人工智能（AI）、機(jī)器學(xué)習(xí)（ML）、深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)雖然相似，但它們都具有特定的任務(wù)和角色。

人工智能（AI）和機(jī)器學(xué)習(xí)（ML）技術(shù)是一個(gè)復(fù)雜的概念，要理解AI/ML，必須掌握術(shù)語和各種概念之間的差異。許多人使用AI、ML、深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等詞匯來描述智能機(jī)器技術(shù)的不同方面。事實(shí)是，在執(zhí)行哪些任務(wù)以及如何執(zhí)行任務(wù)上，它們之間存在著很大不同。

理解AI和ML與人類決策過程的關(guān)系并提供示例，將有助于解釋AI是如何擴(kuò)展和應(yīng)用到工業(yè)領(lǐng)域的。

01

人工智能與機(jī)器學(xué)習(xí)的區(qū)別

人工智能是機(jī)器做出決策的能力，就像人類做決定一樣。機(jī)器可以對(duì)反復(fù)出現(xiàn)的情況進(jìn)行處理，并選擇以不同的方式進(jìn)行處理，即使從表面上看，每次的情況似乎都是相同的。

例如以選擇一條行駛路線為例。我父母最近搬到了鄰縣的一個(gè)城鎮(zhèn)。我去看他們時(shí)，可以從兩條不同的路線中選擇。每條路線都有優(yōu)點(diǎn)和缺點(diǎn)。我選擇路線是基于我對(duì)這些優(yōu)點(diǎn)和缺點(diǎn)的看法，并根據(jù)當(dāng)時(shí)的想法和感受進(jìn)行過濾。與之類似，一個(gè)好的人工智能可以“考慮”傳感器讀數(shù)和機(jī)器工況之外的數(shù)據(jù)，以便智能高效地運(yùn)行。

AI與ML的區(qū)別在于，前者呈現(xiàn)實(shí)際的智能決策過程，而后者是機(jī)器收集信息以做出決策并為決策過程提供信息的過程。

就像人類一樣，機(jī)器必須收集數(shù)據(jù)并得出結(jié)論才能做出決定。這需要時(shí)間來收集足夠的、代表正在運(yùn)行系統(tǒng)的數(shù)據(jù)，并需要時(shí)間對(duì)數(shù)據(jù)進(jìn)行分析，以得出結(jié)果。數(shù)據(jù)收集涉及嘗試不同的運(yùn)行參數(shù)以查看對(duì)結(jié)果的影響。這被稱為“訓(xùn)練機(jī)器”。

數(shù)據(jù)分析通常被稱為“閱讀數(shù)據(jù)中的故事”，然后將這些信息封裝成簡單的結(jié)論/規(guī)則，以便稍后用于參考。這就是一個(gè)機(jī)器學(xué)習(xí)的簡單過程。

再次借用駕駛來做類比，在多次行駛后，我選擇了兩條不錯(cuò)的路線。A路線是一條令人愉快但蜿蜒曲折的鄉(xiāng)間小路，所以它不是去我父母家最快的路。然而，所需要時(shí)間為60分鐘左右，每次變化不太大，不管是更快或更慢，很少超過幾分鐘。B路線是一條直達(dá)公路，通常要快得多，但堵車和紅綠燈會(huì)影響行車時(shí)間。其它路線差異可能會(huì)影響選擇。如果一輛自動(dòng)駕駛汽車在我的路線上執(zhí)行ML規(guī)則，它將從收集的數(shù)據(jù)中讀取以下信息。

路線A的行車時(shí)間幾乎不變。如果我的目的是去接?jì)寢尭凹s，并確保她準(zhǔn)時(shí)到達(dá)，那么這就是最好的方法。但是沿途沒有各種服務(wù)，所以如果汽油不足，我會(huì)去沒有加油站的路線嗎？如果我有壓力，我是想直接回家，還是想找機(jī)會(huì)在路上吃點(diǎn)東西？如果爸爸有麻煩，我會(huì)選擇可能更快的B路線嗎？B路線的另一個(gè)信息是，一天中不同時(shí)間所需的行車時(shí)間不同。

ML對(duì)過程的所有數(shù)據(jù)進(jìn)行梳理，以多種方式對(duì)其進(jìn)行分析，并找到這些“故事”背后的規(guī)則或相關(guān)性。

