人工智慧、機器學習與深度學習
人工智慧、機器學習與深度學習並非同義詞；它們具有層級關係且有明確區別。
在當今科技時代，人工智慧、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截然不同的概念。
例如，當 Google 的 AlphaGo 在 2016 年擊敗圍棋冠軍李世石時，媒體交替使用 人工智慧、機器學習與深度學習來描述這場勝利。事實上，人工智慧、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慧、機器學習與深度學習之間的差異及其關係。讓我們與 INVIAI 一起深入探討！
什麼是人工智慧（AI）？
人工智慧（AI）是電腦科學的一個廣泛領域，專注於創造能模擬人類智慧與認知功能的系統。
換句話說，人工智慧涵蓋所有使電腦能執行通常需要人類智慧的任務的技術，例如問題解決、決策制定、環境感知、語言理解等。人工智慧不限於資料驅動的學習方法，也包括由人類編程的規則式或知識式系統。
人工智慧分類
狹義人工智慧（弱人工智慧）
通用人工智慧（強人工智慧）
什麼是機器學習？
機器學習（ML）是人工智慧的子集，專注於開發演算法與統計模型，使電腦能從資料中學習，並在無需明確逐步編程的情況下逐漸提升準確度。機器學習演算法透過分析輸入資料，萃取模式，並在遇到新資料時做出預測或決策，而非由人類撰寫所有指令。
讓電腦能在未被明確編程的情況下學習的研究領域。
— Arthur Samuel，1959
機器學習類型
監督式學習
在標記資料集上訓練模型，正確答案已知。
- 預測房價
- 電子郵件垃圾郵件偵測
- 醫療診斷
非監督式學習
在未標記資料中尋找結構或群組，無預先定義類別。
- 客戶分群
- 異常偵測
- 模式發現
強化學習
透過與環境互動，透過獎勵或懲罰學習行為的模型。
- 遊戲 AI
- 機器人控制
- 資源優化
什麼是深度學習？
深度學習（DL）是機器學習的專門分支，使用多層人工神經網路從資料中學習。
「深度」指的是具有多個隱藏層（通常超過三層）的網路結構，這種多層結構使模型能學習高層次抽象的複雜特徵。深度學習靈感來自人腦運作，人工「神經元」相互連結，模擬生物神經網路。
自動特徵萃取
多層架構
需求與效益
深度學習所需
- 非常大量的資料集（數百萬樣本）
- 強大的運算資源（GPU、TPU）
- 長時間訓練（數小時至數天）
- 較高的基礎建設成本
回報
- 複雜任務的卓越準確度
- 優秀的影像與語音辨識
- 先進的自然語言處理
- 達到或超越人類水準的表現
人工智慧、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 ⊂ 人工智慧。人工智慧是最廣泛的領域，機器學習是人工智慧的子集，深度學習則是機器學習的一部分。
人工智慧（最廣泛）
所有使機器能模擬智慧的技術，包括規則式與資料驅動系統。例如：使用固定演算法的西洋棋程式是人工智慧，但非機器學習。
機器學習（人工智慧子集）
基於機器從資料中學習以提升效能的人工智慧方法。例如：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）
使用多層神經網路進行複雜模式識別的機器學習方法。例如：自動學習視覺特徵的影像辨識系統。
人工智慧、機器學習與深度學習的主要差異
雖然它們有層級關係，但在範圍、運作方式與技術需求上有明顯差異。讓我們探討關鍵區別：
範圍與定義
- 人工智慧： 包含所有使機器模擬智慧的方法（規則式與資料驅動皆含）
- 機器學習： 縮小為基於資料學習的人工智慧方法
- 深度學習： 進一步聚焦於使用多層神經網路的機器學習
深度學習同時屬於機器學習與人工智慧，但人工智慧範圍遠超過僅基於學習的方法。
學習方法與人為介入
高度人為介入
- 工程師需選擇特徵
- 需手動特徵萃取
- 需領域專家知識
- 例如：定義影像辨識的形狀、顏色、邊緣
自動特徵學習
- 自動特徵萃取
- 多層次特徵學習
- 減少人為介入
- 例如：從原始影像自動發現視覺模式
資料需求
機器學習
- 中等資料集表現良好
- 可處理較小資料量
- 需高品質、乾淨資料
- 特徵必須明確定義
深度學習
- 需要非常大量資料集
- 數百萬樣本需求
- 例如：語音辨識需數萬小時資料
- 適合大數據場景
運算基礎設施需求
| 面向 | 機器學習 | 深度學習 |
|---|---|---|
| 硬體 | 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 | 需高效能叢集 |
| 成本 | 低至中等 | 高 |
| 可擴展性 | 受限於演算法複雜度 | 隨資源高度可擴展 |
深度學習模型需 GPU 支援以加速平行矩陣運算，使基礎設施投資成為關鍵考量。
效能與準確度
- 人工智慧目標： 成功解決指定任務，不一定透過資料學習
- 機器學習目標： 透過訓練資料優化預測準確度
- 深度學習優勢： 在充足資料與運算力下，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
適合結構化資料，且複雜度與資料量中等：
- 客戶行為預測
- 信用風險分析
- 詐欺偵測
- 垃圾郵件過濾
- 商業預測
- 推薦系統
深度學習應用
擅長非結構化資料與複雜模式識別：
- 影像與臉部辨識
- 語音辨識與合成
- 自然語言處理
- 自動駕駛
- 醫療影像分析
- 生成式人工智慧（ChatGPT、DALL-E）
人工智慧、機器學習與深度學習的實際應用
為了更好理解差異，讓我們探索各技術在現實場景中的典型應用範例：
人工智慧（AI）應用
人工智慧存在於我們周遭許多智慧系統中，從預測演算法到自主系統：
- 搜尋引擎： Google 的用戶需求與查詢理解預測演算法
- 交通運輸： Uber/Grab 等叫車應用優化路線與價格
- 航空： 商用飛機的自動駕駛系統
- 遊戲： Deep Blue 下棋、AlphaGo 下圍棋
- 遊戲開發： 使用規則式系統控制 NPC（非玩家角色）的人工智慧
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顯著：
虛擬助理
安全系統
商業分析
推薦系統
深度學習應用
深度學習支撐了近年人工智慧的突破，特別是在需要複雜模式識別的領域：
語音辨識
將語音轉換為文字，為虛擬助理提供自然語言理解能力。
電腦視覺
高準確度的物體偵測、臉部辨識與醫療影像分析。
自動駕駛車輛
分析即時影像與感測器資料，做出導航決策。
自然語言處理
機器翻譯、情感分析、具上下文理解的文本生成。
生成式人工智慧
GPT-4 驅動 ChatGPT，DALL-E 創造影像，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。
主要重點整理
理解人工智慧、機器學習與深度學習的區別，對於做出明智的技術決策與正確使用術語至關重要。
人工智慧
機器學習
深度學習
未來，隨著資料增長與需求提升，深度學習預計將持續在推動人工智慧領域新進展中扮演關鍵角色。這些技術間的協同將解鎖產業前所未有的可能性。
