深度學習、機器學習與人工智慧各有何不同？
人工智慧是一個龐大且複雜的生態系統，涉及許多字詞、片語和概念，每當聽到技術人員和其他專家談論這個領域時，不免令人卻步。人工智慧是流行文化中常用的說法，泛指任何類型的智慧機器。但實際上，「人工智慧」、「機器學習」和「深度學習」是截然不同的術語且有細微差異。
如要進一步瞭解人工智慧和機器學習技術對貴公司的助益，請造訪這個網頁，進一步瞭解 Google Cloud 的 AI 和機器學習產品與解決方案。
新客戶最多可獲得價值 $300 美元的免費抵免額，盡情體驗 Vertex AI 和其他 Google Cloud 產品。
深度學習、機器學習與人工智慧的比較
機器學習是人工智慧的分支。而深度學習則是機器學習的分支。基本上，所有深度學習都是機器學習，而所有機器學習都是人工智慧，但並非所有人工智慧都是機器學習。
什麼是深度學習？
深度學習是機器學習技術的分支，是一種使用人工神經網路來處理及分析資訊的技術。類神經網路由多層的運算節點組成，一層層堆疊在深度學習演算架構中。每層各包含一個輸入層、輸出層和隱藏層。類神經網路會被饋給訓練資料，協助演算法學習並提升準確率。類神經網路的分層達到三層以上時，就被認為是「有深度」，因而得到深度學習的名稱。
深度學習演算法的靈感來自人類大腦，使用與人類大腦相近的邏輯結構來分析資料。深度學習可用於許多我們如今認定為 AI 的工作，包括圖片與語音辨識、物件偵測和自然語言處理。深度學習可以在資料集中建立複雜的非線性關係，不過需要的訓練資料和運算資源都比機器學習多。
深度學習常用的幾種類神經網路包括：
「前饋類神經網路」(FF) 是最早發明的類神經網路類型之一，資料經過一層層的人工神經元，向輸出層單向傳播。
「循環類神經網路」(RNN) 與前饋類神經網路的差別在於它們通常會使用時間序列資料或帶有序列性的資料。循環類神經網路具有上一層的「記憶」，這個記憶會依附在這一層的輸出內容中。
「長短期記憶」(LSTM) 是更進階的循環類神經網路，可用記憶體「記住」上一層發生的事情。
「卷積類神經網路」(CNN) 包含現代人工智慧中最常見的幾種類神經網路，使用明確的分層 (卷積層，然後是池化層)，先過濾圖片的不同部分，然後 (在全連接層中) 再將圖片組合在一起。
「生成對抗網路」(GAN) 透過兩個相互競爭的神經網路 (即生成網路和鑑別網路) 來達到提高輸出內容準確度的最終效果。
什麼是機器學習？
機器學習是人工智慧的分支，不必特別編寫程式碼，就能讓系統自主學習並改善成效。機器學習演算法透過模式和資料辨識程序，在新資料輸入系統時進行預測。
機器學習常使用的學習方式大致分成三類：監督式學習、非監督式學習和增強式學習。
監督式學習
「監督式學習」是一種使用已標註的訓練資料 (結構化資料)，把特定輸入資料對應至一個輸出結果的機器學習模式。在監督式學習中，輸出結果是已知的 (例如，辨識一張蘋果圖片)，模型是根據已知的輸出結果資料進行訓練。簡單來說，要訓練演算法準確辨識出蘋果圖片，只要餵給它已標記為蘋果的圖片就可以了。
目前最常用的監督式學習演算法包括：
- 線性迴歸
- 多項式迴歸演算法
- K-近鄰演算法
- 單純貝氏分類
- 多項式迴歸演算法
- 決策樹
非監督式學習
非監督式學習是一種使用未標註的資料 (非結構化資料) 來進行資料模式學習的機器學習模式。與監督式學習不同，非監督式學習的輸出結果無法事先得知。相反地，演算法會在不仰賴人工輸入的情況下從資料中學習 (所以稱為非監督式學習)，並根據屬性將資料進行分類。舉例來說，如果演算法被餵給蘋果和香蕉的圖片，演算法會自行辨識並將圖片分類為蘋果和香蕉。非監督式學習適合用於建構描述性模型和模式比對。
現今最常用的非監督式學習演算法包括：
- 模糊平均數分群演算法
- K 平均數分群演算法
- 階層分群法
- 主成分分析法
- 偏最小平方迴歸演算法
一種稱為「半監督式學習」的混合式機器學習方法也常被業界採用，在這種方法中只有部分資料會被標註。在半監督式學習中，演算法必須設法整理及建構資料，才能獲得已知結果。舉例來說，機器學習模型會被告知結果是蘋果，但只有部分訓練資料會被標註為蘋果。
強化學習
「增強式學習」是一種藉由一連串嘗試錯誤 (trial and error) 的反覆試驗過程來「從做中學」的機器學習模式。「智能體」(agent) 會透過一種回饋循環的過程學習執行指定工作，直至學習成果達到目標範圍為止。智能體在執行工作成果優異時會得到正增強，成果不佳時則會得到負增強。舉例來說，Google 研究人員訓練了一個增強式學習演算法來玩圍棋遊戲。模型事先不瞭解圍棋規則，只是隨機移動棋子並透過演算法「學習」最佳走法，一直到機器學習模型能夠擊敗人類玩家為止。
什麼是人工智慧？
人工智慧是與電腦與機器構建技術有關的科學領域，可以執行需要人類智力，或需要分析大量資料 (超出人類分析能力的資料量) 才能進行的推理、學習和行動任務。人工智慧是一個十分龐大的領域，涉及的學科包括電腦科學、資料與分析、軟體工程，甚至是哲學。
就商業層面而言，人工智慧是可應用於許多領域的一套技術，這些領域包括資料分析、預測、自然語言處理、建議、機器自動化及智慧資料擷取等。
人工智慧、機器學習與深度學習的比較
在談論關於 AI 的一切事物時，人工智慧、機器學習和深度學習經常被當做同義詞使用。雖然這些詞彙是有關聯性的，但卻不可互換。
AI 的領域十分龐大，機器學習是 AI 的一種應用方式，不用編寫程式就能讓機器進行學習。機器學習的用途很明確，主要透過如決策樹或線性迴歸等較簡單的方法，從資料中提取知識。深度學習則使用人工神經網路中較先進的方法來進行學習。
深度學習不需人工介入，因為系統會自動擷取資料集的特徵，而較簡單的機器學習技術，則通常需要工程師進行資料特徵和分類器的人工辨識，並根據成果調整演算法。基本上，深度學習能從自己的錯誤中學習，而機器學習需要人工介入。
深度學習需要的資料也比機器學習還多，而機器學習則需要更強大的運算能力。機器學習通常可在搭載 CPU 的伺服器上進行運算，深度學習則通常需要使用更強大的晶片，例如 GPU。
