構通常包含一些數學函數）處理資料，然後試著朝特定方向調整參數，讓模型能夠產生最接近實際資料的結果。由於這項技術不仰賴人類使用硬式編碼將特定規則寫入模型，而是由模型（在有限功能範圍內）自行「搜尋」最佳參數，因此我們將這個過程視為「學習」。

機器學習可視為一種逼近法，所以只要提供更多資料，就能執行更加準確的預測。在過去數十年間，學者開發出多種機器學習模型；這些模型大致上可分成監督式學習與無監督式學習。

監督式學習是指根據標籤化的輸入資料進行學習的演算法。標籤化資料可視為模型的真值 (ground truth)；在學習階段中，模型旨在縮小預測結果與真值之間的差異。因此，可以說真值會在學習期間「監督」模型。我們大多將監督式學習用於迴歸問題和分類問題。

另一方面，無監督學習則是指使用無標籤資料進行訓練的模型。因為沒有一項可以作為標竿的真值，這種方法僅適用於為具有機率密度的輸入資料建立模型。儘管產生的結果準確性可能無法與監督式學習相提並論，但在資源不足、無法取得足夠標籤化資料的情況下，還是能產生有用的分析結果。分群 (clustering) 和降維 (dimensionality reduction) 都是無監督學習的經典應用。

若要進一步認識機器學習模型，可參考一下這篇文章，深入瞭解不同類型的 ML 模型。

深度學習－更加複雜的 ML（而且運算也多上許多）

深度學習是更進階的機器學習分支，同樣都是為了建立迴歸／分類模型，唯一的差異在於深度學習使用人工類神經網路，而非其他統計模型。因此，您也可以將 DL 視為 ML 的次領域。但為什麼它現在變得那麼熱門？

顧名思義，人工類神經網路是人工神經元構成的網路；而人工神經元則是一個數學單元，可在對輸入值進行簡單計算後，提供一些輸出值。它跟實際的神經細胞非常相似，因為後者的作用基本上大同小異：接收電子訊號並產生輸出。而人工類神經網路也在做相同的事：它接收資料值，讓網路中的所有神經元處理資料值，再輸出一些終值。由於這類網路需要很多層神經元（而且層層堆疊）才能運作，因此學者加了「深度」二字，強調其結構之複雜性。

有人可能會想，為什麼這麼簡單的神經元，在大量平行和成串組合在一起後，居然能集體造就出 AI 產業中最出色的應用。這其實不難想像，只要將它與「實際的」生物演化過程比較就行了。單細胞生物本身的機能相當有限，不過，隨著大自然將更多細胞組合在一起，構成多細胞生物，更加複雜的生命形態也隨之誕生。然後，無脊椎動物演化成脊椎動物，魚類演化成靈長類，穴居人演化成智人（亦即我們），不只建造金字塔，還能發射火箭上太空。如果您可以體認到一大群細胞的力量，大概就能瞭解為什麼深度學習如此強大。

當然，有好必定有壞。使用深度學習，必須提供大量資料，才足以訓練出能用的統計模型（這也是為什麼「大數據」一詞會隨著深度學習的興起而出現）。再來，若要處理所有資料，必須具有強大的硬體，方可進行數以萬計的運算迭代。即使如此，深度學習已經向我們展示它無與倫比的可能性。以 Facebook 和 Pinterest 為例，Pinterest 利用深度學習進行更好的影像分類，而 Facebook 則運用類似技術，在使用者上傳相片時進行臉部辨識。（好比上傳照片時，Facebook常在您還沒tag好友之前就能自動顯示小方塊指出您的好友。）

除了社群媒體外，深度學習也同時支援我們日常生活中使用的工具，例如 Siri、Gmail（垃圾郵件偵測）、自動駕駛車等。工程師將深度學習視為 AI 的未來，因為它為 ML 的實際應用帶來接近無限的可能性。

總結

簡單來說，DL 包含在 ML 中，而 ML 又包含在 AI 領域中。多虧了深度學習，我們的生活才能變得更加便利。若要將 AI 實際運用在個人事業上，維持自己的競爭力，CloudMile 能透過「 AI 服務 」提供支援，透過完整端對端 AI 解決方案可無縫整合至您的事業。立即致電 02-2757-6077，由 CloudMile AI 專業顧問為您服務。

AI（人工智慧）－模仿生物的機器

當 Alan Turing（艾倫．圖靈）在 1940 年代率先提出電腦的概念時，機器只要能夠進行數學計算就可被視為具備人工智慧。隨著科技演進，AI 成為更加複雜的領域，泛指模仿動物或人類行為的機器或應用程式。儘管最近數十年來，人們對於 AI 的定義更加偏重在強調具備人類認知功能（例如「學習」階段和問題解決能力），教科書其實仍舊納入許多借用生物學概念的演算法（如：群體智慧、基因演算法）。