人工智能（AI）和機器學習（ML）現在是兩個非常熱門的流行語，通常似乎可以互換使用。
但這二者并不完全一樣，但是有時會導致人們的看法有一些混亂，因此需要解釋這二者之間的區別。
當大數據、數據分析，以及更廣泛的技術變革浪潮席卷全球時，這兩個術語都會頻繁出現。
總之，最好的答案是：人工智能是一種機器能夠以人們認為“聰明”的方式執行任務的更廣泛的概念。
而且，機器學習是人工智能的一個最新應用，它基于這樣一個想法：真的應該能夠讓機器訪問數據，讓他們自己學習。
早期的發展
人工智能已經存在了很長一段時間——希臘神話中就有模仿人類行為的機械人的故事。早期的歐洲研發的計算機被認為是“邏輯機器”，通過復制諸如基本算術和記憶等功能，工程師們從根本上認為他們的工作是試圖創造機械的大腦。
作為技術，重要的是，人們對于人類的思想如何運作的理解已經取得了進展，我們對人工智能的構想的概念發生了變化。人工智能領域的工作不是日益復雜的計算，而是集中于模仿人類決策過程和以更具人性化的方式執行任務。
人工智能設備被設計成為具有智能行為的設備通常被分為兩個基本群體之一——應用型或通用型。應用人工智能則是更為常見的，例如，智能地交易股票和股票的系統，或操縱自主車輛的系統將屬于這一類。
廣義的人工智能，這在理論上可以處理任何任務的系統或設備，是不太常見的，但這是目前讓人看到的最令人興奮的進步。這也是導致機器學習發展的領域，通常被稱為人工智能的一個子集，將其視為當前最先進的技術確實更加準確。
機器學習的興起
兩個重大突破導致機器學習的出現，以其目前的速度推動人工智能的發展。
其中一個突破就是人工智能的先驅人物亞瑟·塞繆爾（ArthurSamuel）在1959年提出的一個概念的實現，與其教計算機所需要的各種知識和如何執行任務，不如教它們自己如何學習。
第二個突破是互聯網的出現，以及大量數字信息的產生、存儲和分析。
一旦這些創新部署到位，工程師們意識到，與其教計算機和機器如何做每件事，不如對它們進行編碼成像人類一樣思考，然后把它們接入互聯網，讓他們訪問世界上所有的信息。
神經網絡
神經網絡的發展一直是教授計算機以人類的方式思考和理解世界的關鍵所在，同時保留了它們對人類的固有優勢，如速度、準確性，以及沒有偏見。
神經網絡是一種計算機系統，它的工作原理是以人腦的相同方式對信息進行分類。可以教它識別圖像，并根據它們包含的元素進行分類。
從本質上講，它是基于概率系統，基于提供給它的數據，它能夠以一定程度的確定性作出陳述，決定或預測。反饋循環的添加使得“學習”，通過感知或被告知其決策是對還是錯，它改變了未來所采取的方法。
機器學習應用程序可以讀取文本，并確定寫的內容是抱怨還是表示祝賀。他們也可以聽一段音樂，決定是否有可能使人感到高興或者悲傷，并找到其他音樂片段來匹配其情緒。在某些情況下，他們甚至可以作曲表達相同的主題。
這些都是基于機器學習和神經網絡的系統提供的所有可能性。多虧了科幻小說，這個想法也出現了，我們應該能夠像我們另一個人一樣自然地與電子設備和數字信息進行交流和互動。為此，人工智能-自然語言處理（NLP）的另一個領域已經成為近年來一個非常激動人心的創新的源泉，也是很大程度上依賴于機器學習。
自然語言處理應用程序嘗試了解人類通信，無論是書面的還是口頭的，并且使用類似的自然語言與人們進行交流。這里使用機器學習來幫助機器了解人類語言的巨大細微差別，并學習以特定受眾可能理解的方式進行回應。
人工智能，特別是今天的機器學習肯定有很多東西可以提供。憑借其自動化任務并提供創造性的洞察力，從銀行業到醫療保健和制造業的各個行業都獲益良多。所以，重要的是要記住，人工智能和機器學習是什么，它們對外銷售的產品，需要有利可圖。
機器學習無疑被營銷人員抓住了機會。人工智能已經存在了這么長時間后，即使在真正實現了潛力之前，它也有可能被視為某種舊事物。在“人工智能革命”的道路上，出現了一些錯誤的開端，機器學習這個術語無疑給了營銷人員一些新的有價值的東西，更重要的是，要打好堅實的基礎。
事實上，人們最終會發展出類似人工智能的實例，這往往被視為技術專家必然的事情。當然，如今人們的節奏比以往任何時候都更加緊密，正在以更快的速度朝著這一目標前進。近年來所取得的令人振奮的進展是由于人們如何設想人工智能工作的根本變化，這是由機器學習帶來的。
京公網安備 11010502049343號