引言

人工智能、机器学习、神经网络、深度学习，经常出现在同一篇文章、同一次报告中。 这些词彼此有关，却没有完全相同的含义。 对化学研究者而言，认识它们，是为了能够判断一项工作采用什么思路、解决什么问题，以及结果能够相信到什么程度。

前两章分别介绍了计算机怎样处理信息，以及数据怎样表示、整理和使用。 本章接着讨论：机器怎样从数据中建立预测或判断的能力？模型是在记住已有答案，还是学到了能够用于新问题的关系？

本章沿五个问题展开：

1. 层级：人工智能、机器学习、神经网络与深度学习，分别在讲什么？
2. 流派：符号主义与联结主义怎样实现智能，两种思路为何形成并持续发展？
3. 类别：监督与非监督、回归与分类，分别怎样区分？
4. 模型：模型与理化公式有什么联系，几种简单模型怎样产生预测？
5. 评估与解释：怎样检查预测是否可靠，预测准确又能支持什么科研结论？

理解这些问题，需要具体的过程和例子，但不要求先掌握每种方法的计算细节。 本章先把主要关系讲清，让后续阅读与使用工具有一个可以依靠的框架。

4.1 层级：从人工智能到深度学习

4.1.1 人工智能关注愿景与目标

人工智能（Artificial Intelligence，AI）关注怎样让机器完成识别、学习、推理、规划和解决问题等通常需要智能的任务。

它既表达一种研究目标，也是一个包含多种方法的研究领域。

识别一张图里的对象、理解一段文字的要求、根据知识提出判断、安排一串行动，都可以成为 AI 的研究任务。

实现这些任务有不同的方法：有的系统主要依赖明确规则，有的主要依赖从数据中学习，也有的把两者结合起来。

图 4-1：人工智能的发展历程。从1950年到今天，人工智能出现了三次热潮。

4.1.2 机器学习是实现目标的一类方法

机器学习（Machine Learning，ML）利用数据建立或改进预测、判断的办法，而不需要人逐条写出所有具体判断规则。