本文部分内容源于互联网。
名与实
内涵与外延
人工智能（Artificial Intelligence），即为AI。
深度学习（Deep Learning），即为DL。
人工智能，顾名思义，人工而不是天然，智能，即聪慧与能动。聪慧而不是知识，能动（主动）而不是被动。PS：分类是一种认识事物的方法，找到事物之间的小异，归纳也是一种认识事物的方法，找到事物之间的大同。
机器学习，顾名思义，机器像人一样的学习。
深度学习，顾名思义，有深度的学习，不是浅层的学习。
要搞清它们的关系，最直不雅观的表述办法便是同心圆，最先涌现的是理念，然后是机器学习，当机器学习繁荣之后就涌现了深度学习，本日的AI大爆发是由深度学习驱动的。下面让我们逐层解析AI、ML和DL。
AI：让机器展现出人类智力
回到1956年夏天，在当时的会议上，AI先驱的梦想是建造一台繁芜的机器（让当时刚涌现的打算机驱动），然后让机器呈现出人类智力的特色。
这一观点便是我们所说的“强人工智能（General AI）”，也便是打造一台超棒的机器，让它拥有人类的所有感知，乃至还可以超越人类感知，它可以像人一样思考。在电影中我们常常会看到这种机器，比如 C-3PO、闭幕者。
还有一个观点是“弱人工智能（Narrow AI）”。大略来讲，“弱人工智能”可以像人类一样完成某些详细任务，有可能比人类做得更好，例如，Pinterest做事用AI给图片分类，Facebook用AI识别脸部，这便是“弱人工智能”。
上述例子是“弱人工智能”实际利用的案例，这些运用已经表示了一些人类智力的特点。若何实现的？这些智力来自何处？带着问题我们深入理解，就来到下一个圆圈，它便是机器学习。
机器学习：抵达AI目标的一条路径
大体来讲，机器学习便是用算法真正解析数据，不断学习，然后对天下中发生的事做出判断和预测。此时，研究职员不会亲手编写软件、确定分外指令集、然后让程序完成分外任务，相反，研究职员会用大量数据和算法“演习”机器，让机器学会如何实行任务。
机器学习这个观点是早期的AI研究者提出的，在过去几年里，机器学习涌现了许多算法方法，包括决策树学习、归纳逻辑程序设计、聚类剖析(Clustering)、强化学习、贝叶斯网络等。正如大家所知的，没有人真正达到“强人工智能”的终极目标，采取早期机器学习方法，我们连“弱人工智能”的目标也远没有达到。
在过去许多年里，机器学习的最佳运用案例是“打算机视觉”，要实现打算机视觉，研究职员仍旧须要手动编写大量代码才能完成任务。研究职员手动编写分级器，比如边缘检测滤波器，只有这样程序才能确定工具从哪里开始，到哪里结束；形状侦测可以确定工具是否有8条边；分类器可以识别字符“S-T-O-P”。通过手动编写的分组器，研究职员可以开拓出算法识别故意义的形象，然后学会下判断，确定它不是一个停滞标志。
这种办法可以用，但并不是很好。如果是在雾天，当标志的能见度比较低，或者一棵树挡住了标志的一部分，它的识别能力就会低落。直到不久之前，打算机视觉和图像侦测技能还与人类的能力相去甚远，由于它太随意马虎出错了。
深度学习：实现机器学习的技能
“人工神经网络（Artificial Neural Networks）”是另一种算法方法，它也是早期机器学习专家提出的，存在已经几十年了。神经网络（Neural Networks）的构想源自于我们对人类大脑的理解——神经元的彼此联系。二者也有不同之处，人类大脑的神经元按特定的物理间隔连接的，人工神经网络有独立的层、连接，还有数据传播方向。
例如，你可能会抽取一张图片，将它剪成许多块，然后植入到神经网络的第一层。第一层独立神经元会将数据传输到第二层，第二层神经元也有自己的义务，一贯持续下去，直到末了一层，并天生终极结果。
每一个神经元会对输入的信息进行权衡，确定权重，搞清它与所实行任务的关系，比如有多精确或者多么禁绝确。终极的结果由所有权重来决定。以停滞标志为例，我们会将停滞标志图片切割，让神经元检测，比如它的八角形形状、赤色、分歧凡响的字符、交通标志尺寸、手势等。
