首先，人工智能，深度学习是什么，以及它们之前的区别和联系是什么。

一、什么是人工智能呢？

先说说人工智能，看看百科上面的解释吧。

AI(ArtificialIntelligence)英文简称AI。AI是试图理解智能本质的计算机科学的一个分支，并产生一种新的智能机器，能够以类似于人类智能的方式作出反应，这个领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

总的来说，人工智能实际上是让计算机实现人类拥有的智能。

人们能做的事被计算机学家分成几大类，大类之下有小类。

以下我们将在此介绍以下几大类：计算机视觉，自然语言处理，推荐系统，智能信息检索。

1.电脑视觉

电脑视觉，英文全名为计算机视觉，简称CV。实际上也是学习图画。比方说早期的应用，实际上也就是研究如何进行手写字符识别，即使是图像分类领域。

当然，目前还存在目标检测、探测图像中所有物体，并选择区域。

样式转移：给一张风格图片，使原始图片与风格图片相似。实际上，这也是AI滤镜。

再加上很火的DeepFake(AI换脸)，其实都可以是计算机视觉这个方向。

2.天然语言处理

NaturalLanguageProcessing，英文全名为NLP，简称为NLP。其目的是使计算机在理解语言方面和人一样具有智能。

比方说，我们现在使用的机器翻译，很多时候翻译都比人好。

另外，比如我们有时需要过滤邮件中的垃圾信息，或者知道一条信息的情绪，这叫做文本分类，或者叫做情感分类。

当然，还有一些方向对一般人来说可能有点陌生，或者是难以触及的方面：命名实体识别。

3.建议系统

建议系统，英文全称安全系统。当我们用淘宝，京东的时候，想必也不罕见。此处可分为基于内容的推荐、关联规则推荐等。

4.情报检索

资料检索，英文全名为信息交换，简称IR。这也是搜索引擎的技术。

此处增加智能两个字其实是因为狭义的信息检索指的是信息查询，也就是查找文章中是否有一个字或几个单词出现在文章中。而且我们对搜索的要求实际上也越来越高，我们不是搜索是否存在某个词或某个词的文章，而是要找出与之相似含义的文章。

有时候我们还要找到答案，搜索引擎也变成了问答系统。

当然，我们搜索的内容也不仅仅局限于文字，可能是以图搜图，即图片搜索。

5.其它情况

当然，除上述分类外。实际上还有很多其他方面的研究，比如AI下棋，AI玩游戏，算AI游戏。

还有一些交叉领域的研究，比如图像图象图象图象自动生成，即看图说话，又有图画和文字，被认为是CV+NLP。

本文内容在此介绍，读者感兴趣的读者可以继续深入，以下是机器学习。

二、还有什么是深度学习？

当看到机器学习之后，那幺什麽是深度学习呢？

深度学习实际上是一种机器学习算法：神经网络，即一个复杂函数。其特点是层数可以连续地叠加。每个增加一层，实际上也就是多套一个功能层。前一个字符，为层数。

层次数目越多，模型的表达能力越强。比如2015年的ResNet，其层数达到了152层。

自2012年以来，AlexNet的出现，模型的层数不断增加，也因此被称为深度学习。随着深入学习的效果越来越好，几乎所有领域的最前沿(state-of-art)算法都变成了深度学习的方法，而且这种方法也越来越流行。

深度学习与机器学习之间的处理差异。

深度学习和普通机器学习方法最大的优点是不需要特征工程，比如房价预测，人工提取特征方法对像图片和文本这样复杂的数据来说是有限的。
深度学习的弊端

那几位有了深度学习，传统的方法是没有用的吗？

这一回答显然是否定的，深入学习的结果虽然很好，但他的代价也很高。深度学习系统需要的训练数据通常都是庞大的，并且在标注数据时要付出很多代价。

深度学习需要大量的计算资源，前段时间XLNet在自然语言处理领域的一个预先训练模型XLNet上取得了很好的效果，但是训练这个模型的花费要花费6万美金。

应用深度学习方法对模型进行优化时，若不采用知识蒸馏等模型压缩方法，预测时间长，而且耗费资源。即便是压缩，很多时候在性能上也无法满足需求。

整体而言，机器学习和深度学习各有优缺点，当然，现在深度学习在大多数领域都将超越传统的学习方法，而且是实用的。研究深度学习之前还是要先了解传统的机器学习方法。