前言

我想大家在學習人工智慧時，可能會發現很多人在說明這些技術時會稱它為人工智慧，但也有時候會說它是機器學習，甚至會稱它是深度學習。那麼這些差異在哪裡呢？它們之間的關聯性又是什麼呢？今天我會在短短的時間內解決你的疑惑。

人工智慧(Artificial Intelligence)

人工智慧(Artificial Intelligence, AI)是指機器展示出來的智能行為，其主要目標是讓機器能夠模仿人類的思考和行動。這個定義本身非常廣泛，在程式設計中，這個定義甚至可以僅通過if...else...語句來實現。這裡的定義傾向於一種有邏輯的策略，例如，我們可以編寫一套股票交易策略，當股票連續下跌幾天時賣出股票，這樣的基礎邏輯操作都可以被稱為人工智慧。

而這種方式被稱為法則學派(Rule Based Approach)。法則學派指的是機器模仿人類，以邏輯推論的方式，根據預先設定的規則進行操作，並根據環境變數變化推理出判斷結果，此派人工智慧注重的是「推理」而非「學習」。最具代表性的系統是專家系統(Expert System)。

專家系統是一種類似於人類專家的電腦程式，它能夠根據特定領域內的規則和知識，做出決策或解決問題。在某些專業領域，例如醫療診斷或金融分析，專家系統能夠提供高效且準確的幫助。

機器學習(Machine Learning)

而機器學習(Machine Learning, ML)是人工智慧的另一個分支，不同於法則學派，它專注於讓機器能夠從數據中學習和改進效能，而不需要明確的程式規則。這類型的程式碼通常是通過一些高階演算法所建立而成。這些演算法主要功能是透過分析大量的數據，識別出這些數據的的模式，並能自動調整其模型內部的權重，以提升預測或決策的準確度。

這些機器學習方法通常會依賴不同的訓練模型，例如監督式學習(Supervised learning)、非監督式學習(Unsupervised learning)、強化學習(Reinforcement learning)等，每種方法都有其特定的應用場景。例如，監督式學習需要有標籤(Label)的數據來訓練模型，而非監督式學習則能在沒有標籤的數據中找到潛在的結構或分類。強化學習則透過試錯的方式，讓機器在動態環境中學習最佳行為策略。這些方法在機器學習領域中都有廣泛的應用。

深度學習(Deep Learning)

深度學習(Deep Learning, DL)是機器學習的進一步發展，這種技術通常需要通過多層神經網絡(Neural Network)來進行自動找出資料中的的特徵。因此與純機器學習的技術相比，深度學習通常需要更長的訓練時間以及更多元的資料來去對模型進行學習與改進。

深度學習技術在我們日常生活中應用非常廣泛，例如語音辨識、影像處理、自動駕駛等都是深度學習技術的應用。與純機器學習技術相比，深度學習的資料相對而言不需過多的數據特徵強化與過濾，因為這類模型在學習過程中能自動辨識數據中的雜訊（Noise），並學習正確的資料特徵。而有這樣的特性甚至能夠學習到適當雜訊的數據以增強模型的泛化能力。

總結

簡單來說人工智慧是一個大範疇，而機器學習則是人工智慧中的一部分，深度學習則是機器學習中的一個特殊方法，這些技術通過逐漸改進和調整，發展成了我們今天所見的AI時代。然而深度學習不一定是解決問題的最佳方法，傳統的人工智慧和機器學習方法在許多比賽中仍然能名列前茅。
我絕對不會說我去年的AI CUP就是被Rule Based Model幹掉的