神经网络的任务便是给出结论：它到底是不是停滞标志。神经网络会给出一个“概率向量”，它依赖于有根据的推测和权重。在该案例中，系统有86%的信心确定图片是停滞标志，7%的信心确定它是限速标志，有5%的信心确定它是一支鹞子卡在树上，等等。然后网络架构会见告神经网络它的判断是否精确。
纵然只是这么大略的一件事也是很超前的，不久前，AI研究社区还在回避神经网络。在AI发展初期就已经存在神经网络，但是它并没有形成多少“智力”。问题在于纵然只是基本的神经网络，它对打算量的哀求也很高，因此无法成为一种实际的方法。只管如此，还是有少数研究团队勇往直前，比如多伦多大学Geoffrey Hinton所领导的团队，他们将算法平行放进超级电脑，验证自己的观点，直到GPU开始广泛采取我们才真正看到希望。
回到识别停滞标志的例子，如果我们对网络进行演习，用大量的缺点答案演习网络，调度网络，结果就会更好。研究职员须要做的便是演习，他们要网络几万张、乃至几百万张图片，直到人工神经元输入的权重高度精准，让每一次判断都精确为止——不管是有雾还是没雾，是阳光明媚还是下雨都不受影响。这时神经网络就可以自己“教”自己，搞清停滞标志的到底是若何的；它还可以识别Facebook的人脸图像，可以识别猫——吴恩达（Andrew Ng）2012年在谷歌做的事情便是让神经网络识别猫。
吴恩达的打破之处在于：让神经网络变得无比巨大，不断增加层数和神经元数量，让系统运行大量数据，演习它。吴恩达的项目从1000万段YouTube视频调用图片，他真正让深度学习有了“深度”。
到了本日，在某些场景中，经由深度学习技能演习的机器在识别图像时比人类更好，比如识别猫、识别血液中的癌细胞特色、识别MRI扫描图片中的肿瘤。谷歌AlphaGo学习围棋，它自己与自己不断下围棋并从中学习。
展望未来
马云
1、过去20 年互联网“从无到有”，未来30 年互联网将会“从有到无”，后一个无是无处不在的无，没有人能离开互联网存在。
2、未来30 年数据将成为生产资料，打算会是生产力，互联网是一种生产关系。如果我们不数据化，反面互联网相连，那么会比过去30 年不通电显得更为恐怖。
3、这几年险些环球弥漫着一种对新技能时期和技能的担心之中，对网络空间、对数字经济，与其担心，不如担当。
4、机器没有灵魂、机器没有崇奉，我们人类有灵魂、有崇奉、有代价不雅观、有独特的创造力，人类要有自傲、相信我们可以掌握机器。
5、互联网正在深入社会，超过未来统统技能革命的总和。
6、未来30 年，制造业不再是带动就业的引擎，未来的制造业都将会是做事业，未来的做事业也必须是新型制造业。
7、数字经济将重塑天下经济，天下经济将会有新的模型，不仅仅是在中国，全天下都在进入一个新的时期。
8、第一次技能革命导致了第一次天下大战，第二次技能革命导致了第二次天下大战，第三次技能革命，也便是说第三次天下大战也将即将打响，但这不是一场国与国之间的战役，这是一场我们携手对抗疾病、贫穷和气候变革的战役。
苹果首席实行官Cook
1、很多人都在评论辩论AI，我并不担心机器人会像人一样思考，我担心人像机器一样思考！
2、我们相信AR 能够帮助人们事情，而且帮助人们在教诲医疗有所打破，让天下更加美好。
3、科技本身并没有好坏之分，必须把科技赋于人性是每个人的任务，技能的好处是普惠于民。
4、我们将不遗余力降落进入App 生态圈的门槛。
5、必须为技能注入人性，将代价不雅观注入到技能中。
6、充分利用历史机遇，赋于技能应有的代价，保持开放，有信赖和创造力，才能实现对社会、家庭更美好的承诺。
谷歌CEO桑达尔·皮查伊
1、以前是人来适应电脑，未来是电脑适应人。
2、6 个月前在乌镇举办阿尔法狗围棋比赛时，我们认为，这是AI 发展进程中的里程碑式的重大事宜。
3、谷歌也在转型，从移动到AI。目前我们已经超过到AI 阶段。
4、打算将无处不在，无论是办公室和车里。
5、打算将以语音、视觉等形式进行，这些变革都可以让数字经济超越互联网。