人工智慧，机器学习，深度学习之间究竟是什么关系

人工智慧，机器学习，深度学习之间究竟是什么关系  

人工智慧，机器学习，深度学习之间究竟是什么关系

从概念的提出到走向繁荣
1956年，几个电脑科学家相聚在达特茅斯会议（Dartmouth Conferences），提出了“人工智慧”的概念。其后，人工智慧就一直萦绕于人们的脑海之中，并在科研实验室中慢慢孵化。之后的几十年，人工智慧一直在两极反转，或被称作人类文明耀眼未来的预言；或者被当成技术疯子的狂想扔到垃圾堆里。坦白说，直到2012年之前，这两种声音还在同时存在。
过去几年，尤其是2015年以来，人工智慧开始大爆发。很大一部分是由于GPU的广泛应用，使得平行计算变得更快、更便宜、更有效。当然，无限拓展的储存能力和骤然爆发的资料洪流（大资料）的组合拳，也使得影象资料、文字资料、交易资料、对映资料全面海量爆发。
让我们慢慢梳理一下电脑科学家们是如何将人工智慧从最早的一点点苗头，发展到能够支撑那些每天被数亿使用者使用的应用的。
人工智慧（Artificial Intelligence）——为机器赋予人的智慧
成王（King me）:能下国际跳棋的程式是早期人工智慧的一个典型应用，在二十世纪五十年代曾掀起一阵风潮。（译者注：国际跳棋棋子到达底线位置后，可以成王，成王棋子可以向后移动）。
早在1956年夏天那次会议，人工智慧的先驱们就梦想着用当时刚刚出现的计算机来构造复杂的、拥有与人类智慧同样本质特性的机器。这就是我们现在所说的“强人工智慧”（General AI）。这个无所不能的机器，它有着我们所有的感知（甚至比人更多），我们所有的理性，可以像我们一样思考。
人们在电影里也总是看到这样的机器：友好的，像星球大战中的C-3PO；邪恶的，如终结者。强人工智慧现在还只存在于电影和科幻小说中，原因不难理解，我们还没法实现它们，至少目前还不行。
我们目前能实现的，一般被称为“弱人工智慧”（Narrow AI）。弱人工智慧是能够与人一样，甚至比人更好地执行特定任务的技术。例如，Pinterest上的影象分类；或者Facebook的人脸识别。
这些是弱人工智慧在实践中的例子。这些技术实现的是人类智慧的一些具体的区域性。但它们是如何实现的？这种智慧是从何而来？这就带我们来到同心圆的里面一层，机器学习。
机器学习—— 一种实现人工智慧的方法
健康食谱（Spam free diet）：机器学习能够帮你过滤电子信箱里的（大部分）垃圾邮件。（译者注：英文中垃圾邮件的单词spam来源于二战中美国曾大量援助英国的午餐肉品牌SPAM。直到六十年代，英国的农业一直没有从二战的损失中恢复，因而从美国大量进口了这种廉价的罐头肉制品。据传闻不甚好吃且充斥市场。）
机器学习最基本的做法，是使用演算法来解析资料、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软体程式不同，机器学习是用大量的资料来“训练”，通过各种演算法从资料中学习如何完成任务。
机器学习直接来源于早期的人工智慧领域。传统演算法包括决策树学习、推导逻辑规划、聚类、强化学习和贝叶斯网路等等。众所周知，我们还没有实现强人工智慧。早期机器学习方法甚至都无法实现弱人工智慧。
机器学习最成功的应用领域是计算机视觉，虽然也还是需要大量的手工编码来完成工作。人们需要手工编写分类器、边缘检测滤波器，以便让程式能识别物体从哪里开始，到哪里结束；写形状检测程式来判断检测物件是不是有八条边；写分类器来识别字母“ST-O-P”。使用以上这些手工编写的分类器，人们总算可以开发演算法来感知影象，判断影象是不是一个停止标志牌。
这个结果还算不错，但并不是那种能让人为之一振的成功。特别是遇到云雾天，标志牌变得不是那么清晰可见，又或者被树遮挡一部分，演算法就难以成功了。这就是为什么前一段时间，计算机视觉的效能一直无法接近到人的能力。它太僵化，太容易受环境条件的干扰。
随着时间的推进，学习演算法的发展改变了一切。
深度学习——一种实现机器学习的技术
放猫（Herding Cats）:从YouTube视讯里面寻找猫的图片是深度学习杰出效能的首次展现。（译者注：herdingcats是英语习语，照顾一群喜欢自由，不喜欢驯服的猫，用来形容局面混乱，任务难以完成。）
人工神经网路（Artificial Neural Neorks）是早期机器学习中的一个重要的演算法，历经数十年风风雨雨。神经网路的原理是受我们大脑的生理结构——互相交叉相连的神经元启发。但与大脑中一个神经元可以连线一定距离内的任意神经元不同，人工神经网路具有离散的层、连线和资料传播的方向。
例如，我们可以把一幅影象切分成影象块，输入到神经网路的第一层。在第一层的每一个神经元都把资料传递到第二层。第二层的神经元也是完成类似的工作，把资料传递到第三层，以此类推，直到最后一层，然后生成结果。
每一个神经元都为它的输入分配权重，这个权重的正确与否与其执行的任务直接相关。最终的输出由这些权重加总来决定。
我们仍以停止（S）标志牌为例。将一个停止标志牌影象的所有元素都打碎，然后用神经元进行“检查”：八边形的外形、救火车般的红颜色、鲜明突出的字母、交通标志的典型尺寸和静止不动运动特性等等。神经网路的任务就是给出结论，它到底是不是一个停止标志牌。神经网路会根据所有权重，给出一个经过深思熟虑的猜测——“概率向量”。
这个例子里，系统可能会给出这样的结果：86%可能是一个停止标志牌；7%的可能是一个限速标志牌；5%的可能是一个风筝挂在树上等等。然后网路结构告知神经网路，它的结论是否正确。
即使是这个例子，也算是比较超前了。直到前不久，神经网路也还是为人工智慧圈所淡忘。其实在人工智慧出现的早期，神经网路就已经存在了，但神经网路对于“智慧”的贡献微乎其微。主要问题是，即使是最基本的神经网路，也需要大量的运算。神经网路演算法的运算需求难以得到满足。
不过，还是有一些虔诚的研究团队，以多伦多大学的Geoffrey Hinton为代表，坚持研究，实现了以超算为目标的并行演算法的执行与概念证明。但也直到GPU得到广泛应用，这些努力才见到成效。
我们回过头来看这个停止标志识别的例子。神经网路是调制、训练出来的，时不时还是很容易出错的。它最需要的，就是训练。需要成百上千甚至几百万张影象来训练，直到神经元的输入的权值都被调制得十分精确，无论是否有雾，晴天还是雨天，每次都能得到正确的结果。
只有这个时候，我们才可以说神经网路成功地自学习到一个停止标志的样子；或者在Facebook的应用里，神经网路自学习了你妈妈的脸；又或者是2012年吴恩达（Andrew Ng）教授在Google实现了神经网路学习到猫的样子等等。
吴教授的突破在于，把这些神经网路从基础上显著地增大了。层数非常多，神经元也非常多，然后给系统输入海量的资料，来训练网路。在吴教授这里，资料是一千万YouTube视讯中的影象。吴教授为深度学习（deep learning）加入了“深度”（deep）。这里的“深度”就是说神经网路中众多的层。
现在，经过深度学习训练的影象识别，在一些场景中甚至可以比人做得更好：从识别猫，到辨别血液中癌症的早期成分，到识别核磁共振成像中的肿瘤。Google的AlphaGo先是学会了如何下围棋，然后与它自己下棋训练。它训练自己神经网路的方法，就是不断地与自己下棋，反复地下，永不停歇。
深度学习，给人工智慧以璀璨的未来
深度学习使得机器学习能够实现众多的应用，并拓展了人工智慧的领域范围。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。
人工智慧就在现在，就在明天。有了深度学习，人工智慧甚至可以达到我们畅想的科幻小说一般。你的C-3PO我拿走了，你有你的终结者就好了。

