这是一份写给非技术岗的产品经理 / 运营的机器学习和深度学习的简单指南，帮助我们可以听到技术人员的话～

在 "大热的 AIGC 究竟是什么" 的文章中，我们聊到了人工智能以及生成式人工智能。这篇文章我们想继续聊下两个经常会和 " 人工智能 " 一起被提到的概念，那就是机器学习（Machine Learning）和深度学习（Deep Learning）。

一、什么是机器学习（Machine Learning）

机器学习（ML）是人工智能的一个研究领域，主要涉及开发和研究统计算法，这些算法可以从数据中学习，并泛化到未见过的数据，从而在没有明确指令的情况下执行任务。

请记一下关键字：学习。

机器学习到底在学什么呢？

我们在之前的文章中也有提到，机器学习的本质就是要让机器找一个函数。我们读书的时候都学过，y=f（x）=ax+b，其中 a 和 b 就是参数（Parameter），也就是我们要找出来的未知数。当我们找到这两个未知数之后，我们再输入 x，自然而然就能得到 y。是不是勾起了你读书时的回忆了？

机器学习其实就在学习怎么自动把这些参数找出来，但是通常它的函数非常复杂，所以要找的参数量也非常大，可能是上万个参数，可能是数十万个参数，甚至可能更多。

那机器如何学习呢？

举个例子：

还是用我经常用的例子，我要做一个应用，当输入一个图片，这个应用可以分辨出图片里的是柯南还是新一。那我就要找一个函数，这个函数输入是一张图片，输出要么是柯南，要么是新一。这个函数显然会非常复杂，复杂到有大量的参数。假设有上万个参数。

我们会告诉机器，输入第一张图，输出是柯南，输入第二张图，输出是新一……

有了这些输入输出，机器就可以把上万个参数找出来，学习把上万个参数找出来的过程，也叫做训练（Training）。而帮助你把这上万个参数找出来的输入输出，叫做训练资料。

但当机器找到这上万个参数后，也就意味着我们找到了这个函数。当我再输入一张新的图片，看看机器能不能回答对，这叫做测试（Testing）。当尝试输入如下图片，机器会给出 " 新一 " 的输出。正解！

这就是概念中所说的 " 泛化到未见过的数据，从而在没有明确指令的情况下执行任务 "。因为可能机器以前也没有见过这张图片。

所以，如果说人工智能是一个目标，因为每个人对于机器做到什么程度才算是 " 智能 " 可能都会有自己的理解，那机器学习就是实现这个目标的手段。

二、什么是深度学习（Deep Learning）

深度学习是机器学习的一个分支，主要利用神经网络执行分类、回归和表征学习等任务。该领域的灵感来源于生物神经科学，其核心是将人工神经元堆叠成层，并 " 训练 " 它们处理数据。形容词 " 深度 " 指的是在网络中使用多层（从三层到数百或数千层不等）。

关键词：神经网络（Neural Network）

在今天机器学习的领域，有大量参数的函数往往会被表示成一个神经网络，而把这些参数解出来的技术，就叫做深度学习（Deep Learning）。也就是如果你用神经网络来表示，你就是在做深度学习。

所以，如果说机器学习是实现人工智能目标的手段，那深度学习是机器学习的一种，是一种更厉害的手段。

而现在绝大多数生成式人工智能都是用深度学习来达成的。

举个例子，大家最耳熟能详的 ChatGPT。

如果我们把 ChatGPT 想象成一个函数，它的输入是一段文字，输出是 ChatGPT 给你的回复。如果要达到你问什么都可以得到不错的回复，那背后的参数非常之巨大。我们需要准备非常非常多的输入和输出，才能找出这个函数里巨大量的参数。这个有大量参数的函数表示成一个神经网络，在这个场景下会有一个专门的名字，叫 Transformer，感兴趣的小伙伴可以自己去学习相关的内容 ~

本文由 @AI 实践干货 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自 Unsplash，基于 CC0 协议

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务