人工智能、機器學習與深度學習
人工智能、機器學習與深度學習並非同義詞；它們存在層級關係且有明確區別。
在當今科技時代，人工智能、機器學習與深度學習這些詞彙越來越常見。許多人甚至會混用它們，但實際上，這三者是密切相關卻又各自獨立的概念。
例如，當谷歌的AlphaGo在2016年擊敗圍棋冠軍李世石時，媒體交替使用人工智能、機器學習與深度學習來描述這場勝利。事實上，人工智能、機器學習與深度學習都促成了AlphaGo的成功，但它們並非相同事物。
本文將幫助你清楚理解人工智能、機器學習與深度學習之間的差異及其關係。讓我們與 INVIAI 一同深入探討！
什麼是人工智能（AI）？
人工智能（AI）是計算機科學的一個廣泛領域，專注於創建能模擬人類智慧與認知功能的系統。
換句話說，人工智能涵蓋所有使電腦能執行通常需要人類智慧的任務的技術，如問題解決、決策制定、環境感知、語言理解等。人工智能不限於數據驅動的學習方法，也包括由人類編程的基於規則或知識的系統。
人工智能分類
狹義人工智能（弱人工智能）
通用人工智能（強人工智能）
什麼是機器學習？
機器學習（ML）是人工智能的一個子集，專注於開發算法和統計模型，使電腦能從數據中學習，並在無需明確逐步編程的情況下逐漸提高準確度。機器學習算法通過分析輸入數據來提取模式，並在遇到新數據時做出預測或決策，而非由人類編寫所有指令。
使電腦具備在未經明確編程下學習能力的研究領域。
— Arthur Samuel, 1959
機器學習類型
監督式學習
在標記數據集上訓練模型，正確答案已知。
- 預測房價
- 電子郵件垃圾郵件檢測
- 醫療診斷
非監督式學習
在未標記數據中尋找結構或群組，無預先定義的類別。
- 客戶分群
- 異常檢測
- 模式發現
強化學習
模型與環境互動，通過獎勵或懲罰學習行為。
- 遊戲AI
- 機器人控制
- 資源優化
什麼是深度學習？
深度學習（DL）是機器學習的一個專門分支，利用多層人工神經網絡從數據中學習。
「深度」指的是具有多個隱藏層（通常超過三層）的網絡結構，這種多層結構使模型能學習高層次的複雜特徵。深度學習靈感來自人腦運作，人工「神經元」相互連接，模仿生物神經網絡。
自動特徵提取
多層架構
需求與效益
深度學習所需
- 極大數據集（數百萬樣本）
- 強大計算資源（GPU、TPU）
- 長時間訓練（數小時至數天）
- 較高基礎設施成本
回報
- 複雜任務的卓越準確度
- 出色的圖像與語音識別
- 先進的自然語言處理
- 達到或超越人類水平的表現
人工智能、機器學習與深度學習的關係
理解這些技術的層級關係至關重要：深度學習 ⊂ 機器學習 ⊂ 人工智能。人工智能是最廣泛的領域，機器學習是人工智能的子集，深度學習則是機器學習的一部分。
人工智能（最廣泛）
所有使機器模擬智慧的技術，包括基於規則和數據驅動系統。例子：使用固定算法的象棋程式屬於人工智能，但非機器學習。
機器學習（人工智能子集）
基於機器從數據中學習以提升性能的人工智能方法。例子：從標記郵件中學習模式的垃圾郵件過濾器。
深度學習（機器學習子集）
利用多層神經網絡進行複雜模式識別的機器學習方法。例子：自動學習視覺特徵的圖像識別系統。
人工智能、機器學習與深度學習的主要差異
雖然它們存在層級關係，但在範圍、運作方式及技術需求上有明顯差異。讓我們探討主要區別：
範圍與定義
- 人工智能： 包含所有使機器模擬智慧的方法（基於規則與數據驅動）
