在过去几年，人工智能和机器学习频繁出现在技术新闻和各种网站上。两者常常被用作同义词，但许多专家认为它们存在微妙且重大的区别。
当然，专家们自己有时对于那些区别到底是什么也意见不一。
然而一般来说，有两点似乎很清楚：第一，人工智能(AI)这个术语的历史比机器学习(ML)更早;第二，大多数人认为机器学习是人工智能的一个子集。
最能清楚表示这种关系的图形之一来自英伟达公司的官方博客。它提供了一个很好的起点，有助于了解人工智能和机器学习之间的区别。
人工智能VS机器学习——首先，什么是人工智能
计算机科学家对人工智能有诸多不同的定义，但究其核心，人工智能包括像人类那样来思考的机器。当然，很难确定机器是不是在“思考”。因此实际上，建造人工智能需要建造擅长处理人类擅长的那类工作的计算机系统。
创造像人类一样聪明的机器这个想法可以一直追溯到古希腊人，当时流传神创造自动机方面的神话。然而实际上，这个想法直到1950年才真正流行起来。
就在那一年，阿兰·图灵(Alan Turing)发表了一篇开创性的论文，题为《计算机器和智能》，提出了机器会不会思考的问题。他提出了著名的图灵测试，该测试实际上声称：如果人类无法判断自己在与人类交互还是在与机器交互，就可以说该机器是智能机器。
人工智能这个词语于1956年由约翰·麦卡锡(John McCarthy)创造，他在达特茅斯组织了一次学术会议，专门讨论这个话题。会议结束后，与会者建议进一步研究“这个推测结果，即学习的每个方面或智能的其他任何特征原则上可以非常精确地加以描述，那样就可以研制出模拟它的机器。将旨在搞清楚如何使机器使用语言、形式抽象和概念，解决现在留给人类去解决的问题，并改善自身。”
这个提议预示了当今人工智能领域备受关注的许多话题，包括自然语言处理、图像识别及分类以及机器学习。
在那第一次会议后的几年里，人工智能研究蓬勃发展起来。然而在几十年内，这一点却很显然：建造真正认为具有独立思考能力的机器的技术多年后才会问世。
但在过去十年，人工智能已从科幻小说领域进入到科学事实领域。新闻媒体长篇累牍地报道IBM的Watson人工智能技术赢得智力竞赛电视节目《危险边缘》和谷歌的人工智能技术在围棋比赛中击败人类冠军，这让人工智能重返公众视野。
如今，所有最大的技术公司都致力于人工智能项目，我们大多数人每天在接触人工智能软件，比如使用智能手机、社交媒体、互联网搜索引擎或电子商务网站。我们最常接触的其中一种类型的人工智能就是机器学习。
人工智能VS机器学习——好吧，那么机器学习又是什么
“机器学习”这个短语同样可以追溯到上世纪中叶。1959年，阿瑟·塞缪尔(Arthur Samuel)将机器学习定义为“不需要明确编程就能学习的能力。”为此，他开发了一个计算机检查程序，这是能从自己的错误中学习，不断改善性能的早期程序之一。
与人工智能研究一样，机器学习长时间不流行，但是当数据挖掘这个概念在上世纪90年代开始大行其道时，它再度流行起来。数据挖掘是使用算法来寻找某一组信息中的模式。机器学习则做的是同样的事情，但更进了一步――它可根据学到的知识来改变程序的行为。
近来变得非常流行的机器学习的一个应用是图像识别。这类应用软件首先要加以训练――换句话说，人类要看一堆图片，告诉系统图片中有什么。成千上万次重复后，软件明白像素的哪些模式通常与马、狗、猫、花、树、房子等有关，然后可以非常准确地猜中图片内容。
许多基于互联网的公司也使用机器学习来驱动他们的推荐引擎。比如，当Facebook决定在你的新闻源中显示什么内容，亚马逊重点推介你可能想要购买的产品，Netflix推荐你可能想要观看的电影时，所有这些建议都是基于预测，而这些预测源自现有数据中的模式。
目前，许多企业开始使用机器学习功能用于预测分析。由于大数据分析变得更流行，机器学习技术变得更常见，它已是许多分析工具的一项标准功能。
事实上，机器学习已经与统计、数据挖掘和预测分析紧密相关，以至于一些人认为，应将机器学习归入与人工智能不同的领域。毕竟，系统不必拥有任何机器学习功能，就能展示人工智能特点，比如自然语言处理或自动推理，机器学习系统没必要拥有人工智能的其他任何特点。
其他人更喜欢使用“机器学习”这个术语，因为他们认为，这听起来比“人工智能”更含有技术味，少一点可怕。一位互联网评论人士甚至表示，两者的区别是“机器学习是切实在工作。”
然而从一开始，机器学习就是人工智能方面讨论的一部分，两者在如今进入市场的许多应用中仍密不可分。比如，个人助理和机器人程序常常有许多不同的人工智能特点，包括机器学习。
人工智能和机器学习的前沿：深度学习、神经网络和认知计算
当然，“机器学习”和“人工智能”不是与这个计算机科学领域有关的唯一两个术语。IBM经常使用“认知计算”这个术语，它或多或少是人工智能的同义词。
然而，其他一些术语确实有非常独特的含义。比如，人工神经网络或神经网络是这样一种系统：旨在以类似生物大脑工作机理的方式来处理信息。情况可能会变得令人困惑，因为神经网络往往特别擅长机器学习，所以那两个术语有时被混淆。
此外，神经网络为深度学习提供了基础，深度学习是一种特殊的机器学习。深度学习使用在多层次运行的某一套机器学习算法。这一方面有赖于使用GPU同时处理一大批数据的系统。
如果你对所有这些不同的术语觉得困惑，并非只有你才这样。计算机科学家继续在争论它们的确切定义，这种争论可能会在未来一段时间内持续下去。由于许多公司继续往人工智能和机器学习研究投入资金，到时可能会出现更多的术语，给这方面的问题进一步添加了复杂性。
原文标题：Artificial Intelligence vs. Machine Learning: What’s the Difference，作者：Cynthia Harvey
来源：51CTO 作者：布加迪编译
链接：http://news.51cto.com/art/201610/518933.htm
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「我们」留言处理。
