温故知新AI/ML之一:AI/ML基本概念
作者：微信文章近期在总结AI/ML的基础信息系列。之前的AI/ML相关文章可参考如下：3GPP RAN全会第108次会议中以AI为核心的6G SI概览2025随手记（15）AI/ML在5G NG-RAN增强
AI在电信系统的主要用例演进
2025随手记（8）AI/ML model在5GS中传递
2025随手记（7）3GPP的AI/ML相关进展
2024随手记（25）AI/ML算法应用于5G移动性2024随手记（22）RAN3的AI/ML研究2024随手记（19）R18中的AI/ML
AI-RAN联盟启动5G6G中人工智能AI 与自动化Automation信息汇总--宏文2023（23）AI-native通信系统设计--宏文2023（15）AI原生无线网络3GPP在5G空口上的AI/ML相关研究信息--2023宏文（9）转第二篇：AI框架发展白皮书转6G和AI的文章第一篇：6G总体远景与潜在技术宏文2022（3）三类5G AI案例及当前5G AI所面临的的局限和挑战2021宏文（18）AI接入5G的一些思路2021宏文（16）AI学习笔记起始篇
虽然之前这些文章已经总结并深入汇总了包括3GPP定义的一些相关知识。从本文开始算是对AI/ML部分的温故知新。也算是笔者个人的一些学习笔记汇总。在尝试定义机器学习之前，我想先简单介绍几个听起来差不多却容易混淆的术语：人工智能 (AI)、机器学习（ML）和深度学习（DL）。当然，要在这些术语之间划清界限并非易事，但总体而言，这些术语之间的关系可以如下图所示：
从上表就可以看出AI是最广泛的概念，它涵盖了机器学习和深度学习。也就是说，机器学习是人工智能的一种特殊形式，而深度学习也是机器学习的一种特殊形式。本文将对每个概念的组成的单词的基础定义进行汇总：人工智能、机器学习和深度学习这三个概念的单词主要由三个，查了词典并翻译定义如下：
Intelligence智能：学习、理解并基于理性做出判断或形成观点的能力。
Artificial人工智能：人造的，通常是自然事物的复制品。
Learning学习：获取知识的活动 ，进而获取智能的活动。
现在，让我们从技术层面来简要思考每个领域的定义。
第一，人工智能（Artificial Intelligence）
结合上述单词的基本定义并稍加修改，我们可以将人工智能定义如下。
人工智能是指（比如像计算机这样的机器）学习并做出判断（针对给定的一组特定数据或查询）的能力。
机器基于人类制定的一套规则或算法进行学习并获得智能。几十年前，当机器学习或深度学习的概念尚未出现时，人工智能中使用的规则/算法非常具体和明确。简而言之（可能过于简化），可以将早期的人工智能想象成一组庞大的“if”或“case”语句列表进行的逻辑判断。每条规则都由人类（人工智能程序员）明确定义。此阶段人工智能最常见的例子是专家系统（ES）甚至决策支持系统（DSS）。
第二，机器学习（Machine Learning）
机器学习的基本定义与上面描述的人工智能的定义相同，因为机器学习本身就是一种人工智能。那么，与上面描述的传统人工智能相比，机器学习的特殊之处在于机器（例如计算机、汽车等）学习的算法。传统人工智能的算法非常具体和清晰，而机器学习的算法则不那么具体和清晰。人类（机器学习程序员）提供一套灵活的算法，其中包含许多可调参数，而机器则根据提供给它的海量训练数据自行调整这些参数。也就是说，机器学习既能从算法中学习，也能从训练数据中学习。这就像我们学习一样，我们被赋予一个强大的算法（大脑），然后（算法=大脑）从各种训练数据（经验）中学习。从这个角度来看机器学习的思路更接近于人类大脑学习新知识和新经验的过程。
就算法而言，机器学习主要有两种不同的方法。一种基于统计方法，另一种基于神经网络。
使用统计方法，机器通常会学习如何将给定数据集分成几个组，并确定（预测）给定数据（新数据）属于哪个组。在这种方法中，我们（人类程序员）仅向机器提供训练数据，而不（或几乎不）提供任何有关数据的附加信息。聚类（Clustering）就是此类算法的典型示例。
使用神经网络方法，机器会通过大量示例数据学习如何对给定数据进行分类（或识别）。这些示例数据由一对信息组成。这对信息的一部分是机器需要识别的数据，另一部分是数据所属的标签（类别名称）。学习过程可以如下：
人类（程序员）向机器（例如计算机）展示一张香蕉（数据）的图片，并说“这是一个香蕉（标签）”。
人类（程序员）向机器（例如计算机）展示一张苹果（数据）的图片，并说“这是一个苹果（标签）”。
人类（程序员）向机器（例如计算机）展示一张橙子（数据）的图片，并说“这是一个橙子（标签）”。
……
这个过程需要处理数千或数百万种不同类型的数据（例如，同一种水果的不同图片、不同水果的不同图片、同一种汽车的不同图片、不同汽车的不同图片等等）。在完成所有这些过程（训练）之后，人类会向机器展示一张新的图片（通常在训练过程中不会用到），并询问机器这是什么？然后机器就会给出答案。这就是根据自身掌握的知识和算法得出的结论，当然具体的训练和算法要复杂得多。
第三，深度学习（Deep Learning）
根据本文开头的示意图可知，深度学习广义上是人工智能的一种（分支），狭义上是机器学习的一种（分支）。而机器学习主要由两个分支组成。一个基于统计方法，另一个基于神经网络。深度学习属于基于神经网络的机器学习分支。神经网络是另一个很大的话题。简单说来，神经网络的结构大致分为两类：一类是单层神经网络，另一类是多层神经网络。多层神经网络被称为深度神经网络，而基于深度神经网络的机器学习被称为深度学习。单层神经网络和多层神经网络（深度神经网络）在学习能力方面的主要区别是：与单层神经网络相比，基于深度网络算法（深度学习）可以为多种问题提供解决方案。
坐而论道，好好读书！
欢迎并感谢转发本公众号的文章。请在copy，翻译，修改并转发文章or文章中部分内容（文字，图片，视频等）时注明源自本公众号！！
页:
[1]