編者按：如果你要寫3段同樣的代碼，你最好調(diào)用函數(shù)；如果你被人當面問了3次同樣的問題，你最好寫一篇文章……數(shù)據(jù)科學、機器學習、人工智能，隨著這些詞日漸頻繁地出現(xiàn)在公眾視野里，一些類似“程序員=修電腦”的誤會也逐漸變得常見起來。那么，這三者的區(qū)別究竟是什么呢？近日，Stack Overflow的一位數(shù)據(jù)科學家David Robinson就不堪誤會之擾，專門撰寫了文章解釋這三個名詞的區(qū)別，讓我來看看他的理解吧。

當我介紹自己是一名數(shù)據(jù)科學家的時候，我經(jīng)常會遇到“機器學習和數(shù)據(jù)科學有什么區(qū)別？”“你是搞人工智能的嗎？”這樣的問題，我回答了一遍一遍又一遍，但所謂事不過三，現(xiàn)在我已經(jīng)受不了了。

誠然，這些領(lǐng)域確實有很多重疊，再加上媒體連續(xù)不斷的捆綁營銷炒作，人們很容易把它們誤解為同一種東西。但事實上，數(shù)據(jù)科學、機器學習、人工智能這三個概念是不可混淆的：大多數(shù)領(lǐng)域內(nèi)的專業(yè)人士都對其中的區(qū)別有直觀理解，但一旦涉及用語言描述出來，這個事情就變得困難重重了。

所以在這篇文章中，我想談一談這三個領(lǐng)域之間差異的簡單定義：

數(shù)據(jù)科學產(chǎn)生見解；

機器學習產(chǎn)生預測；

人工智能產(chǎn)生行為。

需要注意的是，這些定義只是泛泛而談：符合這些定義的東西未必能被歸類于相對應的領(lǐng)域（算命先生天天幫人預測，但我不會說他們是在搞機器學習）；這些定義也不是確定某人方向、職位的衡量標準（“我是數(shù)據(jù)科學家嗎？”）；其中包含的是三者各自偏重的重點和經(jīng)驗（任何工作都是這樣：寫文章是我工作的一部分，但我不是專業(yè)作家）。

雖然“嚴謹”不足，但我依然認為這些定義是區(qū)分數(shù)據(jù)科學、機器學習、人工智能這三個概念的有效方法，它至少可以讓你在聊天的時候不那么門外漢。事實上，我在這篇文章內(nèi)只做描述，不做定義。我對告訴你這些術(shù)語“應該是什么意思”完全不感興趣，但我會告訴你相應領(lǐng)域的人會對用這些術(shù)語做什么事感興趣。

數(shù)據(jù)科學產(chǎn)生見解

數(shù)據(jù)科學和機器學習、人工智能有顯著區(qū)別，它關(guān)注的是人類目標：得到見解和理解。對此，杰夫·李克（Jeff Leek）在Types of Data Science Questions中給出了很好的定義，他認為數(shù)據(jù)科學應該包含描述性（如“普通客戶的續(xù)訂概率為70%”）、探索性（如“不同銷售人員手中客戶的續(xù)訂率不同”）以及因果關(guān)系（研究表明分配給小明的客戶的續(xù)訂率比小紅高）。

當然，并非所有帶有一定見解的數(shù)據(jù)資料都屬于數(shù)據(jù)科學范疇，從學科上講，數(shù)據(jù)科學應該是統(tǒng)計學、軟件工程和相關(guān)領(lǐng)域?qū)I(yè)的結(jié)合，但這一點能把它和機器學習、AI明顯區(qū)分開來。這三者的一個主要區(qū)別在于，在數(shù)據(jù)科學中，人是循環(huán)中不可缺少的一個組成部分：算法得出數(shù)字、結(jié)果，人從中得到見解，挖掘原因。對于機器學習，DeepMind的圍棋算法不需要依靠人來選擇下一步；對于AI，Google地圖推薦行車路線時也不需要人來幫忙。

因此，數(shù)據(jù)科學強調(diào)的是：

統(tǒng)計推理；

數(shù)據(jù)可視化；

實驗設計；

專業(yè)領(lǐng)域知識；

溝通。

數(shù)據(jù)科學家可能會使用一些簡單的工具：計算百分比，并根據(jù)SQL查詢制作線圖。他們也會使用非常復雜的方法：用分布式數(shù)據(jù)存儲分析數(shù)以萬億計的數(shù)據(jù)，開發(fā)尖端統(tǒng)計技術(shù)，并構(gòu)建可視化交互工具。無論他們做了什么，怎么做，目標都是更好地解讀數(shù)據(jù)。

機器學習產(chǎn)生預測

我認為機器學習的特點是產(chǎn)生預測：給定具有特定特征的樣本X，預測Y。這些預測可能是關(guān)于未來的（如預測病人的疾病惡化情況），也有可能是關(guān)于計算機的弱勢領(lǐng)域的（如預測圖像中是否有鳥）。Kaggle上的所有項目比賽幾乎都可以被視為機器學習問題：他們提供一些訓練數(shù)據(jù)，看參賽者的模型能否基于數(shù)據(jù)集準確預測全新樣本。

數(shù)據(jù)科學和機器學習有許多交叉，邏輯回歸就是其中的一個典型。例如，我們可以用邏輯回歸算法分析客戶：客戶越有錢，他買我們的商品的幾率就越大，那我們就需要相應地改變營銷策略。那么怎么制定營銷策略呢？一個可參考的標準就是算法的預測：這個客戶的購買幾率是53%，所以我們應該向他推銷產(chǎn)品。

