AI vs. 機器學習 vs. 深度學習
作者：Irene Yu （skiplevel.co）
圖靈學院編譯/2024年8月23日
AI vs. 機器學習 vs. 深度學習
回顧 2016 年 3 月，DeepMind 開發的 AI 系統 AlphaGo 擊敗了世界圍棋冠軍Lee Sedol。這是一個相當重要的里程碑，因為圍棋是一個極其複雜的棋類遊戲，比國際象棋更為精密，其可能的走法甚至超過宇宙中的原子數量。這確實令人驚嘆。
AlphaGo 的勝利是 AI 的一個重大時刻，受到了大量媒體的關注。人們使用了諸如 AI（人工智慧）、機器學習和深度學習等流行語來描述 AlphaGo 如何實現這一壯舉。我們中的大多數人在當時並不真正理解這些詞彙，說實話，現在大多數人依然不懂。
自從 AlphaGo 的勝利，尤其是自 2022 年 11 月 ChatGPT 推出以來，AI 已經成為我們許多人日常生活的一部分。事實上，AI 在未來可能扮演更重要的角色。這使得我們更加需要準確理解這些流行語的含義。
首先，我們需要區分 AI、機器學習和深度學習。你可以將這三者視為彼此的子集：深度學習是機器學習的一個子集，而機器學習則是 AI 的一個子集。
一個不錯的類比是將 AI 想像成包括所有交通工具在內的運輸系統（例如汽車、火車、自行車）。機器學習就像是汽車，而深度學習則是電動汽車。
人工智慧作為更廣泛的概念
AI 是人工智慧（Artificial Intelligence）的縮寫，是一個涵蓋所有能夠模擬或模仿通常需要人類智慧來完成的認知任務（如視覺感知、語音識別、決策制定和語言翻譯）的技術的總稱。
例如，語言翻譯傳統上需要具有理解來源語言的上下文和細微差別的專業人類譯者來完成，但現在可以由像 Google 翻譯這樣的 AI 高效地完成。
實際上，AI 的概念已經存在數十年，其早期理論和實驗可以追溯到20世紀中期。自電腦誕生以來，所有的電腦在某種程度上都具有某種程度的人工智慧，例如進行數學計算，這些以前只能由人類完成的簡單運算。然而，計算機的速度、能力和性能在過去幾十年中已經實現了量子飛躍，現在能夠執行許多先進的認知任務，這有可能改變當今社會的各個方面。
簡而言之：機器學習
機器學習（ML）是人工智慧的子集，它開發了能夠通過從大量結構化或標記過的數據集中學習來識別數據和模式的程序，最常見的應用是圖像識別。
例如，機器學習模型可以被訓練來識別圖片中是否有狗。這些模型通過被餵以數百萬張標註為包含狗的圖片來學習，最終這些模型開始識別模式，並確定圖片中是否有狗。
機器學習（ML） vs. 深度學習（DL）
ML 和 DL 都專注於開發能夠識別數據和模式的程序，但它們在處理數據和提取與識別特徵的方式上有所不同。
在傳統的機器學習中，人類手動識別特徵並標註數據，然後將其輸入到機器學習模型中。從那裡開始，機器學習模型依賴於像決策樹這樣的簡單算法來學習識別模式。深度學習模型則不同，因為它們設計來模仿人類大腦處理信息的方式，使用稱為“深度神經網絡”的人工神經網絡，這些網絡不需要人類手動進行特徵提取。
讓我們以之前的例子來看，識別圖片中是否有狗。在訓練機器學習模型時，人類會輸入標註為“有狗”和“沒有狗”的圖片，並給予識別車輛特徵，如顏色、邊緣、形狀等，這個過程被稱為“特徵提取”。在深度學習模型中，仍然需要一個大的標註圖片數據集，但特徵提取的過程是由深度神經網絡自動處理的。
演算法(Algorithm)
機器學習——決策樹、支持向量機、k 最近鄰居算法
深度學習——深度神經網絡
特徵提取(Feature Extraction)
機器學習——由人類手動完成
深度學習——由演算法自動完成
數據集和計算資源(Datasets & computational resources)
機器學習——需要較少的數據集和計算資源
深度學習——由於神經網絡的複雜性，需要更多的數據集和更高的計算資源
實際應用
1. 機器學習（ML）應用
- 電子郵件垃圾過濾（例如，使用經過標註數據訓練的算法自動檢測和過濾垃圾郵件）
- 客戶服務聊天機器人（例如，基於學到的模式提供自動化的客戶查詢回應）
- 語音識別（例如，在 Google Voice 等應用中將語音轉錄為文本）
- 信用評分（例如，通過預測模型評估貸款申請人的信用）
2. 深度學習（DL）應用
- 圖像識別（例如，識別照片和視頻中的物體、面孔和場景）
- 自然語言處理（NLP）（例如，Google 翻譯）
- 自動駕駛（例如，特斯拉，Cruise）
- 語音助手（例如，Alexa，Siri）
3. 人工智慧（AI）應用
涵蓋了上述所有的機器學習和深度學習應用，以及其他所有以前需要人類智慧的任務，包括：
- 基於規則的聊天機器人：簡單的 AI 聊天機器人，基於預定義的規則和決策樹運行，而不是從數據中學習。
- 自動化決策系統：在法律或行政環境中應用規則和法規的 AI 系統，而不是從數據中學習（例如，稅務準備軟件）。
- 遊戲 AI：在視頻遊戲中用於控制非玩家角色（NPC）的非學習型 AI，使用腳本化的行為和預定義的規則。
本篇原文刊登於2024年5月的《Skiplevel: Tech for Product Managers》電子報
