12、人工智能、机器学习、深度学习的关系

机器学习、深度学习与人工智能是人工智能领域中的重要概念。人工智能是最广泛的概念，涵盖计算机视觉、自然语言处理等多个领域；机器学习是人工智能的一个子领域，侧重于通过数据训练或统计模型让机器学习规则或经验；而深度学习则是机器学习中的特殊方法，在计算机视觉和自然语言处理等领域取得了显著成果（如GPT大模型）。文章通过举例说明了机器人属于人工智能但不属于机器学习的例子，而决策树等算法则属于机器学习但不属于深度学习的例子。

过去若干年间旁听了一场机器学习相关的公开课程，在问答环节中提出了一位同学向老师请教了关于"机器学习与深度学习之间的关系"的问题

老师一开始没有直接作答。
然后转向在场的同学进行提问。
随后询问了大约2至3名同学。
这些同学的回答都显得不够完善。
作为新手难免感到困惑不解。
因此也未能获得会场准备的小礼物。

随后, 老师进一步解释, 传统上认为机器学习和深度学习是并列发展的, 即使它们也不是完全独立的领域. 而实际上, 它们在本质上属于相互包含的隶属关系.

为了更好地理解人工智能、机器学习以及深度学习这些核心概念，在深入讨论具体算法之前，有必要对这些基础进行简要阐述。这些概念对从业者尤其是初学者来说往往存在模糊认识。

这三类核心概念它们之间的关系体现在AI技术中包含了机器学习这一层次又涵盖了深度学习这一层级如图1所示（数据来源：PaddlePaddle）。

关系

人工智能 被视为一个广博的概念：涵盖所有与模拟人智能及扩展人相关的技术都被视为人工智能领域，并涉及计算机视觉、自然语言处理等多个具体方向。

属于 人工智能领域的一类学科研究方法

深度学习作为一种独特的机器学习方法，在当前技术发展中备受关注。同时作为核心领域之一，在多个研究方向上都取得了显著进展。其核心在于通过构建复杂的深度神经网络架构，并充分利用海量数据进行模型训练与推理过程。其理论基础已在计算机视觉、自然语言处理等多个领域取得了显著的应用成果。其中 notable 的应用包括 GPT 大模型及其在生成文本方面的突破性进展、文生图技术则展示了图像生成与描述之间的高效结合。

说到这可能还不太好理解，接下来给几个例子，来说明互相的区别。

一个典型的属于人工智能而不属于机器学习的例子是机器人。

机器人机械设计、路径规划以及传感执行等技术领域均无需依赖机器学习。尽管我们可以通过机器学习方法优化路径规划与决策过程,但这些技术仅构成机器人学体系中的一个子领域。

可以说机器人是一种具有代表性的人工智能领域。该领域涉及不同领域的核心技术，并包含了机器学习算法。

再说一个属于机器学习但不属于深度学习的例子。

经典的决策树算法通常能够对输入数据进行分类与回归分析，并被视为一种分类与回归结合的模型。进一步简化的例子是一元二次方程的线性回归分析，在这些散点图的数据集中我们可以使用最小二乘法拟合出一条最佳拟合直线以描述变量间的相关关系。

所以说，深度学习范围最小，但目前发展最为迅速和广泛。

该领域研究的基础理论是深入理解其工作原理。其中所指的"深度"概念必须由多个神经网络层构成。单一层次的神经单元体系无法实现这一目标。

深度学习的研究过程主要涉及构建一系列复杂的人工神经网络架构，并能够自动提取和学习数据中的高层次抽象特征。同时利用反向传播算法对模型参数进行系统性优化以实现模型训练。

后面我们会亲自搭建一个深度神经网络，也就是广为人知的resnet50模型。