人工智能、机器学习与深度学习的区别及关系

当问题边界清晰时，比如税务计算，这种方式非常高效。但面对复杂场景，例如图像识别或自然语言处理，规则会迅速膨胀。

现实世界没有固定模板。同一个目标在不同光照、角度、遮挡情况下都会发生巨大变化。想靠穷举条件覆盖所有情况，几乎不现实。

规则可以不断增加，但复杂度增长的速度，远远快于系统可维护的程度。

2.2 模型驱动的机器学习方式

机器学习采用的是归纳法。我们不直接编写规则，而是提供大量的历史数据，让机器通过算法去训练一个模型。

案例：房价预测
假设我们有一组房屋面积与销售价格的数据：

123$m^2$ ->250 万 150$m^2$ ->320 万 ... 

我们可以假设房价与面积之间存在线性关系，即模型为 y = a x + b。

$y$ 是房价，$x$ 是面积。 $a$（斜率）和 $b$（截距）是我们需要求解的参数。 

机器学习的过程，就是通过历史数据找到最合适的 a 和 b，使得这条直线尽可能拟合所有数据点。一旦确定了参数，当输入一个新的面积 x 时，模型就能预测出房价 y。

三、人工智能的发展与现实应用

3.1 机器学习已经渗透的领域

如今，机器学习已经渗透到我们生活的方方面面

用户分析：社交网络画像、商品评论情感分析。搜索引擎：搜索结果排序、以图搜图。推荐系统：抖音/B 站的视频推荐、淘宝的商品推荐。计算机视觉：人脸识别闸机、自动驾驶车辆检测、医疗影像诊断。AIGC：机器翻译、ChatGPT 文本生成、Midjourney 绘图。

3.2 三次浪潮：人工智能的发展阶段

人工智能并非新生事物，其发展经历了三次主要浪潮：

第一阶段（1950-1970 年代）：符号主义。以 1956 年达特茅斯会议提出人工智能术语为起点。代表事件是 IBM 的跳棋程序战胜人类。
第二阶段（1980-2000 年代）：统计主义。统计模型开始解决实际问题。代表事件是 1997 年 IBM 深蓝战胜国际象棋冠军卡斯帕罗夫。
第三阶段（2010 年至今）：深度学习。随着算力提升，神经网络复兴。2016 年 AlphaGo 战胜李世石是标志性事件。2022 年 ChatGPT 的出现标志着大模型时代的到来。

3.3 AI 爆发背后的三大基础

为什么 AI 在近年来才爆发？因为三大基石的共同作用。

1.数据：互联网时代产生了海量数据，为模型提供了燃料。
2.算法：深度学习算法的突破。
3.算力：硬件的飞跃。

CPU：适合逻辑控制和 I/O 操作。
GPU：擅长大规模矩阵运算，是训练神经网络的主力。
TPU：Google 专门为张量计算设计的处理器。

四、机器学习常见术语

1.样本
一行数据就是一个样本。
它代表现实世界中的一个实体或一条记录。多个样本组成了数据集。

2.特征
数据表中的列（通常是除去最后一列）
特征是从数据中抽取出来的、对预测结果有用的属性信息。

3.标签/目标值
模型要预测的那一列数据。
这是模型学习的最终答案。

4.数据集划分
为了验证模型的有效性，我们不能用所有数据来训练。通常将数据集按比例（如 8:2 或 7:3）划分为两部分：

训练集：用于让模型学习规律，建立模型。
测试集：用于评估模型表现。

最后，当我们把人工智能、机器学习、深度学习放回各自的位置，很多问题其实就变得清晰了。AI 是目标，机器学习是路径，深度学习是其中的一种实现方式。理解层级，比记住名词更重要。