2016 年是人工智能蓬勃發展的一年，連專家都眼花撩亂，更不要說對我們這些門外漢來說，每次開會都像鴨子聽雷一樣。
這篇文章主要整理初一些關於人工智能（Artificial Intelligence，AI）、機器學習（Machine Learning，ML）和深度學習（Deep Learning，DL）的基本重點，還有這三者之間的差別。
以下內容全部來自網路，我只是整理一下別人的智慧。（主要原文請參考出處）
一、人工智能（Artificial Intelligence，AI）
人工智能是一個大概念，從古老的人工智能到連結主義結構，無所不包。
目前被籠統劃分為“弱人工智能”、“強人工智能”、“超人工智能”三個類別。
根據密西根州立大學副教授 Arend Hintze 發表的文章（“Understanding the four types of AI, from reactive robots to self-aware beings”）。他將人工智能分成四級：
1. 反應式（Type I AI：Reactive machines）
最基本的 AI 類型，無法產生記憶，不能利用過去的經驗輔助現在的決策。它們是「專才」而非「通才」，為完成特定任務所設計，不能勝任其他任務。這類的 AI 沒有自我概念，對之前發生的事沒有記憶，一切只根據當下狀況判斷。
例子：在 1990 年代打敗國際西洋棋大師 Garry Kasparov 的 IBM 深藍（Deep Blue）。
2016 年火紅的 Google's AlphaGo，雖然利用人工神經網路讓 AI 下棋的能力更好，也還是屬於這一類人工智能，它們無法輕易被修改且運用到棋局以外的其他情況。
專攻語音辨識領域深度學習的台大電機系教授李宏毅就曾說過，「AlphaGo 很厲害，但是它只能下棋，它的架構就是為了圍棋而存在的，要拿去開車就必須要重新設計」。
專攻語音辨識領域深度學習的台大電機系教授李宏毅就曾說過，「AlphaGo 很厲害，但是它只能下棋，它的架構就是為了圍棋而存在的，要拿去開車就必須要重新設計」。
2. 有限記憶（Type II AI：Limited Memory）
例子：「無人駕駛車」，車子會自動觀察其他車輛的速度和方向。但並不會儲存這些記憶，做為未來駕駛的參考。
3. 心智理論（Type III AI：Theory of mind）
這一類型的 AI 能夠歸納出周圍環境、和與之交互的其他代理的「表徵」（Representations）。
4. 自我意識（Type IV AI：Self-awareness）
AI 的最終發展課題就是建立能表達自我的系統。目前對於它的描述大都是猜想。
二、機器學習（Machine Learning，ML）
機器學習是人工智能的一個小分支。
任何通過數據訓練的學習算法的相關研究都屬於機器學習，包括很多發展多年的技術，包括線性回歸（Linear Regression）、K 均值（K means，基於原型的目標函數聚類方法）、決策樹（Decision Trees，運用概率分析的一種圖解法）、隨機森林（Random Forest，運用概率分析的一種圖解法）、PCA（Principal Component Analysis，主成分分析）、SVM（Support Vector Machine，支持向量機）以及ANN（Artificial Neural Networks，人工神經網絡）。
而人工神經網絡則是深度學習的起源。
三、深度學習（Deep Learning，DL）
深度學習是機器學習的一個分支，也可以說是目前人工智慧的主流。
深度學習是機器學習中一種基於對資料進行表徵學習（Representative learning）的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個像素強度值的向量，或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從例項中學習任務（例如，人臉識別或面部表情識別）。深度學習的好處是用非監督式或半監督式的特徵學習和分層特徵提取高效演算法來替代手工取得特徵。
聽起來很複雜，台大電機系教授李宏毅說，「深度學習只要三個步驟：建構網路、設定目標、開始學習，說穿了就是這麼簡單。」
「簡單說，深度學習就是一個函數集，如此而已。」李宏毅說，類神經網路就是一堆函數的集合，我們丟進去一堆數值，整個網路就輸出一堆數值，從這裡面找出一個最好的結果，也就是機器運算出來的最佳解，機器可以依此決定要在棋盤上哪一點下手，人類也可以按照這個建議作決策。
在目前主要的深度學習架構裡，人類要擔心的重點只有一個：「Gradient Descent」，中文勉強譯做梯度下降法。每一次演算得到不同的答案（數字），所有的答案和標準答案之間的差異（技術上稱為 loss），畫成一條折線圖（或是 3D 圖），離標準答案最接近的那個答案，就會在這張圖的最低點，深度學習的目標就是要找到這個最低點。
深度學習真正的難處不在深度學習本身，在於如何量化要解決的問題，並設計成機器可以學習的架構，這些都需要人類去定義，因此深度學習要進一步發展，最需要的其實是人才，剩下的，就是機器的事了。
