人工智能、机器学习和深度学习，到底有什么区别？
人工智能、机器学习和深度学习的关系
在智能科学领域，有一个初学者很爱问的问题：人工智能、机器学习和深度学习三者有什么联系和区别？
这个是既简单又复杂的问题。这个问题是有标准答案的。答：三者是包含关系，即人工智能包含机器学习，机器学习包含深度学习。
可是，如果你一旦细究，就会发现这个问题远比标准答案要复杂得多。
先说一个很容易产生的误区。我们在新闻上经常能看到：某某产品使用了人工智能技术，就具备了怎样“叹为观止”的能力，让人很容易产生一种错觉，以为人工智能和涡轮增压一样，就是一种技术，所有的“人工智能”产品，用到的都是同一种叫“人工智能”的技术。
但实际上，人工智能是一片森林，森林里的每一棵树，都是一条技术原理完全不同的路线。为什么会有这么多不同的路线呢？原因很简单，别看一说人工智能，许多大V都能侃侃而谈，其实大家都在盲人摸象，直到现在也还不知道到底哪一条才是通往真正智能的康庄大道。可能都是，也可能都不是，怎么办呢？那就多路并举。
有多少路呢？总的来说可以分为三路，或者叫三种主流学派：符号主义、连接主义和行为主义。你随便去翻一本人工智能的教材，你就能看到这三种主义都是什么。
不过，这并非唯一的分法。一些文献会将主要路线分为两条：基于规则和基于统计。我更喜欢这种分法——清晰、易懂、好落地。
基于规则的想法很朴素，譬如说语法分析：如果我把所有的语法规则都穷尽了，做出来的语法分析器不就“智能”了吗？理想很丰满，现实很骨感，最大的问题就在于“大”——工作量大。基于规则的路线很多人试了，结论就是：哪怕只是语法，不同的情况也非常多，要穷尽所有规则只能是挂一漏万，人力不可能为之。
目前的赢家是基于统计，优势是成本低，不需要人肉写规则，而且效果还好。机器学习就是基于统计的智能算法。
初学者经常爱问的另一个问题是“机器学习的本质是什么”。我认为很简单，就是用模型拟合数据的分布。对于机器学习来说，数据很重要，非常重要，学过机器学习的同学可能听过一句话，叫“数据决定了性能的天花板”，而选择哪款模型，则决定你与天花板的距离。
可是，为什么呢？就是因为：机器学习的本质是拟合数据的分布。
如果你得到的数据质量并不好，样本分布和真实分布存在偏差，模型的性能就一定好不了。这就相当于，你考试前背答案，但是答案本身就错了，你背得越熟，结果只能错得越离谱。
机器学习也不是某一种技术，而是一筐技术。
譬如有支持向量机、决策树、最近邻等等，单拎出来都可以算是一条技术路线，其中有一路叫神经网络，有的人觉得应该和生物学的神经网络有所区别，应该叫人工神经网络（ANN）——以生物学的神经网络为蓝本设计的机器学习算法。
光听名字，就让人感觉这个算法非常有前途，实际上也确实很有前途，现在大名鼎鼎的深度学习，就是神经网络的Plus版。
从神经网络到深度学习
神经网络和深度学习的关系是个热门话题，甚至干脆就叫这个名字的书我都翻过好几本。相关的内容我也写过几次分享，最近在看一本书，是Charu C.Aggarwal写的《神经网络与深度学习》，对这个话题又有更深的了解。
我们知道，近几年人工智能又成了热议的话题和投资的风口，而推高这一波热潮的技术叫深度学习。前面介绍了人工智能、机器学习和深度学习三者是包含关系，不过还是有不少不严谨的媒体，俨然把深度学习当作了人工智能的代名词，那接下来就专门聊聊，这个深度学习到底是怎么一回事。
上面我们提到了神经网络，从技术脉络来说，深度学习就是神经网络这一支系下的一条分叉。所谓深度，其实就是神经网络层数很多的意思。神经网络的发展历程非常曲折，经历了两次大低谷，每次都被打上“此路不通”的标签。
第一次是在1960年代，当时出了一本书叫《感知机》，这是一本在神经网络上具有里程碑意义的著作，在数学上证明了（单层）神经网络无法学习异或，也就是我们熟知的XOR操作。我看过有些教材上直接就写是“神经网络无法学习异或”，这是误导，我们现在使用的多层神经网络是可以学习异或的，严谨的表示应该是单层神经网络无法学习异或。
不过，当时的神经网络都是单层神经网络，所以这个证明结论在很多人看来是直接宣判神经网络的死刑，连很多神经网络领域的领军人物都纷纷另寻他路。
大家看到这里理应产生一个问题：现在深度学习大行其道，所有人都知道多层神经网络是完全可行的，单层神经网络的出路就是把层数加深，这么简单的破局之道，为什么连当时的大牛都看不到？
因为多层神经网络会导致误差难以传导。依靠误差调整权重是神经网络，乃至很多机器学习算法的所谓“学习”过程。简单增加神经网络的层数会导致什么问题呢？梯度消失。简单来说就是传回去的误差为0了，权重也就没法通过学习来调整了。这个问题至今仍然是困扰深度学习的一大难题。