AI 与机器学习

人工智能 (AI) 和机器学习 (ML) 是两种类型的智能软件解决方案，可以影响技术的设计方式，无论是过去、现在还是未来，使其更贴近人类的特质。

人工智能的核心本质是一种技术解决方案、系统或计算机，旨在模仿人类智能来执行任务，同时根据收集的信息迭代改进自身。

机器学习是人工智能的一个子集，专注于构建能够根据所使用的数据来学习或提高性能的软件系统。这意味着每个机器学习解决方案都是人工智能解决方案，但并非所有人工智能解决方案都是机器学习解决方案。

人工智能、机器学习与深度学习的对比

人工智能。机器学习。深度学习。虽然这些术语正日益为大众所熟知，但对许多人来说，它们仍然感觉像是科幻电影的主题。让我们化繁为简，用一句话来定义每个术语：

• 人工智能 (AI)：基于学习到的经验和数据来模拟人类决策的计算机行为。
• 机器学习 (ML)：使计算机能够从数据中得出结论的过程。ML 是 AI 的子集，它使计算机能够通过编程以外的方式学习。
• 深度学习：推动计算机解决非常复杂问题的流程。深度学习是 ML 的子集，它使得在多层神经网络中进行计算成为可能。

AI 发展简史

人工智能的概念可以追溯到 20 世纪 50 年代，当时机器计算技术和能力开始出现。人工智能的目标很简单：超越将计算机作为计算工具的使用方式，真正驱动决策制定。

这意味着计算机需要超越基于现有数据计算决策的能力；它们需要更进一步，考察各种选项以实现更精密的演绎推理。然而，如何真正实现这一点需要数十年的研究和创新。人工智能的一种简单形式是构建基于规则的系统或专家系统。然而，从 20 世纪 80 年代开始，计算机算力的提升意味着机器学习将改变 AI 的可能性。

机器学习的演进

对于变量明确的简单场景，基于规则的决策可以胜任。即便是计算机模拟的象棋对弈，也是基于一系列规则驱动的决策，涉及棋盘上有哪些棋子、棋子位置以及当前轮到谁走等变量。问题在于，这些场景都需要一定程度的人为控制。到了某个临界点，仅仅基于变量和 if/then 规则来做出决策就行不通了。

此时的关键在于模仿人类的“学习”方式。

机器学习诞生于 20 世纪 80 年代，其核心理念是：算法能够处理海量数据，并基于所得结果逐步得出结论。例如，若向机器学习算法输入大量信用卡交易数据，并辅以 if/then 规则来标记欺诈行为，它便能开始识别出构成模式的次要因素，例如账户在非正常时段或不同地理位置进行交易。

这样的过程需要大量数据集才能识别出模式。不过，虽然涉及清晰字母数字字符、数据格式和语法的数据集可以辅助相关算法，但其他更难以捉摸的任务（例如识别照片中的人脸）则会产生问题。

21 世纪初，技术又向前迈进了一步，解决方案是创建一种模拟人脑的学习方法。

深度学习与机器学习

深度学习通过将信息分解为相互关联的关系来运作，本质上是在一系列观察的基础上进行推理。通过管理数据和机器学习推演出的模式，深度学习可创建大量可供决策使用的参考依据。与标准机器学习一样，用于学习的数据集越大，深度学习的结果就越精细。

解释深度学习的一个简单方式是：它支持将意想不到的上下文线索纳入决策过程。想想幼儿学习阅读的过程。例如，当他们看到“Cars go fast”这个句子时，他们可能认得“cars”和“go”，但不认得“fast”。然而，稍加思考，他们就可以通过上下文线索推断出整句话的含义。“Fast”这个词他们可能以前在与汽车相关的语境中听过，插图可能画有表示速度的线条，而且他们也可能知道字母 F 和 A 的发音组合规则。这些都是一个个的独立要素，比如“我认不认识那个字母？知道它怎么读吗？”但当这些要素组合在一起时，孩子的大脑就能够做出判断并读出这句话。反过来，这又会加强他们下次看到“fast”这个词时的发音记忆。

这就是深度学习的运作方式，分解各种元素，做出关于这些元素的机器学习决策，然后探究它们之间的相互关联，最终推演出结果。

人工智能软件

人工智能软件可以利用机器学习和深度学习驱动的决策与自动化来提高组织的效率。从预测性建模到报告生成再到流程自动化，人工智能可以变革组织的运营方式，提高效率和准确性。Oracle Cloud Infrastructure (OCI) 为 AI 和 ML 驱动的云端数据管理提供了基础。