要說當下科技圈炙手可熱的詞兒，“人工智能”一定佔據一席。
不過，雖然是當下的前沿科技，一般人兒還真不一定都能聽懂。
何況，當創業者或者大佬們在討論“人工智能”時，往往還會帶上“機器學習”和“深度學習”。
“人工智能”究竟是什麼？
“機器學習”又是什麼鬼？
“深度學習”四個字你知我知，
但合起來似乎又不懂……
爲了讓你成爲一枚合格的科技知識分子，
今天我們一起來掰扯清楚它們到底是個啥。
先說說“人工智能”，也就是一直臉熟的“AI”。“人工智能”一詞最早由認知科學家約翰·麥卡錫提出，他寫到，“這項研究基於一種推測，即任何學習行爲或其它智力特徵，在原則上都可以被精確地描述，從而可以製造出一臺機器來模擬它。”這種描述在今天仍然適用。
從廣義上講，“人工智能”是一門新技術學科，目前國內有多所開設人工智能技術服務專業的院校。
人工智能描述了一種機器與周圍世界交互的各種方式。通過軟件和硬件的結合——一臺“人工智能”設備可以模仿人類的行爲或像人一樣執行任務，比如它會模仿人類的思維過程去區分是你媽還是你女朋友。
有觀點指出，目前的人工智能還處於“弱人工智能”，可以比人類更好地去做特定的事，比如機器視覺、語音識別。而像鋼鐵俠一樣的智能則是“強人工智能”了，而當下距離它還有很長的一段征途要走。
那麼，具有人工智能的設備是如何區分你媽和你女朋友的呢？
——這就涉及到了“機器學習”。
“機器學習”（Machine Learning）是AI的核心，是AI的分支之一。
“機器學習”的基本做法是通過複雜的算法來分析大量的數據，識別數據中的模式，並據此做出預測。也就是說，學的數據越多，效果會越好。這就像人類學習的過程——我們在學校學到知識，然後在生活中應用。只不過這一過程的學習主體，是機器。通過機器學習，一個系統可以不斷改正自身的錯誤，從而提高它的模式識別能力。
剛剛講到機器學習是通過各種複雜的算法，而這算法之一就比如“深度學習”。
作爲近十年來人工智能領域取得的重大突破，“深度學習”是機器學習的最新領域，它推動了計算機智能的長足進步。
“深度學習”（Deep Learning）用大量的數據和計算能力來模擬深度神經網絡，這些網絡模仿人類大腦的連通性，對數據集進行分類，並發現它們之間的相關性。通過深度學習，機器可以處理大量數據，識別複雜的模式，並提出深入的見解。
以識別女朋友和老媽爲例，傳統的機器學習，往往需要人工調整參數，因此參數的數量十分有限。“深度學習”則能從大數據中自動獲得成千上萬的參數，自動分析圖像中人物的年齡、表情、姿態等信息，而這過程中不需要人的參與。
簡單總結
人工智能是一個寬泛概念，機器學習是其子集；機器學習可以實現人工智能，而深度學習可以實現機器學習，是機器學習的子集。
機器學習VS深度學習
1、應用場景
機器學習在指紋識別、特徵物體檢測等領域的應用基本達到了商業化的要求。
深度學習主要應用於文字識別、人臉技術、語義分析、智能監控等領域。目前智能硬件、教育、醫療等行業也在快速佈局。
基於人工智能和大數據分析的數據底層，催米科技自主研發了AI米智能語音系統，利用先進的語音識別、合成和語義理解技術，集成IVR平臺，目前已廣泛應用於商業銀行、消費金融等多個場景，爲客戶提供了高效、智能、專業的綜合服務。
2、所需數據量
機器學習能適應各種數據量，特別是數據量較小的場景。
如果數據量迅速增加，那麼深度學習的效果將更加突出，這是因爲深度學習算法需要大量數據才能完美理解。
3、執行時間
執行時間是指訓練算法所需要的時間量。
一般來說，機器學習需要很短的執行時間。而深度學習需要更多的訓練時間，因爲該算法包含有太多參數。
4、硬件依賴性
機器學習的話，一般普通機器就可以。而深度學習對硬件的依賴更高，大多數情況下需要GPU運算。
通過以上介紹，大家是不是對“人工智能、機器學習、深度學習”這三個名詞有一個清晰的瞭解呢？
其實有關科技流行語還有不少，它們都代表着對未來技術的分析。
我們有理由相信，在未來，機器學習與深度學習將能爲更多行業帶來令人激動的光明前景。
更多人工智能資訊，歡迎關注催米科技公衆號SH-Cuimi