例如，今年早些时候，Google DeepMind 的 Alphago 程序击败了韩国围棋大师李世乭九段。人工智能、机器学习和深度学习这些词成为媒体热词，用来描述 DeepMind 是如何获得成功的。尽管三者都是 AlphaGo 击败李世乭的因素，但它们不是同一概念。
区别三者最简单的方法：想象同心圆，人工智能（AI）是半径最大的同心圆，向内是机器学习（Machine Learning），最内是深入学习（Deep Learning）。
从概念的而提出到繁荣
自从几位计算机科学家在 1956 年的达特茅斯会议上提到这个词以后，人工智能就萦绕在实验研究者们心中，不断酝酿。在此后的几十年里，人工智能被标榜为成就人类文明美好未来的关键。
在过去的几年里，特别是 2015 以来，人工智能开始大爆发。这在很大程度上提高了 GPU 的广泛可用性，使得并行处理速度越来越快，使用更便宜，而且功能更强大。整个大数据运动拥有无限的存储和大量的数据：图像，文本，交易，映射数据等等。
人工智能——机器所赋予的人的智能
早在 1956 年夏天的会议上，人工智能先驱者的梦想是建立一个由新兴计算机启用的复杂的机器，具有与人的智能相似的特征。这是我们认为的「强人工智能」（General AI），而神话般的机器则会拥有我们所有的感知，甚至更多，并且像人类一样思考。你已经在 电影 中见过这些机器无休止地运动，像朋友如 C-3PO，或者敌人如终结者。一般的人工智能机器仍然只是出现在电影和科幻小说中。
我们目前可以实现的还是局限于「弱人工智能」（Narrow AI）。这些技术能够像人类一样执行特定的任务，或者比人类做的更好。像 Pinterest 上的图像分类，Facebook 上的人脸识别等。
这些都是弱人工智能实践中的例子。这些技术展示了人类智力的一些方面。但如何展示？这些智力是从哪里来的？这些问题促使我们进入到下一个阶段，机器学习。
机器学习——一种实现人工智能的方法
机器学习最根本的点在于使用算法来分析数据的实践、学习，然后对真实的事件作出决定或预测。而不是用一组特定的指令生成的硬编码软件程序来解决特定任务，机器是通过使用大量的数据和算法来「训练」，这样就给了它学习如何执行任务的能力。
机器学习是早期人工智能人群思考的产物，多年来形成的算法包括决策树学习、归纳逻辑编程、聚类、强化学习、贝叶斯网络等等。正如我们所知，所有这些都没有实现强人工智能的最终目标，而早期的机器学习方法甚至连弱人工智能都没有触及到。
事实证明，多年来机器学习的最佳 应用 领域之一是计算机视觉，尽管仍然需要大量的手工编码来完成这项工作。人们会去写手工编码分类器，如边缘检测滤波器，以便程序可以识别一个目标的启动和停止；进行形状检测以确定它是否有八个侧面；同时确保分类器能够识别字母「s-t-o-p.」从那些手工编码分类器中，机器就会开发算法使得图像和「学习」更有意义，用来确定这是否是一个停止标志。
结果还算不错，但这还不够。特别是在雾天当标志不那么清晰，或有一棵树掩盖了标志的一部分时，就难以成功了。还有一个原因，计算机视觉和图像检测还不能与人类相媲美，它太脆弱，太容易受到周围环境的影响。
随着时间的推移，学习算法改变了这一切。
深度学习——一种实现机器学习的技术
放猫（Herding Cats）：YouTube 视频 抓拍的猫的形象是深度学习的第一次突破性展示
在过去的几十年中，早期机器学习的另一种算法是人工神经网络。神经网络的灵感来自于我们对人类大脑生物学的理解：所有这些神经元之间的相互联系。在一定的物理距离内，生物大脑中的任何神经元可以连接到其他神经元，而人工神经网络有离散的层、连接和数据传播的方向。
例如，你可以把一个图像分割成很多部分，这些可以输入到神经网络的第一层。在第一层中的单个神经元，然后将数据传递到第二层。第二层神经元做它的任务，等等，直到最后一层，那么最终结果就产生了。
每个神经元都为其输入分配权重，分配的权重正确与否与执行的任务相关。结果，最终的输出由所有的权重所决定。这样，还是以「停止」标志牌为例。将「停止」标志牌图像的元素抽离分析，然后由神经元「检查」：其八边形的外形，消防车火红的颜色，鲜明的字母，交通标志的大小，处于运动或静止的状态。神经网络主要任务是总结是否是个停止标志。随即，基于权重、经过深思熟虑「概率向量」的概念出现。该案例中，该系统中 86% 的可能是停止标志，7% 的可能是速度限制标志，5% 的可能性是挂在树上的风筝等等。这样，网络结构便会告知神经网络是否正确。
但这个例子还是非常超前。因为直到最近，神经网络还是被人工智能研究所忽略。实际上，在人工智能出现之初，神经网络就已经显现了，在「智能」方面还是产生很小的价值。问题是甚至最基本的神经网络都是靠大量的运算。不过，多伦多大学的 Geoffrey Hinton 领导的一个研究小组始终专注于其中，最终实现以超算为目标的并行算法的运算且概念的证明，但直到 GPU 得到广泛利用，这些承诺才得以实现。
回到之前「停止」标志的例子。神经网络是被调制或「训练」出来的，并且不时遇到错误的应答。它所需要的就是训练。需要呈现成百上千甚至上百万的图像，直到神经元输入的权重被准确调制，那么实际上每次都能得到正确的信息，无论是否有雾，无论晴天还是雨天。只有在那一点，神经网络才学会一个停止标志是什么样的，Facebook 上你妈妈的脸是什么样，又或者是吴恩达（Andrew Ng）教授 2012 年在 Google 上学习到的猫的样子。
吴恩达的突破在于将这些神经网络显著增大，增加了层数和神经元，并通过系统的训练运行大量的数据。在吴教授所举案例中，数据就是 YouTube 视频 中 1000 万张图像。他将深度学习中添加了「深度」，也就是这些神经网络中的所有层。
通过在某些场景中深度学习，机器训练的图像识别要比人做得好：从猫到辨别血液中癌症的指标，再到核磁共振成像中肿瘤。Google 的 AlphaGo 先是学会了如何下棋，然后它与自己下棋训练。通过不断地与自己下棋，反复练习，以此训练自己的神经网络。
深度学习，赋予人工智能光明的未来
深度学习使得许多机器学习应用得以实现，并拓展了人工智能的整个领域。深度学习一一实现了各种任务，并使得所有的机器辅助变成可能。无人驾驶汽车、预防性医疗保健、甚至的更好的电影推荐，都触手可及或即将成为现实。人工智能就在现在，也在未来。有了深度学习，人工智能可能甚至达到像我们畅想的科幻小说一样效果。我拿走了你的 C-3PO，当然，你有《终结者》就行。