▲自動(dòng)駕駛汽車將使用ML分析行程數(shù)據(jù)并選擇最佳路線。

生物柴油生產(chǎn)系統(tǒng)是ML在工業(yè)應(yīng)用中的一個(gè)例子。如果在將大豆加工成生物柴油燃料的機(jī)器過程中采用ML，那么將提高質(zhì)量和效率。這一切，都是通過制定一套ML規(guī)則來實(shí)現(xiàn)的，該規(guī)則考慮了濕度、含水量、溫度，甚至土壤化學(xué)（如果可用的話）。這臺(tái)機(jī)器將在運(yùn)行中完善其流程，從而使產(chǎn)量不斷提高。

02

深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的區(qū)別

ML是一組簡單規(guī)則的開發(fā)，用于對(duì)過程進(jìn)行決策。條件和響應(yīng)之間存在重要的相關(guān)性涉及到的數(shù)據(jù)點(diǎn)之間的交互，要比ML的規(guī)則更復(fù)雜。

這些復(fù)雜的交互涉及一個(gè)“隱藏層”。隱藏層交互意味著決策并不總是從問題到輸出，但在從問題到執(zhí)行的過程中，它們可能會(huì)遇到其它問題或條件。例如，我需要準(zhǔn)時(shí)到達(dá)媽媽的家，（但我的汽油不足，或者我的車況不太好，我會(huì)冒著在偏僻的地方拋錨的風(fēng)險(xiǎn)嗎？我有壓力，山丘和田野會(huì)很平靜，但駕車經(jīng)過奶昔店則會(huì)令我更開心），所以我最終選擇了線路B。

這個(gè)隱藏層是神經(jīng)網(wǎng)絡(luò)/深度學(xué)習(xí)和ML之間的區(qū)別。這種決策形式近似于人腦神經(jīng)元的交互方式。

▲圖：隱藏層需要考慮多個(gè)輸入來做出決定，因此它不一定遵循最快路徑。

03

深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的應(yīng)用

深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的區(qū)別在于隱藏層的深度。一般來說，神經(jīng)網(wǎng)絡(luò)的隱藏層要比實(shí)現(xiàn)深度學(xué)習(xí)的系統(tǒng)淺得多，而深度學(xué)習(xí)的在隱藏層可以有很多層。

CDM Smith公司的自動(dòng)化工程師Francisco Alcala，舉了一個(gè)深度學(xué)習(xí)/神經(jīng)網(wǎng)絡(luò)在面部識(shí)別中的應(yīng)用。盡管戴著眼鏡、墨鏡、留著胡子，或者從高中畢業(yè)后就沒再見過某人，但人們?nèi)钥梢哉J(rèn)出這張臉，這就是神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)系統(tǒng)隱藏層交互作用的結(jié)果。

視覺識(shí)別是開發(fā)深度學(xué)習(xí)模型的驅(qū)動(dòng)力之一。面部識(shí)別在安全和訪問控制方面有著重要的應(yīng)用。在高速制造環(huán)境中識(shí)別標(biāo)簽、容器或產(chǎn)品顏色，可以影響質(zhì)量并減少浪費(fèi)。

Alcala在供水/污水處理領(lǐng)域有豐富的經(jīng)驗(yàn)，他開發(fā)了監(jiān)控和數(shù)據(jù)采集（SCADA）程序，訓(xùn)練供水系統(tǒng)更好地管理水泵和能源以滿足需求。SCADA程序還可以通過某些條件的出現(xiàn)來預(yù)測(cè)和預(yù)防后續(xù)事件的發(fā)生，從而改進(jìn)對(duì)水分析。

現(xiàn)在的工業(yè)系統(tǒng)和機(jī)器已經(jīng)開始使用AI/ML技術(shù)做出決策，而這些決策將變得更加復(fù)雜。通過理解AI/ML背后的基本概念，控制工程師就會(huì)擁有實(shí)施AI/ML所需的構(gòu)建模塊，這樣機(jī)器就可以使用可用的數(shù)據(jù)，更高效地運(yùn)行并改進(jìn)運(yùn)營。

編輯：黃飛

?