为了搞清三者关系，我们来看一张图：
如图所示：赢咖4最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习。
从低潮到繁荣
自从 1956 年计算机科学家们在达特茅斯会议（Dartmouth Conferences）上确认赢咖4这个术语以来，人们就不乏关于赢咖4奇思妙想，研究人员也在不遗余力地研究。在此后的几十年间，赢咖4先是被捧为人类文明光明未来的钥匙，后又被当作过于自大的异想天开而抛弃。
但是在过去几年中，赢咖4出现了爆炸式的发展，尤其是 2015 年之后。大部分原因，要归功于图形处理器（GPU）的广泛应用，使得并行处理更快、更便宜、更强大。另外，赢咖4的发展还得益于几乎无限的存储空间和海量数据的出现（大数据运动）：图像、文本、交易数据、地图数据，应有尽有。
下面我们从发展的历程中来一一展开对赢咖4、机器学习和深度学习的深度学习。
赢咖4赢咖4先驱们在达特茅斯开会时，心中的梦想是希望通过当时新兴的计算机，打造拥有相当于人类智能的复杂机器。这就是我们所说的“通用赢咖4”（General AI）概念，拥有人类五感（甚至更多）、推理能力以及人类思维方式的神奇机器。在电影中我们已经看过无数这样的赢咖4，对人类友好的 C-3PO，以及人类的敌人终结者。通用赢咖4机器至今只存在 于电影和科幻小说里，理由很简单：我们还实现不了，至少目前为止。
我们力所能及的，算是“弱赢咖4”（Narrow AI）：执行特定任务的水平与人类相当，甚至超越人类的技术。现实中有很多弱赢咖4的例子。这些技术有人类智能的一面。但是它们是如何做到的？智能来自哪里？这就涉及到下一个同心圆：机器学习。
机器学习
机器学习是实现赢咖4的一种方法。机器学习的概念来自早期的赢咖4研究者，已经研究出的算法包括决策树学习、归纳逻辑编程、增强学习和贝叶斯网络等。简单来说，机器学习就是使用算法分析数据，从中学习并做出推断或预测。与传统的使用特定指令集手写软件不同，我们使用大量数据和算法来“训练”机器，由此带来机器学习如何完成任务。
许多年来，计算机视觉一直是机器学习最佳的领用领域之一，尽管还需要大量的手动编码才能完成任务。研究者会手动编写一些分类器（classifier），如边缘检测筛选器，帮助程序辨别物体的边界；图形检测分类器，判断物体是否有八个面；以及识别“S-T-O-P”的分类器。在这些手动编写的分类器的基础上，他们再开发用于理解图像的算法，并学习如何判断是否有停止标志。
但是由于计算机视觉和图像检测技术的滞后，经常容易出错。
深度学习
深度学习是实现机器学习的一种技术。早期机器学习研究者中还开发了一种叫人工神经网络的算法，但是发明之后数十年都默默无闻。神经网络是受人类大脑的启发而来的：神经元之间的相互连接关系。但是，人类大脑中的神经元可以与特定范围内的任意神经元连接，而人工神经网络中数据传播要经历不同的层，传播方向也不同。
举个例子，你可以将一张图片切分为小块，然后输入到神经网络的第一层中。在第一层中做初步计算，然后神经元将数据传至第二层。由第二层神经元执行任务，依次类推，直到最后一层，然后输出最终的结果。
每个神经元都会给其输入指定一个权重：相对于执行的任务该神经元的正确和错误程度。最终的输出由这些权重共同决定。因此，我们再来看看上面提到的停止标志示例。一张停止标志图像的属性，被一一细分，然后被神经元“检查”：形状、颜色、字符、标志大小和是否运动。神经网络的任务是判断这是否是一个停止标志。它将给出一个“概率向量”（probability vector），这其实是基于权重做出的猜测结果。在本文的示例中，系统可能会有 86% 的把握认定图像是一个停止标志，7% 的把握认为是一个限速标志，等等。网络架构然后会告知神经网络其判断是否正确。
