人工智能(AI)、机器学习(ML)、和深度学习(DL)技术之间到底是什么关系呢？Google DeepMind开发的电脑围棋软件AlphaGo，在韩国以五局三胜赢了世界上最好的职业棋手，媒体用了所有这三个名词来报道AlphaGo，因为人工智能、机器学习、和深度学习都是AlphaGo赢赛的原因。但这三个名词是不同的，你可以把这三者想成同心圆的关系：AI在最外围，是人们首先听见的概念，DL的发展在最里面，是AI发展的核心动力，只应用在一部分的ML技术上，却驱动了整个AI界各层面的爆炸性发展和应用，如下图所示：
AI能够大发展的主要原因是图像处理器（GPUs）和存储技术大大发展了，能够又快、又便宜地同时处理大量信息，并且几乎是无限制地快速存储和访问这些数据，以及快速地综合分析各类数据的能力（称为大数据）。随着各种传感器的研发，收集到更多更广的数据资源，反过来又进一步促进大数据技术的发展...现在能够利用AI的行业已经相当广了。
起初，计算机开始发展出来的时候，AI科学家就梦想着计算机有一天能够具有人类智力的特点。收集数据，计算，分类等等，机器肯定比人来的快，于是有了ML的设想—一种让机器取得AI的途径。举个机器学习的例子：
我们的电子邮箱，起初使用时收到很多垃圾邮件。现在有一大堆都被自动送到另一个文件夹去了，因为你的电子邮件服务商开始让你的计算机学习辨认垃圾邮件了。他们先输入一些数据，指出某些垃圾邮件的特征。然后允许用户指出，哪些垃圾邮件它没有辨认出来，哪些并不是垃圾邮件--它有辨认失误。你若借着点击“spam”或“not spam”经常“教导”，你的计算机就会累积数据，“学会”在这方面更好地服务你。你如果经常不看某人寄来的邮件而直接删除，你的计算机也可能学会，把那人的邮件自动归类为垃圾邮件等等，这些都不需要你为它编程序！你的电脑还会在一定时期之后自动为你清除垃圾文件夹，所以你最好定期检查一下你的垃圾文件夹，以免遗失重要信件。
虽然计算机可以借着积累的数据“学习”辨认文字和图像，并根据辨认结果很快作出某些决定和行动，还是远远不能和人类智力相比。下一步是进入DL发展阶段，就是让计算机拥有深度的学习能力。
DL是采用某种复杂的算法系统，来实现ML，让ML来模拟人的大脑神经网络。人的大脑有很多彼此联络的神经元，每个神经元都和周围所有其它的神经元联络，让人能够毫不费力地联想、分析、判断。而模拟的人工神经网络只能有一些离散层次的联结，而且数据传播的方向是预先设计好的。
比如，你把一个图像破碎成许多小块，送进人工神经网的第一层，就是那些单个的神经元，处理后送给第二层，第二层处理后再送到第三层等等，最后综合结果，达到辨认出来的目的。每一层的神经元处理结果都产生一个指数，这个指数叠加到最后，越高就说明所得结论的把握越高。比如辨认六角形的红色停车标志，图景中有没有停车标志呢？机器能够给出一个百分数，告诉你辨认出来的几率有多大。
能够辨认一幅图画还不够，实现深度学习的DL阶段真正开始，全靠图像处理技术完善，就是GPUs出现，才算真正把人工智能的神经元设想实现。起初认错的几率比较大，需要增加人工神经元网络的规模和密度，还需要常输入正确答案，然后借着DL算法来处理许多的ML图像，并借着筛选结果，来“训练”计算机“学习”看很多图像，得出抽象的分析结果。
DL是某种用来筛选结果的特别算法，不同的AI任务有不同的变量。现在在某些AI情况下，使用了DL的ML已经比人还强了。比如辨认血液中的某些癌指标，辨认磁共振图像扫描中的血相和肿瘤等等。Google开发出来的AlphaGo一遍遍地与自己下棋，使用了DL技术的ML不住地筛选并记住比较优化的棋局步骤，最后赢了世界上最好的棋手。
DL可以用在很多ML的领域中。DL能够把各种任务划分成细小的任务，使机械辅助成为可能，比如无人驾驶车辆，检查身体等等。AI因为DL和ML技术而大大发展，这些工作在不久的将来都必定会因为AI得到突破。
下面是NVIDIA公司的CEO黄仁勋（Jensen Huang）博士解释DL的概念。他后面演示了VR电脑游戏。因为NVIDIA是一个DL平台，所以应用是很多的，家居啊，运输啊等等。从讲演开始大约19分钟左右，黄总裁开始解释无人驾驶技术，很有趣。AI车辆不仅了解车辆周围的情形，也了解司机和乘客的状况，必要时发出警告。不用说，AI车辆能够完全自行驾驶。
NVINDIA最早研制自动驾驶技术的合作伙伴是奥迪汽车。
