我們都熟悉“人工智能”這個(gè)詞。畢竟，它一直是《終結(jié)者》、《黑客帝國(guó)》和《機(jī)械姬》（我個(gè)人的最愛(ài)）等電影的熱門焦點(diǎn)。但是您最近可能聽(tīng)說(shuō)過(guò)其他術(shù)語(yǔ)，例如“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”，有時(shí)可以與人工智能互換使用。因此，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別可能非常不清楚。
我將首先快速解釋人工智能(AI)、機(jī)器學(xué)習(xí)(ML)和深度學(xué)習(xí)(DL)的實(shí)際含義以及它們的不同之處。然后，我將分享AI和物聯(lián)網(wǎng)如何密不可分地交織在一起，幾項(xiàng)技術(shù)進(jìn)步同時(shí)融合在一起，為AI和物聯(lián)網(wǎng)的爆發(fā)奠定了基礎(chǔ)。
那么AI、ML和DL之間有什么區(qū)別呢？
人工智能于1956年由約翰麥卡錫首次創(chuàng)造，它涉及可以執(zhí)行人類智能特征任務(wù)的機(jī)器。雖然這很籠統(tǒng)，但它包括計(jì)劃、理解語(yǔ)言、識(shí)別物體和聲音、學(xué)習(xí)和解決問(wèn)題等。
我們可以把人工智能分為兩類，一般的和狹義的。通用人工智能將具有人類智能的所有特征，包括上述能力。狹義人工智能展示了人類智能的某些方面，并且可以非常好地完成這方面的工作，但在其他領(lǐng)域則有所欠缺。一臺(tái)擅長(zhǎng)識(shí)別圖像但僅此而已的機(jī)器將是狹義人工智能的一個(gè)例子。
從本質(zhì)上講，機(jī)器學(xué)習(xí)只是實(shí)現(xiàn)人工智能的一種方式。
亞瑟·塞繆爾(Arthur Samuel)于1959年在人工智能出現(xiàn)后不久創(chuàng)造了這個(gè)短語(yǔ)，將其定義為“無(wú)需明確編程即可學(xué)習(xí)的能力”。你看，你可以在不使用機(jī)器學(xué)習(xí)的情況下獲得人工智能，但這需要構(gòu)建數(shù)百萬(wàn)行具有復(fù)雜規(guī)則和決策樹(shù)的代碼。
因此，機(jī)器學(xué)習(xí)不是使用特定指令來(lái)完成特定任務(wù)的硬編碼軟件例程，而是一種“訓(xùn)練”算法以便它可以學(xué)習(xí)如何學(xué)習(xí)的方式。“訓(xùn)練”涉及向算法提供大量數(shù)據(jù)，并允許算法進(jìn)行自我調(diào)整和改進(jìn)。
舉個(gè)例子，機(jī)器學(xué)習(xí)已被用于對(duì)計(jì)算機(jī)視覺(jué)（機(jī)器識(shí)別圖像或視頻中的對(duì)象的能力）進(jìn)行重大改進(jìn)。您收集了數(shù)十萬(wàn)甚至數(shù)百萬(wàn)張圖片，然后讓人類標(biāo)記它們。例如，人類可能會(huì)標(biāo)記有貓的圖片與沒(méi)有貓的圖片。然后，該算法嘗試構(gòu)建一個(gè)模型，該模型可以準(zhǔn)確地將圖片標(biāo)記為包含貓或不包含人類。一旦準(zhǔn)確率足夠高，機(jī)器現(xiàn)在就“學(xué)習(xí)”了一只貓的樣子。
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的眾多方法之一。其他方法包括決策樹(shù)學(xué)習(xí)、歸納邏輯編程、聚類、強(qiáng)化學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等。
深度學(xué)習(xí)的靈感來(lái)自大腦的結(jié)構(gòu)和功能，即許多神經(jīng)元的互連。人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬大腦生物結(jié)構(gòu)的算法。