如何理解人工智慧，机器学习和深度学习三者的关系, 人工智慧，机器学习和深度学习有何不同

是一个包含的关系。
机器学习是人工智慧的一种，深度学习是机器学习的一种

如何快速区分人工智慧，机器学习和深度学习

人工智慧包含的范围非常大，机器学习是人工智慧的基础技术，而人工智慧最近的大发展都是基于深度学习技术

深度学习和人工智慧之间是什么样的关系

人工智慧涉及到的领域比较多，深度学习是其中一种比较热门的方法，比如下围棋涉及到的评估棋盘局势和一步棋价值的方法是深度学习，整个下棋过程该如何选择所用到的蒙特卡洛树，剪枝演算法等，不是深度学习。

1. 深度学习与AI。本质上来讲，人工智慧相比深度学习是更宽泛的概念。人工智慧现阶段分为弱人工智慧和强人工智慧，实际上当下科技能实现的所谓“人工智慧”都是弱AI，奥创那种才是强AI（甚至是boss级的）。而深度学习，是AI中的一种技术或思想，曾被MIT技术评论列为2013年十大突破性技术（Deep Learning居首）。或者换句话说，深度学习这种技术（我更喜欢称其为一种思想，即end-to-end）说不定就是实现未来强AI的突破口。
2. 深度学习与ML。DL与ML两者其实有着某种微妙的关系。在DL还没有火起来的时候，它是以ML中的神经网略学习演算法存在的，随着计算资源和big data的兴起，神经网路摇身一变成了如今的DL。学界对DL一般有两种看法，一种是将其视作feature extractor，仅仅用起提取powerful feature；而另一种则希望将其发展成一个新的学习分支，也就是我上面说的end-to-end的“深度学习的思想”。

深度学习是机器学习的一个分支，机器学习是人工智慧的一个分支。

深度学习是机器学习的方向和领域之一，机器学习又是人工智慧的方向和领域之一。
具体他们分别研究哪些问题一篇文章很难讲清楚哩。不过大多数人都推荐图灵的那篇论文作为研究起点。
目前深度学习因为取得了很多关键技术进展，效果超出预期所以很热，很多领域开始利用深度学习解决一些实际问题。深度学习的巨大进展带动机器学习其他分支学科一起热了起来。
人工智慧技术未来将会想电力、通讯、网际网路等技术一样成为社会的基本支撑技术之一。

我只是想要点分，所以如果可以的话请采纳
人工智慧很早就有了，人工智慧本质就是让机器具有智慧
但是机器只能够学习，目前仍不具有强主动创造能力，和几十年前一样，他又是怎么火起来的？
那么为什么人工智慧火起来了，因为深度学习，深度学习火起来是因为深度神经网路
深度学习是人工智慧的一种最火热的实现手段，主要依赖于高质量的演算法和大资料计算技术
所以只有硬体跟上去了，深度学习才能更好的实现，这就是它火起来的原因