【導讀】從汽車到智能手機，到數字助理，甚至包括機器人。我們不只是在講每天層出不窮的、突破性的新功能。更重要的是，設備、計算機和機器都在聰明地執行任務。它們是如何做到的呢？通過人工智能，也就是AI。

      “人工智能”一詞最早由認知科學家約翰·麥卡錫在研究中提出，他寫到，“這項研究基于一種推測，即任何學習行為或其它智力特征，在原則上都可以被精確地描述，從而可以制造出一臺機器來模擬它。”這種描述在今天仍然適用，只是復雜性增加了一些。

      你也許最近經常聽到“人工智能”和另外幾個詞匯同時出現，特別是“機器學習”和“深度學習”。它們經常被互換使用，盡管它們存在關聯，但其實并非同一事物。

      這樣說可能會讓人感到困惑。我們通過一個經典的例子來解釋人工智能、機器學習和深度學習之間的區別：比較蘋果和橙子。

人工智能

       從廣義上講，人工智能描述一種機器與周圍世界交互的各種方式。通過先進的、像人類一樣的智能——軟件和硬件結合的結果——一臺人工智能機器或設備就可以模仿人類的行為或像人一樣執行任務。

       我們今天讀到了很多關于人工智能的內容，比如語音識別（用于智能個人助理設備），面部識別（被用在目前社交媒體上很流行的濾鏡中），或者物體識別（比如搜索蘋果和橙子的圖片）。然而這些功能是如何實現的？

       從根源上看，配備人工智能的機器會模仿人類的思維過程，比如分辨蘋果和橙子的能力。

機器學習

       機器學習是人工智能的一種途徑或子集，它強調“學習”而不是計算機程序。一臺機器使用復雜的算法來分析大量的數據，識別數據中的模式，并做出一個預測——不需要人在機器的軟件中編寫特定的指令。在錯誤地將奶油泡芙當成橙子之后，系統的模式識別會隨著時間的推移而不斷改進，因為它會像人一樣從錯誤中吸取教訓并糾正自己。

       通過機器學習，一個系統可以從自身的錯誤中學習來提高它的模式識別能力。

深度學習

       深度學習是機器學習的一個子集，推動計算機智能取得長足進步。它用大量的數據和計算能力來模擬深度神經網絡。從本質上說，這些網絡模仿人類大腦的連通性，對數據集進行分類，并發現它們之間的相關性。如果有新學習的知識（無需人工干預），機器就可以將其見解應用于其他數據集。機器處理的數據越多，它的預測就越準確。

       例如，一臺深度學習的設備可以檢查大數據——比如通過水果的顏色、形狀、大小、成熟時間和產地——來準確判斷一個蘋果是不是青蘋果，一個橙子是不是血橙。

通過深度學習，機器可以處理大量數據，識別復雜的模式，并提出深入的見解。

       人工智能、機器學習和深度學習之間的差異并不像蘋果和橙子那么明顯，它們更微妙。Qualcomm已將人工智能技術整合進驍龍移動平臺，創造出令人折服的、直觀的體驗，讓設備可以更深入地了解你。

推薦閱讀：

 不是加密專家也可實現安全認證

物聯網浪傳感器技術的研究方向有哪些？
這十大傳感器 是當之無愧的“黑科技”之王