不过，问题在于即使是最基础的神经网络也要耗费巨大的计算资源，因此当时不算是一个可行的方法。不过，以多伦多大学 Geoffrey Hinton 教授为首的一小批狂热研究者们坚持采用这种方法，最终让超级计算机能够并行执行该算法，并证明该算法的作用。如果我们回到停止标志那个例子，很有可能神经网络受训练的影响，会经常给出错误的答案。这说明还需要不断的训练。它需要成千上万张图片，甚至数百万张图片来训练，直到神经元输入的权重调整到非常精确，几乎每次都能够给出正确答案。不过值得庆幸的是Facebook 利用神经网络记住了你母亲的面孔；吴恩达 2012 年在谷歌实现了可以识别猫的神经网络。
如今，在某些情况下，通过深度学习训练过的机器在图像识别上表现优于人类，这包括找猫、识别血液中的癌症迹象等。谷歌的 AlphaGo 学会了围棋，并为比赛进行了大量的训练：不断的和自己比赛。
总结
赢咖4的根本在于智能，而机器学习则是部署支持赢咖4的计算方法。简单的将，赢咖4是科学，机器学习是让机器变得更加智能的算法，机器学习在某种程度上成就了赢咖4。
本文作者 Michael Copeland 曾是 WIRED 编辑，现在是硅谷知名投资机构 Andreessen Horowitz 的合伙人。
我们周围的事物正变得越来越智能。从汽车到智能手机，到数字助理，甚至包括赢咖4。我们不只是在讲每天层出不穷的、突破性的新功能。更重要的是，设备、计算机和机器都在聪明地执行任务。它们是如何做到的呢通过赢咖4，也就是AI。
“赢咖4”一词最早由认知科学家约翰・麦卡锡在研究中提出，他写到，“这项研究基于一种推测，即任何学习行为或其它智力特征，在原则上都可以被精确地描述，从而可以制造出一台机器来模拟它。”这种描述在今天仍然适用，只是复杂性增加了一些。
你也许最近经常听到“赢咖4”和另外几个词汇同时出现，特别是“机器学习”和“深度学习”。它们经常被互换使用，尽管它们存在关联，但其实并非同一事物。
这样说可能会让人感到困惑。我们通过一个经典的例子来解释赢咖4、机器学习和深度学习之间的区别：比较苹果和橙子。
赢咖4
从广义上讲，赢咖4描述一种机器与周围世界交互的各种方式。通过先进的、像人类一样的智能――软件和硬件结合的结果――一台赢咖4机器或设备就可以模仿人类的行为或像人一样执行任务。
我们今天读到了很多关于赢咖4的内容，比如语音识别(用于智能个人助理设备)，面部识别(被用在目前社交媒体上很流行的滤镜中)，或者物体识别(比如搜索苹果和橙子的图片)。然而这些功能是如何实现的？
从根源上看，配备赢咖4的机器会模仿人类的思维过程，比如分辨苹果和橙子的能力。
机器学习
机器学习是赢咖4的一种途径或子集，它强调“学习”而不是计算机程序。一台机器使用复杂的算法来分析大量的数据，识别数据中的模式，并做出一个预测――不需要人在机器的软件中编写特定的指令。在错误地将奶油泡芙当成橙子之后，系统的模式识别会随着时间的推移而不断改进，因为它会像人一样从错误中吸取教训并纠正自己。
通过机器学习，一个系统可以从自身的错误中学习来提高它的模式识别能力。
深度学习
深度学习是机器学习的一个子集，推动计算机智能取得长足进步。它用大量的数据和计算能力来模拟深度神经网络。从本质上说，这些网络模仿人类大脑的连通性，对数据集进行分类，并发现它们之间的相关性。如果有新学习的知识(无需人工干预)，机器就可以将其见解应用于其他数据集。机器处理的数据越多，它的预测就越准确。
例如，一台深度学习的设备可以检查大数据――比如通过水果的颜色、形状、大小、成熟时间和产地――来准确判断一个苹果是不是青苹果，一个橙子是不是血橙。
通过深度学习，机器可以处理大量数据，识别复杂的模式，并提出深入的见解。
赢咖4、机器学习和深度学习之间的差异并不像苹果和橙子那么明显，它们更微妙。Qualcomm已将赢咖4技术整合进骁龙移动平台，创造出令人折服的、直观的体验，让设备可以更深入地了解你。
