提到人工智能（Artificial Intelligence）一词，大家第一个闪过的印象可能是科幻电影那拥有人类智慧的机器人，或是电影钢铁人中的「贾维斯」智能助理。这些天马行空的技术的确都属于人工智能的范畴，但这其实只是人工智能其中一小部分的领域，它的应用面充斥在各种产业，早已和我们的生活密不可分。

AI 介绍与简史

一般称的 AI 其实是 Artificial Intelligence 的缩写，而这个名字也清楚地表达了它的涵义。人工智能的定义其实就是以「人工」编写的电脑程序，去模拟出人类的「智慧」行为，其中包含模拟人类感官的「听音辨读、视觉识别」、大脑的「推理决策、理解学习」、动作类的「移动、动作控制」等行为。

AI 这个词汇首次出现是在 1950 年，那时离现代电脑的发明也不过几年的时间，当时的人工智能做的不过是跑一些写好的逻辑程序、处理数学定理证明，应用其实并不广；此外，由于当时电脑体积庞大、性能又有诸多限制，人工智能发展很快就面临到瓶颈了。

沉寂一阵子后，在约二、三十年前，因为电脑储存空间、运算性能的突破，AI 重新回归主流技术发展重点，开始出现「机器学习」这块领域，并得到了很好的成果，如发展出「支持向量机（SVM）」模型，能有效分类处理各种数据；到了最近几年，又因为技术与演算法的进步，再度发展出「深度学习」这个领域，AI 的成长俨然已成为不可忽视的巨兽！

写到这里，读者是否开始对逐渐出现的名词感到困惑呢？别担心，以下会用简单的方式向各位介绍。

AI 的应用与技术内容

AI 功能的身影已经充斥在我们的生活，它的样貌已不再那么的神秘，交通、娱乐、医疗等领域，到处都可见其踪影，以下举几个例子让大家更了解 AI 的样貌：

• 手机助理语音识别功能
• 社交媒体上的广告投放
• 串流影音网站的推荐（如 youku 推荐影片、西瓜视频 精选）
• 高德地图 最佳路线规划

要如何让电脑实现以上的功能呢？这边介绍一些常见 AI 的运行原理：

• 搜索：寻找最佳路径、最短运算的搜索方法，用来加快电脑的运算或减少内存的负担，如 BFS 优先广度算法、A star（A*）算法等。

• 逻辑推论：为了让电脑能进行推理、抉择、修正，发展了许多逻辑推论系统，最广为大家使用的就是布林运算，其主要利用二元的运算符号（0、1）去定义逻辑的函数，相当方便直观，应用也很广泛。

• 统计、机率：主要目的是通过机率统计数学模型，帮助分析资料、处理大量数据，如 EM 演算法、贝叶斯网络等。
• 神经网络： 模仿生物神经网络的结构与功能，可以通过输入的资料训练，产生对应的算法模型，学习判断指定的问题。

解析 AI/ML/DL 的关系

既然提到了神经网络，就不得不提及「机器学习 Machine Learning（ML）」、「深度学习 learning（DL）」， 这两个最近非常火热的名词了，究竟机器学习（ML）与深度学习（DL）到底差别在哪呢？

我们可以从上面这张图清楚理解，AI、ML、DL 这三个名词的关系就像洋葱一样层层递进，机器学习（ML），是人工智能（AI）底下的技术分支，而深度学习（DL）是近年才从机器学习衍生出的领域，可以比喻为俄罗斯套娃，一个子领域之中又有更深入的子领域。

上图 / 机器学习与深度学习的训练比较：机器学习需要人为特征分类（Feature extraction），而深度学习则是交给模型自己处理分类。

机器学习

简单来说，为了让电脑通过自我学习的方式，去解析数据或做出问题判断，不断优化改进自身，而非单纯写好程序，仅处理单一特定问题，其中其实包含了许多学问，如统计、机率、算法、逼近理论等多项领域。

传统的机器学习结构：资料→特征提取→模型→答案

为了达到预测的效果，机器学习会不断让模型最佳化去拟合资料，然而在特征提取上，仍然需要通过手动去标记特征，将特征转为编码或向量形式后，再通过机器学习的模型去处理，最后得到预测结果。

机器学习在资料分析上已经发展得非常成熟。举例来说，如果将蓝球和红球都丢入袋子里，要如何完美的划出一条线将他们分割呢？这时通过机器学习的模型——向量支持机（SVM）处理，就能将所有的球拉到更高的维度做切割，让原本散乱的球，在三维空间漂浮看起来，变得容易分类。

然而在处理影像识别或是复杂的分析上，机器学习还是有一定的限制，毕竟它所需要的特征都还是需要人为的特征分类，那么深度学习又是如何运作的呢？

深度学习

深度学习是通过神经网络（Neural Network）的方式来实践，而神经网络由无数个神经元串联所组成，这些神经元的运作方式和人类神经一样，一个连着一个传递讯号，只不过输入的不是生物电流，而是变数、权重（weight）、误差（bias）；其中，每个神经元本身都是个小小的函数，资料会在神经网络中慢慢转化，最后得到我们的预测模型。

深度学习的结构：资料→模型（特征提取自学）→答案

与传统深度学习不一样的是，在特征提取的部分，我们把它交给神经网络去处理，让它在不断地反复运算中逐渐萃取出所需要的特征，不断改进模型本身权重，最后产生预测模型。这个步骤需要大量的反复运算，也就是为什么深度学习领域到这几年随着 GPU 技术的突破，才又突飞猛进的进步！

以「猫狗识别」举例，深度学习的训练只需将标记好类别的影像输入到模型中，神经网络会自行将影像特征提取出来。那么这里问一个问题，如果这时候将「猪」的照片丢入，模型会给出什么结果呢？

A. 猫 B. 狗 C. 猪，想好了吗？

其实答案选 A 和 B 都对！由于神经网络训练的是猫狗模型，所以模型会按照它分类的特征去判别这只猪的照片，尝试让它在猫或狗之中选出一个答案（即使它不是猫也不是狗），所以这也是深度学习的限制，预测的模型主要仍取决于输入训练的资料，所以选 C 的各位，抱歉答错了！