什麼是人工智慧？它與機器學習、深度學習三者之間有什麼關係？

· 什麼是人工智慧？

人工智慧的終極目標是製造出具有人類智慧的機器。人工智慧的定義包含兩部分，即“人工”和“智慧”。

維基百科給出的定義是：人工智慧是由機器表現的智慧，相對於人類和其他動物所表現的自然智慧。這是關於“人工”的定義，即和人類或自然智慧相對。但對於什麼是“智慧”，大家現在唯一認同的智慧就是人本身的智慧，而我們對人類自身的智慧理解非常有限。通俗的講，一個機器只要能模擬人的認知功能，如人類思維中的學習和問題求解等，就認為它具有人工智慧。

進入21世紀，隨著網際網路的發展和計算機系統的普及，產生了與日俱增的資料，為人工智慧提供了大量的訓練資料。另外，計算機硬體技術的飛速發展，更快的CPU、通用GPU的出現、更快的網路連線和更好的分散式計算的軟體基礎設施，為運行復雜的人工智慧演算法提供了足夠的計算力。

· 什麼是機器學習？

機器學習作為人工智慧的一個子領域，主要研究如何模擬或者實現人類智慧中的學習功能，也就是讓機器自動的從經驗中獲取新的知識或技能。

現在機器學習已經得到廣泛的應用，如：資料探勘、計算機視覺、自然語言處理、生物特徵識別、搜尋引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、機器人和無人駕駛汽車等等。

“機器學習”這個詞最初是由阿瑟·塞繆爾在1959年創造的。他給出了一個通用的定義：機器學習是一個研究領域，它使計算機能夠學習而不是被顯示程式設計。例如：一個垃圾郵件過濾器程式，如果知識依靠寫入程式的規則去判斷給定的郵件是不是垃圾郵件，比如標題中包含“開”“發”“票”三個字的一般是垃圾郵件，則不是機器學習。

另一個通用的定義，更形式化或者工程化，是由湯姆·米切爾在1997年給出的，即：如果一個計算機程式在任務T上的效能（用P來衡量），可以透過經驗E得到該井，稱該程式能從經驗E中學習。例如：對於一個垃圾郵件過濾器程式來說，它的任務T就是判斷給定的郵件是否為垃圾郵件，可以用判斷正確的百分比（準確率）來衡量其完成任務的好壞，而用來學習的經驗就是被使用者標記過的一些垃圾郵件和正常郵件，這些郵件稱為訓練樣例，他們構成的用以學習的訓練集就是經驗。所以，如果一個垃圾郵件過濾器能從獲得經驗（訓練資料）中，改進其判斷一個新郵件是否為垃圾郵件的準確率的話，就稱之為有學習能力。

機器學習系統有很多種，可以按照不同的維度將他們劃分成多個型別。例如：按照學習過程中受到的人類指導的量和型別，可以分為監督學習、半監督學習、無監督學習和強化學習，這也是最主要的一種劃分機器學習型別的方案。

· 什麼是深度學習？

深度學習模型本質上是多層神經網路組合的模型。神經網路是一種連線主義模型，它認為人類的認知過程是由大量簡單神經元組成的神經網路中的資訊處理過程。現如今，隨著訓練資料的增多以及計算能力的增強，神經網路的學習能力得以增強，在語音、影象以及自然語言等許多領域都取得了顯著的效果。

深度學習的發展大致可以總結為四個階段：起源、第一次浪潮、第二次浪潮、第三次浪潮。

起源：1943年，由神經科學家W。S。麥卡洛克和數學家W。皮茨參照生物神經元的結構和工作原理，提出的抽象神經元M-P模型，是人工神經網路的起源。

第一次浪潮：1958年，計算機科學家羅森布拉特提出兩層神經元組成的神經網路，稱為感知機模型。該模型可以進行二分類，並於1962年被證明具有收斂性，理論與實踐的成功引發神經網路的發展的第一次浪潮。然而，1969年，感知機模型被證明本質上是一種線性模型，無法對線性不可分的資料進行分類，直接導致神經網路的研究停滯將近20年。

第二次浪潮：1986年，神經網路之父傑弗裡·欣頓發明了適用於多層感知機模型（MLP）的反向傳播演算法（BP），並採用sigmoid函式對輸入資料進行非線性對映，有效解決了非線性的分類問題。該發明引發了神經網路發展的第二次浪潮。然而，1991年，BP演算法被指出存在梯度消失的問題，直接阻礙了深度神經網路的進一步發展。

第三次浪潮：2006年，傑弗裡·欣頓和他的學生提出了深度神經網路訓練中梯度消失問題的求解辦法，即才用無監督學習的方法對神經網路的引數初始化，再採用監督學習的方法對引數微調。該發明直接掀起了神經網路發展的第三次浪潮。

· 人工智慧、機器學習、深度學習三者有什麼關係？

人工智慧、機器學習、深度學習三者的關係，是相繼包含的關係。機器學習是人工智慧的一個子領域，而深度學習是一種機器學習方法，機器學習還有很多其他模型和方法，例如：邏輯迴歸、支援向量機、決策樹等等。