关于新数字技术的诞生，我们正处于令人兴奋的时代。在大多数成年人的一生中，科幻小说已成为人们日常生活中不可或缺的一部分。

但是，在技术领域，从来没有什么比这简单的了，而且-可能是由于从梦幻到平凡的过渡-不同术语和它们所指称的技术之间可能会有混淆。

人工智能(AI)和机器学习(ML)就是两个这样的术语：尽管它们在流行文化和媒体中经常互换使用，但它们实际上并不是一回事。

造成混乱的原因可能是双重的。首先，人工智能是一种相当宽松的属性，适用于任何被视为“智能”的事物。家庭助理(例如Google Home，Alexa和Siri)被视为AI，并且可能是大多数人遇到该技术的场景，但是它也可以引用某些形式的建议文本，例如在撰写电子邮件时。除了人与人之间的互动之外，人工智能还与其他幕后技术相融合-例如，智能负载平衡或某些网络安全系统。

其次，机器学习是AI的子集，这意味着虽然ML是AI，但AI不一定是ML。为了进一步混淆问题，ML还拥有自己的各种子学科，例如深度学习和强化学习。

ML和AI有什么区别?

人工智能的历史由来已久-几千年来，人们一直梦想着并神话化了机器和其他可能“栩栩如生”，行为和思维与人类一样的创造。曾经有一段时间，由于早期计算机的“逻辑”性质，它们也被视为一种人工智能。

然而，在目前的表现形式中，人工智能的历史可以追溯到英国计算机科学家和第二次世界大战代码破解者艾伦·图灵。他提出了一个测试，他称之为模仿游戏，但现在更普遍地称为图灵测试，其中一个人通过纯文本渠道与另外两个对话，其中一个是一台机器。如果询问者无法分辨机器与人的区别，则认为机器已“通过”测试。

这个基本概念被称为“通用AI”，通常被认为是研究人员尚未完全实现的东西。

但是，“狭窄”或“应用”的AI在创建工作模型方面更为成功。该领域不是尝试创建可以完成所有任务的机器，而是尝试创建可以执行单个任务以及甚至比人类更好的系统。

早在20世纪中叶，就在这种狭AI的AI学科内出现了机器学习的思想。ML由AI先驱Arthur Samuel在1959年的一篇学术论文中首次定义，它表示“无需明确编程即可学习的能力”。换句话说，在狭窄的AI可能依赖于人工构建的算法的情况下，使用ML构建的系统可以创建自己的算法。

用途与应用

机器学习

多年来，人们对兴趣在不断上升和减弱，但是随着数据成为业务战略中越来越重要的一部分，随着组织寻求分析和利用在网络上收集到​​的大量信息的方法，数据逐渐受到青睐。几乎恒定的基础。

将这些数据放入机器学习程序后，该软件不仅会对其进行分析，而且还会通过每个新数据集学习一些新知识，从而成为越来越多的情报来源。这意味着可以从数据源中学到的见解变得更加先进，信息更丰富，从而帮助公司根据客户期望发展业务。

机器学习的一种应用是在推荐引擎中，例如Facebook的新闻提要算法或亚马逊的产品推荐功能。机器学习可以分析有多少人喜欢，评论或共享帖子，或者有其他人购买具有相同兴趣的东西。然后，它将向该公司认为喜欢的其他人显示该帖子。

机器学习对于图像识别也特别有用，它是人类通过一种程序来识别图片中的内容，然后使用它来自动识别图片中的内容。例如，机器学习可以识别图片中使用的像素分布，从而确定对象是什么。

随着大数据分析变得越来越普遍，企业现在正在转向机器学习来驱动预测分析。与统计，数据挖掘和预测分析的联系已经变得足够占主导地位，以至于有些人认为机器学习是与AI分离的领域。

其原因是可以在没有机器学习能力的情况下完成AI技术(例如自然语言处理或自动推理)。机器学习系统不一定总是具有AI的其他功能。

AI

人工智能有数百种用例，随着公司采用人工智能来应对业务挑战，这种用例越来越明显。

AI的最常见用途之一是在自动化中–例如，在网络安全中，可以对AI算法进行编程，以检测可能难以发现的威胁，例如用户行为的细微变化或无法解释的增加数量。数据正在与特定节点(例如计算机或传感器)之间进行传输。在家里，诸如Google Home或Alexa之类的助手可以帮助自动进行照明，取暖以及通过聊天机器人与企业进行互动。

有充分的理由担心，人工智能将以比就业市场所能适应的更快的速度取代人类的工作角色，例如数据输入。作家兼风险资本家李开复曾在苹果和谷歌工作，并从卡内基梅隆大学获得了开发高级语音识别AI的博士学位，他在2019年警告说：“许多工作看起来有点复杂，厨师，服务员的很多事情将变得自动化。

“在15年内，我们将拥有自动化商店，自动化餐厅以及所有这些设施，这将取代全球约40%的工作。”

令人困惑的AI和ML

除了机器学习和AI之外，还有很多其他术语经常被混用-进一步使事情变得混乱。例如，人工神经网络被设计为以类似于人脑的方式处理信息，并且也可以用于机器学习-尽管同样，并非所有神经网络都是AI或ML，而且并非每个ML程序都使用底层的神经网络。

由于这是一个发展中的领域，术语一直在不断涌现和消失，并且AI不同领域之间的障碍仍然很容易渗透。随着技术的发展和成熟，这些定义也将变得更加具体和众所周知。谁知道呢，我们可能会开发通用的AI，而所有的定义都会消失。