Google DeepMind的AlphaGo于2017年5月在**乌镇围棋峰会上,以3比0的总比分打败了排名世界第一的世界围棋冠军柯洁。在媒体描述DeepMind胜利的时候，将人工智能（Artificial Intelligence 以下简称AI）、机器学习（machine learning 以下简称ML）和深度学习（deep learning 以下简称DL）都用上了。几个关键词时常出现在媒体新闻中，并错误地被认为是等同的概念，但三者说的并不是一回事。那么这三者是什么意思，之间又有什么关系呢？ 人工智能:从无到有，从提出到繁华，从梦想到现实 1956年，在美国汉诺斯小镇宁静的达特茅斯学院中举办的达特茅斯会议上，多名计算机科学家正聚在一起，探讨着一个不食人间烟火的话题：用机器来模仿来模拟人类思维或大脑活动，模仿人的决策和思考：人工智能。一直以来，AI一方面被认为是引领人类文明发展的新方向，另一方面又被认为是过于异想天开而被抛弃。直到2012年以后，随着人们对数据的越发重视，GPU的发展，计算能力的迅速提升，新的机器学习算法（深度学习）的崛起，人工智能开始了最大的爆发。AI分为强AI和弱AI，电影中（比如终结者系列）拥有人类五感（甚至更多）、理解能力，完全比拟甚至超越人类思维方式，拥有自适应能力，可以解决以前没有遇到过的问题的神奇机器被称为强AI（General AI），但是由于不可能实现，至少目前为至，所以强AI只是存在科幻小说或者电影里。而没有自主意识，没有推理和解决问题的能力的智能机器，称为弱AI（Narrow AI），现实中就有很多弱AI的例子，那么这些技术中的智能来自哪里?就涉及另一个名词：机器学习。 机器学习：实现人工智能目标的特定方法。 机器学习是通过算法来解析大量的数据，从中提取特征来学习。或者这么说：机器学习的动机在于让机器像人脑一样去学习吗，目前为止，实现这个目的的办法就是不断的让机器去寻找识别数据的特征然后依靠各种算法的能力来训练机器，使机器能够识别语音，人脸，图像等。机器学习算法通过训练数据集做预测或者采取行动以使得系统最优化。传统的软件程序是为了解决特定的任务编写的硬编码，而机器学习却是用算法从大量的数据学习如何去完成任务，可以这么说：任何通过数据来训练机器的学习算法都是ML，其中已经比较完善的算法有决策树、EM、聚类、Adaboost、支持向量机等等。从学习方法上来分，机器学习算法可以分为无监督学习（如聚类问题）、集成学习、监督学习（如分类问题）、深度学习、半监督学习和强化学习。机器算法在指纹识别、人脸识别等方面达到了商业化的水平，但是想要更进一步却是越来越难，但是深度学习的出现推动了它的进步。 深度学习：机器学习中的新领域。 深度学习是无监督学习的一种，其目的在于建立，模拟甚至超越人脑进行学习的神经网络，DL通过模仿人脑的神经网络，来解释图像，文本和声音等数据，神经网络模型是受人类大脑的神经元之间的连接关系启发而生成的。但是，不同的是：大脑中的神经元可以与附近范围内的任意的神经元连接，而人工神经网络中数据传播却需要指定连接，要经历指定的层。举个例子识别图片的过程将一张图片分成小块小块，类似与像素，然后输入到第一层神经网络，神经元做完初步的运算后将数据传至神经网络第二层，完成任务后依次传递，直到神经网络的最后一层，最后输出最终结果。每一层的神经元都会给该神经元的输入指定一个权重：相对于总的执行的任务该神经元执行的任务的正确和错误所占的比重。神经网络的最终输出由所有的权重共同决定。 心情无缘无故的低落， 对自己的孤单， 感到有些莫名的哀伤。