人工智能 vs 机器学习

本文是观看视频AI vs Machine Learning后的笔记。

这篇文章谈AI（人工智能）和ML（机器学习）的关系。

首先作者给出了他对AI的定义。他认为：人工智能基本上超越或匹配人类的能力。

那会涉及哪些能力，例如：

• 发现的能力。找出新信息的能力
• 推断（infer）的能力。从其他来源读取可能尚未明确说明的信息的能力
• 推理（reason）的能力。把事情弄清楚，把这个和这个放在一起，然后想出一些别的东西

推理和推断有何区别？推理更强调从已知事实出发使用逻辑思维来得出结论，而推断更强调根据已有信息做出推测或假设。推理更多涉及到逻辑推理，而推断更多涉及到从信息中抽象和推导出新的信息。

从推理这个单词reason来看，他可能更讲道理，;-）。

再来看ML。ML是基于数据的预测或决策。可以将其视为一种非常复杂的统计分析形式，它根据我们拥有的信息进行预测。输入系统的数据越多，它就越能够根据这些数据为我们提供准确的预测和决策。

ML中的L部分，并不需要编程。当我们对系统进行编程时，我必须拿出所有代码，如果我想做一些不同的事情，我必须去更改代码，然后得到不同的结果。ML所做的，可能是调整一些模型，但与编程不同，而且大多数情况下，它是学习我提供给它的更多数据，所以它基于大量信息。

ML有不同的领域，如监督机器学习和无监督机器学习。前者有更多的人类监督，查看数据的训练，使用叠加在数据上的标签来训练数据。后者可以运行更多（因为不需要监督）并找到未明确说明的内容。

机器学习有一个子领域：深度学习。深度学习涉及神经网络。神经网络涉及节点和节点之间的统计关系来模拟我们思维的工作方式。它被称为深度，因为神经网络包含很多层。

深度学习可以得到一些非常有趣的见解，但我们可能说不清楚系统是如何想出这些的。它并不总是完全展示它的工作，所以我们最终可能会得到一些非常有趣的信息，但不知道它有多可靠，因为我们不知道它到底是如何导出的，但它仍然是一个非常重要的部分。

所以在韦恩图里，深度学习是机器学习的子集。AI则是ML，DL和其他一些东西的超集。

其他的东西又是什么？可能涉及自然语言处理，可能是视觉，甚至可能是一个能够听到/看到并能够区分它所听到/看到的内容的系统。毕竟，人类能够做到这一点，而我们大脑所做的一部分工作，就是区分这些事情。还有文本转语音的能力，可以将书面文字、概念说出来。

所以第一个（图中的VISION）涉及到能够看到东西，现在也能够说出这些东西（图中的TXT=>SP），然后人类能够自然地做的其他我们经常认为理所当然的事情就是运动（motion），属于机器人领域， 是人工智能的一个子集。做简单事情的能力，比如系鞋带、开关门、举起某物、步行到某个地方，这些都是人类能力的一部分，并且涉及我们在大脑中进行的某些感知计算，而我们通常都不会想到。

所以，AI包括ML和上面提及的其他一些东西。ML包括DL。ML和DL不是AI的全部，但都很重要。