得益于谷歌（Google）、亞馬遜（Amazon）和Facebook這些公司，人工智能（artificial intelligence）和機器學習（machine learning）這兩個術語已經(jīng)變得比以往任何時候都要廣為人知。很多媒體經(jīng)常是把這兩個詞混在一起，并把它們當成各種智能設備背后的驅(qū)動力量，比如更聰明的家電以及取代人力的機器人。

可是，盡管人工智能與機器學習關聯(lián)很深，但它倆并不完全是一回事。

人工智能是計算機科學的一個分支，目的在于創(chuàng)造出能夠做出智能行為的機器。另一方面，斯坦福大學給機器學習下的定義是：讓計算機在沒有經(jīng)過明確編程時也能做出行動的科學。至于兩者的關系，用一句話概括就是：創(chuàng)造智能機器離不開人工智能研究人員，但要讓它們真正擁有智能我們還需要機器學習專家。

目前，包括谷歌和英偉達（Nvidia）在內(nèi)的科技巨頭都在努力開發(fā)機器學習技術。他們投入大量的人力物力，想要開發(fā)出能讓計算機像人類一樣進行高效學習的技術。因為在很多人看來，創(chuàng)造出能像人類一樣“思考”的機器，將點燃一場新的科技革命。

在過去十年中，機器學習為我們帶來了自動駕駛汽車、實用的語音識別、高效的網(wǎng)絡搜索，并大幅提升了人類對于自身基因組的認知。不過，機器學習是如何運作的呢？

讓我們舉一個非常簡單的例子，當你在使用谷歌搜索時打錯了字，它會彈出提示：“你搜索的是不是XXXX？”這就是谷歌一種機器學習算法實現(xiàn)的效果；該系統(tǒng)可以檢測出你在完成一次特定搜索幾秒后所做的二次搜索。

例如，假設你在使用谷歌搜索“造就”，但不小心打成了“造酒”。在搜索之后，你可能意識到了自己的拼寫錯誤，并在幾秒后重新開始搜索“造就”。谷歌的算法能夠識別出你在短時間內(nèi)進行的兩次搜索，并記錄下來，以后為犯下類似拼寫錯誤的用戶提供建議。其結果是，谷歌“學會了”為你糾正這個錯誤。

雖然這是一個非常簡單的例子，但數(shù)據(jù)科學家、開發(fā)者和研究人員正在利用更加復雜的機器學習方法來獲得此前無法企及的洞見。能夠從經(jīng)驗中學習的計算機程序正在幫助他們探究人類基因組的工作方式，把對消費者行為習慣的理解提升到前所未有的高度，并打造出提供購買建議、圖像識別和預防詐騙等功能的系統(tǒng)。

這樣，你現(xiàn)在對機器學習應該有了一個基本概念，但它跟人工智能有何不同呢？我們請來英特爾（Intel）機器學習部門的負責人尼迪·查普爾（Nidhi Chappell）為大家解答疑惑。

“人工智能的根本在于智能，即我們?nèi)绾巫寵C器擁有智能；而機器學習就是運用計算方法來幫助實現(xiàn)這個目標的核心技術。在我看來，人工智能是科學，機器學習是能夠讓機器變得更智能的算法?！?/p>

“因此，機器學習是人工智能的促成者?！彼a充道。

查普爾接著解釋說，機器學習是人工智能領域成長最快的組成部分，所以這就是為什么我們近來看到了如此多圍繞它展開的討論。盡管機器學習在如今的計算工作總量中只占了很小的比例，但它是成長最快的部門，所以這就是為什么大家都在關注機器學習。

“舉個簡單的例子，當你來到一個新地方并搜索‘最應該做的事情’時，返回結果的順序是由機器學習算法確定的，它們的排名和評分都取決于算法?！辈槠諣柸缡钦f，并稱新聞熱點的排序也是一樣。

“人工智能已經(jīng)在我們生活中變得無處不在，以至于我們都沒認識到很多東西都由它們在背后驅(qū)動?！彼a充道，“你可能一天用到人工智能數(shù)十次，但自己卻渾然不覺?！?/p>

在其他地方，F(xiàn)acebook正試圖通過一系列視頻和博客文章闡明人工智能和機器學習的概念。

“你的智能手機、房屋、銀行、汽車每天都在使用人工智能?！盕acebook的工程主管雅恩·樂昆（Yann LeCun）和杰奎因·奎諾內(nèi)羅·坎德拉（Joaquin Qui onero Candela）解釋說，“有時候，這種使用很明顯，比如當你向Siri詢問前往最近加油站的路線，或者是Facebook提示你在自己上傳的照片中標記出一位好友。有的時候則不那么明顯，比如當你使用Amazon Echo完成了一次非常規(guī)的刷卡購物，但是并沒有被銀行判定為信用卡盜刷?！?/p>

“通過自動駕駛汽車、醫(yī)學圖像分析、更好的醫(yī)療診斷以及個性化醫(yī)療等領域的發(fā)展，人工智能將為社會帶來重大轉變。而且，它還將成為未來很多最具創(chuàng)新性的應用和服務的支柱?！?/p>

樂昆和坎德拉繼續(xù)道，人工智能不是魔法，它只是數(shù)學——雖然是極其深奧的數(shù)學。

但為了推動人工智能的進步，機器學習必須在性能表現(xiàn)上取得巨大的飛躍，而這在傳統(tǒng)高性能計算領域幾乎是不可能做到的，因為該領域擅長處理的問題要擁有明確的定義，而且優(yōu)化工作也已經(jīng)開展了多年。

機器學習算法仍然有改進的余地，這就是為什么很多大型科技公司都把它作為自身戰(zhàn)略的核心焦點，并不遺余力地使之變得更加智能，以期向前推進，創(chuàng)造出下一代的創(chuàng)新產(chǎn)品，比如完全自主且100％安全的自動駕駛汽車。

人工智能學習的三種類型

強化學習

這種類型的學習聚焦于一個人工智能“代理”應該如何行動來獲得最大化的獎勵。機器挑選一個動作或一系列動作，然后獲得獎勵。強化學習被用來教機器玩游戲和贏得比賽，但它需要大量的嘗試才能學會哪怕很簡單的任務。

監(jiān)督學習

監(jiān)督學習就是研究人員把特定輸入信息的正確答案告訴給機器，例如，他們向機器展示一輛汽車的圖片，并告訴它正確的答案是“汽車”。這是訓練神經(jīng)網(wǎng)絡和其他機器學習架構的最常用技術。

無監(jiān)督學習／預測學習

在通常情況下，人類和動物的學習屬于無監(jiān)督學習，即通過觀察世界的運行以及觀察父母來進行學習。然而，沒有人會來告訴我們自己看到的每件物品的名稱和功能。因此，我們需要教會自己一些基本概念：比如世界是三維的，物品不會自行消失，以及失去支撐的物品會向下墜落。目前，研究人員還不知道如何讓機器做到這一點，至少無法達到人類和動物的水平。