人工智能和机器学习有什么区别？

人工智能 (AI) 和机器学习 (ML) 是目前两个非常热门的流行词，而且经常被交替使用。

它们并不完全相同，但人们常常误以为它们是一回事，这会导致一些混淆。所以我认为有必要写一篇文章来解释一下它们之间的区别。

这两个术语在讨论大数据、分析以及席卷全球的更广泛的技术变革浪潮时都会频繁出现。

简而言之，最佳答案是：

人工智能是一个更广泛的概念，指的是机器能够以我们认为“智能”的方式执行任务。

而且，

机器学习是人工智能的一个当前应用，其核心理念是我们应该让机器能够访问数据，并让它们自行学习。

早些年

人工智能由来已久——希腊神话中就记载着被设计成模仿人类行为的机械人。欧洲早期计算机被构想为“逻辑机器”，工程师们通过复制诸如基本算术和记忆等功能，从根本上来说，他们的工作就是试图创造机械大脑。

随着科技的进步，尤其是我们对人类思维运作方式理解的加深，我们对人工智能的认知也随之改变。人工智能领域的研究不再局限于日益复杂的计算，而是专注于模仿人类的决策过程，并以越来越人性化的方式执行任务。

人工智能——即旨在智能行动的设备——通常被分为两大类：应用型人工智能和通用型人工智能。应用型人工智能更为常见——例如，旨在智能交易股票或操控自动驾驶车辆的系统就属于此类。

通用人工智能——理论上可以处理任何任务的系统或设备——虽然并不常见，但如今一些最激动人心的进展正发生在这里。机器学习也是由此发展起来的。机器学习通常被认为是人工智能的一个子集，但更准确地说，它代表了当前最先进的技术。

机器学习的兴起 

两项重要突破促成了机器学习的出现，它以目前的速度推动人工智能的发展。

其中之一是亚瑟·塞缪尔在 1959 年提出的认识：与其教计算机关于世界的一切知识以及如何执行任务，不如教它们自己学习。

第二个因素，也是最近的因素，是互联网的出现，以及由此产生的、存储的和可供分析的数字信息量的巨大增长。

这些创新一旦到位，工程师们就意识到，与其教计算机和机器如何做所有事情，不如编写代码让它们像人类一样思考，然后将它们连接到互联网，使它们能够访问世界上所有的信息，这样效率会高得多。

神经网络

神经网络的发展是教会计算机像我们一样思考和理解世界的关键，同时保留了它们相对于我们而言的固有优势，例如速度、准确性和无偏见性。

神经网络是一种计算机系统，其工作原理与人脑类似，都是通过对信息进行分类来工作。例如，它可以被训练来识别图像，并根据图像中包含的元素对其进行分类。

本质上，它的工作原理基于概率系统——根据输入的数据，它能够以一定的确定性做出陈述、决策或预测。反馈回路的加入使其能够“学习”——通过感知或被告知其决策的正确性或错误性，它会在未来调整其采取的方法。

机器学习应用可以读取文本，判断作者是在抱怨还是祝贺。它们还可以聆听音乐，判断其情绪是可能使人感到快乐还是悲伤，并找到其他与之相符的音乐。在某些情况下，它们甚至可以创作表达相同主题的音乐，或者创作出原曲爱好者可能会喜欢的音乐。

这些都是基于机器学习和神经网络的系统所提供的可能性。很大程度上要归功于科幻小说，人们也开始设想，我们应该能够像与人交流一样自然地与电子设备和数字信息进行沟通和互动。为此，人工智能的另一个领域——自然语言处理（NLP）——近年来已成为令人振奋的创新源泉，而它又高度依赖于机器学习。

自然语言处理（NLP）应用旨在理解人类的自然交流，无论是书面还是口头交流，并使用类似的自然语言与我们进行交流。机器学习（ML）在此用于帮助机器理解人类语言中丰富的细微差别，并学习如何以特定受众可能理解的方式做出回应。

品牌塑造案例？

人工智能，尤其是如今的机器学习，无疑拥有巨大的潜力。它不仅能够自动化处理繁琐的任务，还能提供富有创意的洞察，各行各业，从银行业到医疗保健业再到制造业，都在从中受益。因此，我们必须牢记，人工智能和机器学习并非仅仅是技术……它们是正在销售的产品——而且销售利润丰厚。

机器学习无疑已被营销人员视为机遇。人工智能发展至今已有相当长的时间，或许在其潜力尚未真正发挥之前，就已被视为某种“老生常谈”。在通往“人工智能革命”的道路上，曾出现过几次挫折，而“机器学习”这一概念无疑为营销人员提供了一个新颖、亮眼且至关重要的、立足当下的切入点。

技术专家们常常认为，我们最终会开发出类人人工智能，这几乎是必然的。的确，如今我们比以往任何时候都更接近这个目标，并且正以越来越快的速度朝着这个目标迈进。近年来我们所看到的许多令人振奋的进展，都归功于机器学习（ML）带来的人工智能工作方式的根本性变革。我希望这篇文章能帮助一些人理解人工智能和机器学习之间的区别。