概念区别：AI、机器学习、神经网络、深度学习

思考人工智能、机器学习、神经网络和深度学习的最简单方法是将它们想象成俄罗斯套娃。每个本质上都是前一个术语的组成部分----机器学习是人工智能的一个子领域。深度学习是机器学习的一个子领域，而神经网络构成了深度学习算法的支柱。实际上，区分单个神经网络和深度学习算法的是神经网络的节点层数或深度，深度学习算法必须有三个以上

神经网络——更具体地说，人工神经网络 (ANN)——通过一组算法模仿人脑。在基本层面上，神经网络由四个主要部分组成：输入、权重、偏差或阈值以及输出

深度学习与神经网络有何不同

虽然它在神经网络的解释中有所暗示，但值得注意的是更明确。深度学习中的“深度”是指神经网络中层的深度。由三层以上（包括输入和输出）组成的神经网络可以被视为深度学习算法。这通常使用下图表示：

大多数深度神经网络都是前馈的，这意味着它们只在一个方向上从输入流向输出。但是，您也可以通过反向传播来训练您的模型；也就是说，从输出到输入以相反的方向移动。反向传播使我们能够计算和归因于与每个神经元相关的误差，从而使我们能够适当地调整和拟合算法。

机器学习和深度学习的区别

数据集不同，机器学习的数据集是需要标注的，经常是结构化的数据，而深度学习的数据集是可以不用标注的菲结构化数据，深度学习可以自己根据数据集进行分类等，通常情况下，深度学习需要的数据集量也比机器学习大
机器学习一般是需要人工标注管控来监督学习，而深度学习是无监督学习
机器学习依赖算法，深度学习依赖神经网络

人工智能 (AI)是最广泛的术语，用于对模仿人类智能的机器进行分类。它用于预测、自动化和优化人类历史上完成的任务，例如语音和面部识别、决策制定和翻译。

人工智能主要分为三类：

狭义人工智能 (ANI)
通用人工智能 (AGI)
人工超级智能 (ASI)

ANI 被认为是“弱”AI，而其他两种类型被归类为“强”AI。ANI弱人工智能的定义是它有能力完成非常具体的任务，比如赢得国际象棋比赛或识别一系列照片中的特定个体。随着我们进入更强大的人工智能形式，如 AGI 和 ASI，更多人类行为的结合变得更加突出，例如解释语气和情绪的能力。聊天机器人和虚拟助手，如 Siri，只是触及了表面，但它们仍然是 ANI 的例子。

强人工智能的定义是它与人类相比的能力。通用人工智能 (AGI) 的表现将与另一个人相当，而超级人工智能 (ASI)（也称为超级智能）将超越人类的智力和能力。这两种形式的强人工智能尚不存在，但该领域的研究仍在继续。由于 AI 的这个领域仍在快速发展，我可以提供的最好的例子就是 HBO 电视剧《西部世界》中的角色 Dolores 。

参考链接：

https://www.ibm.com/cloud/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks

https://www.dataapplab.com/machine-learning-vs-deep-learning-whats-the-difference/#:~:text=%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%92%8C%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E9%83%BD%E6%98%AF%E5%B8%AE%E5%8A%A9%E6%95%B0%E6%8D%AE%E7%A7%91%E5%AD%A6%E5%AE%B6,%E4%B9%8B%E5%89%8D%E6%A0%87%E8%AE%B0%E6%95%B0%E6%8D%AE%E9%9B%86%E4%BF%A1%E6%81%AF%E3%80%82