在ANN中，存在具有離散層和與其他“神經(jīng)元”連接的“神經(jīng)元”。每層挑選一個(gè)特定的特征來(lái)學(xué)習(xí)，例如圖像識(shí)別中的曲線/邊緣。正是這種分層賦予了深度學(xué)習(xí)的名稱，深度是通過(guò)使用多個(gè)層而不是單個(gè)層來(lái)創(chuàng)建的。（來(lái)源：瀚云數(shù)字工廠）
人工智能和物聯(lián)網(wǎng)密不可分
我認(rèn)為人工智能和物聯(lián)網(wǎng)之間的關(guān)系就像人腦和身體之間的關(guān)系。
我們的身體收集感官輸入，例如視覺(jué)、聲音和觸覺(jué)。我們的大腦接受這些數(shù)據(jù)并理解它，將光轉(zhuǎn)化為可識(shí)別的物體，并將聲音轉(zhuǎn)化為可理解的語(yǔ)音。然后，我們的大腦做出決定，將信號(hào)發(fā)送回身體以指揮諸如拿起物體或說(shuō)話之類的動(dòng)作。
構(gòu)成物聯(lián)網(wǎng)的所有連接傳感器就像我們的身體，它們提供世界上正在發(fā)生的事情的原始數(shù)據(jù)。人工智能就像我們的大腦，理解這些數(shù)據(jù)并決定要執(zhí)行的操作。物聯(lián)網(wǎng)的連接設(shè)備再次像我們的身體一樣，執(zhí)行身體動(dòng)作或與他人交流。
釋放彼此的潛力
人工智能和物聯(lián)網(wǎng)的價(jià)值和承諾因?qū)Ψ蕉靡詫?shí)現(xiàn)。
近年來(lái)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)為人工智能帶來(lái)了巨大飛躍。如上所述，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)需要大量數(shù)據(jù)才能工作，而這些數(shù)據(jù)正在由物聯(lián)網(wǎng)中不斷上線的數(shù)十億傳感器收集。物聯(lián)網(wǎng)讓人工智能變得更好。
改進(jìn)人工智能還將推動(dòng)物聯(lián)網(wǎng)的采用，創(chuàng)造一個(gè)良性循環(huán)，這兩個(gè)領(lǐng)域都將大幅加速。那是因?yàn)槿斯ぶ悄苁刮锫?lián)網(wǎng)變得有用。
在工業(yè)方面，人工智能可用于預(yù)測(cè)機(jī)器何時(shí)需要維護(hù)或分析制造過(guò)程以大幅提高效率，從而節(jié)省數(shù)百萬(wàn)美元。
在消費(fèi)者方面，技術(shù)可以適應(yīng)我們，而不是必須適應(yīng)技術(shù)。我們可以簡(jiǎn)單地向機(jī)器詢問(wèn)我們需要什么，而不是點(diǎn)擊、輸入和搜索。我們可能會(huì)要求提供諸如天氣之類的信息或諸如為房子準(zhǔn)備就寢時(shí)間之類的操作（調(diào)低恒溫器、鎖門、關(guān)燈等）。
融合的技術(shù)進(jìn)步使這成為可能
縮小計(jì)算機(jī)芯片和改進(jìn)制造技術(shù)意味著更便宜、更強(qiáng)大的傳感器。
快速改進(jìn)電池技術(shù)意味著這些傳感器可以使用數(shù)年而無(wú)需連接到電源。
由智能手機(jī)的出現(xiàn)推動(dòng)的無(wú)線連接意味著可以以低廉的價(jià)格大量發(fā)送數(shù)據(jù)，允許所有這些傳感器將數(shù)據(jù)發(fā)送到云端。
云的誕生允許幾乎無(wú)限地存儲(chǔ)這些數(shù)據(jù)和幾乎無(wú)限的計(jì)算能力來(lái)處理它。
當(dāng)然，也有一兩個(gè)AI對(duì)我們的社會(huì)和我們的未來(lái)的影響的擔(dān)憂。但隨著人工智能和物聯(lián)網(wǎng)的進(jìn)步和采用不斷加速，有一件事是肯定的；影響將是深遠(yuǎn)的。
