得益于谷歌（Google）、亚马逊（Amazon）和Facebook这些公司，人工智能（artificial intelligence）和机器学习（machine learning）这两个术语已经变得比以往任何时候都要广为人知。很多媒体经常是把这两个词混在一起，并把它们当成各种智能设备背后的驱动力量，比如更聪明的家电以及取代人力的机器人。
可是，尽管人工智能与机器学习关联很深，但它俩并不完全是一回事。
人工智能是计算机科学的一个分支，目的在于创造出能够做出智能行为的机器。另一方面，斯坦福大学给机器学习下的定义是：让计算机在没有经过明确编程时也能做出行动的科学。至于两者的关系，用一句话概括就是：创造智能机器离不开人工智能研究人员，但要让它们真正拥有智能我们还需要机器学习专家。
目前，包括谷歌和英伟达（Nvidia）在内的科技巨头都在努力开发机器学习技术。他们投入大量的人力物力，想要开发出能让计算机像人类一样进行高效学习的技术。因为在很多人看来，创造出能像人类一样“思考”的机器，将点燃一场新的科技革命。
在过去十年中，机器学习为我们带来了自动驾驶汽车、实用的语音识别、高效的网络搜索，并大幅提升了人类对于自身基因组的认知。不过，机器学习是如何运作的呢？
让我们举一个非常简单的例子，当你在使用谷歌搜索时打错了字，它会弹出提示：“你搜索的是不是XXXX？”这就是谷歌一种机器学习算法实现的效果；该系统可以检测出你在完成一次特定搜索几秒后所做的二次搜索。
例如，假设你在使用谷歌搜索“造就”，但不小心打成了“造酒”。在搜索之后，你可能意识到了自己的拼写错误，并在几秒后重新开始搜索“造就”。谷歌的算法能够识别出你在短时间内进行的两次搜索，并记录下来，以后为犯下类似拼写错误的用户提供建议。其结果是，谷歌“学会了”为你纠正这个错误。
虽然这是一个非常简单的例子，但数据科学家、开发者和研究人员正在利用更加复杂的机器学习方法来获得此前无法企及的洞见。能够从经验中学习的计算机程序正在帮助他们探究人类基因组的工作方式，把对消费者行为习惯的理解提升到前所未有的高度，并打造出提供购买建议、图像识别和预防诈骗等功能的系统。
这样，你现在对机器学习应该有了一个基本概念，但它跟人工智能有何不同呢？我们请来英特尔（Intel）机器学习部门的负责人尼迪·查普尔（Nidhi Chappell）为大家解答疑惑。
“人工智能的根本在于智能，即我们如何让机器拥有智能；而机器学习就是运用计算方法来帮助实现这个目标的核心技术。在我看来，人工智能是科学，机器学习是能够让机器变得更智能的算法。”
“因此，机器学习是人工智能的促成者。”她补充道。
查普尔接着解释说，机器学习是人工智能领域成长最快的组成部分，所以这就是为什么我们近来看到了如此多围绕它展开的讨论。尽管机器学习在如今的计算工作总量中只占了很小的比例，但它是成长最快的部门，所以这就是为什么大家都在关注机器学习。
“举个简单的例子，当你来到一个新地方并搜索‘最应该做的事情’时，返回结果的顺序是由机器学习算法确定的，它们的排名和评分都取决于算法。”查普尔如是说，并称新闻热点的排序也是一样。
“人工智能已经在我们生活中变得无处不在，以至于我们都没认识到很多东西都由它们在背后驱动。”她补充道，“你可能一天用到人工智能数十次，但自己却浑然不觉。”
在其他地方，Facebook正试图通过一系列视频和博客文章阐明人工智能和机器学习的概念。
“你的智能手机、房屋、银行、汽车每天都在使用人工智能。”Facebook的工程主管雅恩·乐昆（Yann LeCun）和杰奎因·奎诺内罗·坎德拉（Joaquin Qui?onero Candela）解释说，“有时候，这种使用很明显，比如当你向Siri询问前往最近加油站的路线，或者是Facebook提示你在自己上传的照片中标记出一位好友。有的时候则不那么明显，比如当你使用Amazon Echo完成了一次非常规的刷卡购物，但是并没有被银行判定为信用卡盗刷。”
“通过自动驾驶汽车、医学图像分析、更好的医疗诊断以及个性化医疗等领域的发展，人工智能将为社会带来重大转变。而且，它还将成为未来很多最具创新性的应用和服务的支柱。”
乐昆和坎德拉继续道，人工智能不是魔法，它只是数学——虽然是极其深奥的数学。
但为了推动人工智能的进步，机器学习必须在性能表现上取得巨大的飞跃，而这在传统高性能计算领域几乎是不可能做到的，因为该领域擅长处理的问题要拥有明确的定义，而且优化工作也已经开展了多年。
机器学习算法仍然有改进的余地，这就是为什么很多大型科技公司都把它作为自身战略的核心焦点，并不遗余力地使之变得更加智能，以期向前推进，创造出下一代的创新产品，比如完全自主且100%安全的自动驾驶汽车。
人工智能学习的三种类型
强化学习
这种类型的学习聚焦于一个人工智能“代理”应该如何行动来获得最大化的奖励。机器挑选一个动作或一系列动作，然后获得奖励。强化学习被用来教机器玩游戏和赢得比赛，但它需要大量的尝试才能学会哪怕很简单的任务。
监督学习
监督学习就是研究人员把特定输入信息的正确答案告诉给机器，例如，他们向机器展示一辆汽车的图片，并告诉它正确的答案是“汽车”。这是训练神经网络和其他机器学习架构的最常用技术。
无监督学习/预测学习
在通常情况下，人类和动物的学习属于无监督学习，即通过观察世界的运行以及观察父母来进行学习。然而，没有人会来告诉我们自己看到的每件物品的名称和功能。因此，我们需要教会自己一些基本概念：比如世界是三维的，物品不会自行消失，以及失去支撑的物品会向下坠落。目前，研究人员还不知道如何让机器做到这一点，至少无法达到人类和动物的水平。
