目录
前言
人工智能与机器学习之间的关系，本文针对人工智能与机器学习、强化学习、深度学习的一些概念进行了直观的描述，不涉及具体技术的推导，后期会根据学习内容对现有的知识进行详细的推导和描述，本文的主要目的是培养大家对于一些概念的直观感觉，清晰相应的概念，便于后续的学习，适合新手观看。
一、人工智能是什么？
（一）人工智能概念
首先，人工智能的定义就是指人制造出来的机器所表现出。建来的智能构能够跟人类相似甚至超卓的推理知识、规划、学习、交流、感知、移物、使用工具和操控机械的能力等。
人工智能的英文由两部分构成，一个是Artificial，一个是Intelligence。Artificial就是指由人工制造的，Intelligence是指机器自主学习及解决问题的能力。取各自的首字母就是AI，用最简单的语言来说，AI就是机器对人类智能的模仿，使得机器可以像人类一样进行思考行动，解决复杂问题。
（二）人工智能应用
人工智能设计的领域非常多，车辆识别、人脸识别、自动驾驶、机器翻译、人机互动、智能机器人、Deepseek大模型、AI医疗和金融以及智能机器人等都属于人工智能的范畴。例如AI医疗，通过建立专家系统模型，将数百万份带有标签的CT数据集输入进行训练之后，就可以得到一个经验丰富的AI医生，可以准确识别CT中的各种异常，得出报告结论。 人工智能的一个特点就是可以自我优化，迭代升级。
（三）强弱人工智能概念
首先，我们先明确弱人工智能和强人工智能的概念。
弱人工智能：就是指为了某项技能特定技能开发的AI应用程序。弱是指专注于某项任务，例如人脸识别、聊天机器人、语音助手等，现在我们树熟知的Deepseek大模型也属于弱人工智能的范畴，他是专门编程用于处理语言文本的。网上有些人说它属于AGI其实是不准确的，但是确实朝着AGI的方向跨越了一大步，但是还有很大的差距。
强人工智能：也称为通用型人工智能，也就是我们常说的AGI。它描述的是一种人工智能达到的理想状态，即人工智能可以处理各种复杂问题，类似我们科幻片里面看到的一些智能机器人。
（四）人工智能实现方法
其次，人工智能的实现方法有两种，一种是符号学习，一种是机器学习，符号学习是指基于逻辑和规则的方法，按照if…then的原则执行任务，无法进行动态优化，例如早期的专家系统就属于符号学习的范畴。之后就是机器学习，机器学习是指从数据中寻找规律，依据寻找到的规律处理问题。主要依靠大量的数据进行自我的优化升级，对数据的依赖性很大，也就是我们常说的数据驱动，也是当前的主流AI学习算法。
（五）人工智能发展历程
总结来说，人工智能的发展经历了三个阶段，第一个阶段就是计算智能，巨能算，计算机的计算能力远远大于人类。1950年：图灵提出了“机器思考”设想，开始了人工智能的探寻，在1956年确立了“AI”的概念，进行了符合主义的早期研究，也就是我们上面讲的符号学习。之后基于符号学习诞生了专家系统，之后人工智能发展陷入了瓶颈。之后由于神经网络的发展，人工智能进入了感知智能阶段，机器能通过数据学习完成特定的任务，也能干，例如语音识别、图像识别等。最后是我们现在所处的通用智能阶段，就是机器什么也能干。当然现有的AI技术称不上完全的通用智能，但是例如大模型等，可以基于原有的数据生成一些内容，生成式AI逐渐普及。这也是现阶段人工智能的发展方向。
二、机器学习
机器学习：通过算法和模型从数据中寻找规律来解决问题，而不是简单的执行程序来进行判断。机器学习的三大任务可以分为回归、分类以及聚类，回归产生连续的结果，根据以往经验进行连续的数据预测。分类产生离散结果，可以理解为有标签的分类，产生识别的任务，图像识别，车辆识别等；聚类可以理解为无标签的分类，即指找数据之间的联系，根据数据特征进行分类。分类与回归都是根据现有数据建立预测模型，给定输入得到输出，不过回归是连续的，而分类是离散的。
强化学习：是一种通过智能体与环境交互进行学习的方法。具体可以看链接：
强化学习基础概念及学习路径
https://blog.csdn.net/h320130/article/details/143946867监督学习和无监督学习：根据数据集有无标签可以分为监督学习和无监督学习
深度学习：是指基于神经网络进行数据学习的一种方法。
各种学习方法之间的关系如下图所示：
三、神经网络
神经网络：神经网络是仿照人的神经元结构建立的，利用数字模型建立的网络。可以看作一个黑盒，能够处理数据集，通过拟合等方法得到输入数据和输出数据之间的联系。
损失函数：用来衡量神经网络拟合好坏的函数。
梯度下降：用来优化损失函数，通过调整参数得到最小损失的算法。
反向传播：求解损失函数梯度的方法。
根据连接方式的不同，神经网络可以分为前馈神经网络和反馈神经网络：
（一）前馈神经网络
前馈神经网络：每层的神经元接收前一级输入，并输出到下一级，直至输出层。
卷积神经网络（CNN）：利用卷积和池化降低数据维度，进行图像处理的网络。
全连接神经网络（FCN)：最基础的神经网络结构，它由多个神经元组成，这些神经元按照层级顺序连接在一起。每一层的每个神经元都与前一层的每个神经元连接。
生成对抗网络(GAN)：专门用于生成图像的网络，由一个鉴别器和一个生成器组成，生成器的作用是降低鉴别器的性能，生成逼真的图片。
（二）反馈神经网络
反馈神经网络：神经元不但可以接收其他神经元的信号，而且可以接收自己的反馈信号。
循环神经网络(RNN)：具有环盒子重复，可以储存信息，用来处理顺序任务。
长短期记忆网络(LSTM)：为了防止梯度爆炸或者消失，增加了内存块，也用来处理顺序任务。
总结
以上就是今天要讲的内容，本文仅仅简单介绍了人工智能领域的一些简单概念，适合新手进行概念梳理和理解，针对具体领域的技术，大家可以根据自己的兴趣和爱好进行专门领域的学习。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