- 機器學習： 聚焦於基於數據學習的人工智能方法
- 深度學習： 進一步聚焦於使用多層神經網絡的機器學習
深度學習同時屬於機器學習與人工智能，但人工智能涵蓋遠超過學習方法。
學習方法與人為介入
高度人為介入
- 工程師需選擇特徵
- 需手動提取特徵
- 需要領域專業知識
- 例子：定義圖像識別的形狀、顏色、邊緣
自動特徵學習
- 自動提取特徵
- 多層次學習特徵
- 減少人為介入
- 例子：從原始圖像自動發現視覺模式
數據需求
機器學習
- 中等數據集表現良好
- 可處理較小數據量
- 需高質量、乾淨數據
- 特徵必須明確定義
深度學習
- 需要極大數據集
- 數百萬樣本
- 例子：語音識別需數萬小時數據
- 適合大數據場景
計算基礎設施需求
| 項目 | 機器學習 | 深度學習 |
|---|---|---|
| 硬件 | CPU足夠 | 需GPU/TPU |
| 訓練時間 | 數分鐘至數小時 | 數小時至數天 |
| 基礎設施 | 個人電腦可用 | 需高性能集群 |
| 成本 | 低至中等 | 高 |
| 擴展性 | 受算法複雜度限制 | 隨資源高度可擴展 |
深度學習模型需GPU支持以加速並行矩陣運算，基礎設施投資是關鍵考量。
性能與準確度
- 人工智能目標： 成功解決任務，不一定依賴數據學習
- 機器學習目標： 通過訓練數據優化預測準確度
- 深度學習優勢： 在充足數據與計算力下達成極高準確度，超越傳統機器學習
適用場景
機器學習應用
適合結構化數據，複雜度與數量中等：
- 客戶行為預測
- 信用風險分析
- 詐騙檢測
- 垃圾郵件過濾
- 業務預測
- 推薦系統
深度學習應用
擅長非結構化數據與複雜模式識別：
- 圖像與臉部識別
- 語音識別與合成
- 自然語言處理
- 自動駕駛
- 醫療影像分析
- 生成式人工智能（ChatGPT、DALL-E）
人工智能、機器學習與深度學習的實際應用
為更好理解差異，讓我們探討各技術在現實場景中的典型應用範例：
人工智能（AI）應用
人工智能存在於我們周圍許多智慧系統中，從預測算法到自主系統：
- 搜尋引擎： 谷歌用於用戶需求與查詢理解的預測算法
- 交通運輸： Uber/Grab等叫車應用優化路線與定價
- 航空： 商用飛機的自動駕駛系統
- 遊戲： 深藍下棋、AlphaGo下圍棋
- 遊戲開發： 使用基於規則系統控制NPC（非玩家角色）的人工智能
機器學習應用
機器學習廣泛應用於多個領域，尤其在模式識別與預測方面價值突出：
虛擬助理
安全系統
商業分析
推薦系統
深度學習應用
深度學習支撐了近期人工智能的突破，尤其在需要複雜模式識別的領域：
語音識別
將語音轉換為文字，為虛擬助理提供自然語言理解能力。
計算機視覺
高精度物體檢測、臉部識別、醫療影像分析。
自動駕駛車輛
自駕車分析實時視頻與感測器數據以做出導航決策。
自然語言處理
機器翻譯、情感分析、上下文理解的文本生成。
生成式人工智能
GPT-4驅動ChatGPT，DALL-E創作圖像，基礎模型生成新內容。
醫療診斷
分析醫療掃描、預測疾病結果、加速藥物發現。
主要結論
理解人工智能、機器學習與深度學習的區別，對於做出明智的技術決策及正確使用術語至關重要。
人工智能
機器學習
深度學習
未來，隨著數據增長與需求提升，深度學習預計將繼續在推動人工智能新進展中發揮關鍵作用。這些技術的協同將為各行業開啟前所未有的可能性。
