如上图，区别三者最简单的方法：想象同心圆，人工智能(AI)是半径最大的同心圆，向内是机器学习(MachineLearning)，最内是深入学习(DeepLearning)。人工智能是最早出现的，也是最大、最外侧的同心圆；其次是机器学习，稍晚一点；最内侧，是深度学习，当今人工智能大爆炸的核心驱动。
人工智能，机器所赋予的人的智能
我们目前可以实现的还是局限于「弱人工智能」(Narrow AI)。这些技术能够像人类一样执行特定的任务，或者比人类做的更好。像 Pinterest 上的图像分类，Facebook 上的人脸识别等。
这些都是弱人工智能实践中的例子。这些技术展示了人类智力的一些方面。但如何展示?这些智力是从哪里来的?这些问题促使我们进入到下一个阶段，机器学习。
机器学习，一种实现人工智能的方法
机器学习最根本的点在于使用算法来分析数据的实践、学习，然后对真实的事件作出决定或预测。而不是用一组特定的指令生成的硬编码软件程序来解决特定任务，机器是通过使用大量的数据和算法来「训练」，这样就给了它学习如何执行任务的能力。
机器学习是早期人工智能人群思考的产物，多年来形成的算法包括决策树学习、归纳逻辑编程、聚类、强化学习、贝叶斯网络等等。正如我们所知，所有这些都没有实现强人工智能的最终目标，而早期的机器学习方法甚至连弱人工智能都没有触及到。
随着时间的推移，学习算法改变了这一切。
深度学习， 一种实现机器学习的技术
放猫(Herding Cats)：YouTube 视频抓拍的猫的形象是深度学习的第一次突破性展示
在过去的几十年中，早期机器学习的另一种算法是人工神经网络。神经网络的灵感来自于我们对人类大脑生物学的理解：所有这些神经元之间的相互联系。在一定的物理距离内，生物大脑中的任何神经元可以连接到其他神经元，而人工神经网络有离散的层、连接和数据传播的方向。
例如，你可以把一个图像分割成很多部分，这些可以输入到神经网络的第一层。在第一层中的单个神经元，然后将数据传递到第二层。第二层神经元做它的任务，等等，直到最后一层，那么最终结果就产生了。
每个神经元都为其输入分配权重，分配的权重正确与否与执行的任务相关。结果，最终的输出由所有的权重所决定。这样，还是以「停止」标志牌为例。将「停止」标志牌图像的元素抽离分析，然后由神经元「检查」：其八边形的外形，消防车火红的颜色，鲜明的字母，交通标志的大小，处于运动或静止的状态。神经网络主要任务是总结是否是个停止标志。随即，基于权重、经过深思熟虑「概率向量」的概念出现。该案例中，该系统中
86% 的可能是停止标志，7% 的可能是速度限制标志，5% 的可能性是挂在树上的风筝等等。这样，网络结构便会告知神经网络是否正确。
但这个例子还是非常超前。因为直到最近，神经网络还是被人工智能研究所忽略。实际上，在人工智能出现之初，神经网络就已经显现了，在「智能」方面还是产生很小的价值。问题是甚至最基本的神经网络都是靠大量的运算。不过，多伦多大学的
Geoffrey Hinton 领导的一个研究小组始终专注于其中，最终实现以超算为目标的并行算法的运算且概念的证明，但直到 GPU得到广泛利用，这些承诺才得以实现。
回到之前「停止」标志的例子。神经网络是被调制或「训练」出来的，并且不时遇到错误的应答。它所需要的就是训练。需要呈现成百上千甚至上百万的图像，直到神经元输入的权重被准确调制，那么实际上每次都能得到正确的信息，无论是否有雾，无论晴天还是雨天。只有在那一点，神经网络才学会一个停止标志是什么样的，Facebook上你妈妈的脸是什么样，又或者是吴恩达(Andrew Ng)教授 2012 年在 Google 上学习到的猫的样子。
吴恩达的突破在于将这些神经网络显著增大，增加了层数和神经元，并通过系统的训练运行大量的数据。在吴教授所举案例中，数据就是 YouTube 视频中 1000 万张图像。他将深度学习中添加了「深度」，也就是这些神经网络中的所有层。
通过在某些场景中深度学习，机器训练的图像识别要比人做得好：从猫到辨别血液中癌症的指标，再到核磁共振成像中肿瘤。Google 的 AlphaGo 先是学会了如何下棋，然后它与自己下棋训练。通过不断地与自己下棋，反复练习，以此训练自己的神经网络。
深度学习，赋予人工智能光明的未来
深度学习使得许多机器学习应用得以实现，并拓展了人工智能的整个领域。深度学习一一实现了各种任务，并使得所有的机器辅助变成可能。无人驾驶汽车、预防性医疗保健、甚至的更好的电影推荐，都触手可及或即将成为现实。人工智能就在现在，也在未来。有了深度学习，人工智能可能甚至达到像我们畅想的科幻小说一样效果。