但數(shù)據(jù)科學和機器學習畢竟是不同的。像隨機森林這樣的模型，我們在數(shù)據(jù)科學上很難對它作出解釋，但它在機器學習領(lǐng)域卻是最簡單基礎的模型之一，而深度學習的內(nèi)容就更難理解了。如果你的目標是提取見解而不是做出預測，那么機器學習并不適合你。因此我們可以為數(shù)據(jù)科學和機器學習畫一個簡單的界限：數(shù)據(jù)科學更傾向于使用可解釋的模型，而機器學習會更多地涉及“黑盒”模型。

事實上，大多數(shù)領(lǐng)域內(nèi)的人都能在這兩者之間輕松地來回切換，比如我就經(jīng)常會在工作中用到數(shù)據(jù)科學和機器學習：我會基于Stack Overflow的業(yè)務數(shù)據(jù)建立一個模型來預測哪些用戶可能正在找工作（機器學習），但與此同時我也需要就模型為什么能起作用給出總結(jié)并進行可視化測試（數(shù)據(jù)科學）。這是發(fā)現(xiàn)模型缺陷、和算法偏差作斗爭的重要途徑，也是數(shù)據(jù)科學家經(jīng)常負責開發(fā)產(chǎn)品的機器學習組件的原因之一。

人工智能產(chǎn)生行為

迄今為止，人工智能可以稱得上是三者中歷史最悠久、社會認可度最高的領(lǐng)域，因此定義它頗具挑戰(zhàn)性。談及人工智能，最直觀的一個感受就是炒作，研究人員、媒體、創(chuàng)業(yè)公司……人工智能堪稱炒作的溫床，搭上它，你就能獲得名譽、熱度和金錢。

如果你想融資，寫AI；

如果你想招聘，寫ML；

如果你想實現(xiàn)，線性回歸；

如果你在debugging，printf()。

這就導致了我對它的悲觀看法，因為這種“萬物皆AI”的炒作會使一些理應被作為AI內(nèi)容的基礎工作“無家可歸”。對此，一些研究人已經(jīng)員開始抱怨AI效應：“我們現(xiàn)在根本無法實現(xiàn)AI。”那么，哪些工作可以被視為AI的一部分呢？

在Poole、Mackworth和Goebel于1998年出版的《計算智能》里，和Stuart Russell、Peter Norvig于2003年出版的《人工智能：現(xiàn)代方法》里，他們定義的“人工智能”有一個共同點，就是首先我們需要一個模擬人類智能的智能體代理，其次它能自主執(zhí)行任務，并能根據(jù)行為作出反饋。所以以下是我認為應該被描述為AI的內(nèi)容：

游戲算法（Game-playing algorithms），如AlphaGo；

機器人及控制論；

優(yōu)化，如Google地圖選擇駕駛路線；

自然語言處理；

強化學習。

同樣的，人工智能也和其他兩個領(lǐng)域有大量交叉內(nèi)容，尤其是深度學習在機器學習和人工智能上表現(xiàn)出來的跨界成就。深度學習的一個典型用法是基于數(shù)據(jù)進行訓練，然后再進行預測，這很機器學習，但它的模型在游戲中也大獲成功。和之前仗著算力提升，簡單粗暴算出所有下法的超級計算機“深藍”不同，AlphaGo雖然也有不低的算力要求，但它不再窮舉，而是專注于探索和優(yōu)化解決方案的未來空間。

但人工智能也很不一樣。如果我正在用模型分析一些銷售數(shù)據(jù)，發(fā)現(xiàn)某特定行業(yè)的客戶比其他行業(yè)的客戶擁有更高的續(xù)訂率，那我會輸出它的一些數(shù)字和圖表，而不是簡單下個結(jié)論（盡管主管會需要這個結(jié)論并基于它調(diào)整銷售策略，但這一系列行為不是自主的）。在這種情況下，我在做的事叫做數(shù)據(jù)科學。

請！千萬！千萬！千萬不要說：我正在用AI來提高銷售額！（請聯(lián)系某些金融機構(gòu)的廣告自行判斷）

人工智能和機器學習之間也存在微妙的區(qū)別。以前我們會把機器學習作為人工智能的一個子領(lǐng)域，尤其是計算機視覺，它是后者的一個經(jīng)典問題。但現(xiàn)在，我認為機器學習很大程度上已經(jīng)從人工智能中剝離出來了，其中的一個原因是從業(yè)人員的反感：大多數(shù)從事機器學習的人都不愿意把自己形容為AI研究人員（許多機器學習突破都源于統(tǒng)計學）。獨立意味著你可以把問題描述為“從Y預測X”，而不是用AI這樣頗具玄學的詞匯。

根據(jù)今天的定義，y=mx+b都成了一個人工智能機器人，因為它能告訴你函數(shù)線會往哪兒走。

案例研究：三者的組合

假設我們正在制造一輛自動駕駛汽車，需要研究汽車識別停車標志這個問題，那么我們需要結(jié)合這三個領(lǐng)域的知識。

機器學習：汽車必須使用攝像頭識別停車標志。我們構(gòu)建了一個包含數(shù)百萬個包含路標的街景圖像的數(shù)據(jù)集，并基于它訓練一個能夠準確識別停車標志的算法。

人工智能：一旦我們的車識別出了停車標志，它必須能自主判斷何時剎車。過早過晚都是很危險的，同時它也要兼顧路況（如雨雪天氣光滑路面），這是控制論的問題。

數(shù)據(jù)科學：在實際路測時，我們發(fā)現(xiàn)汽車性能不夠好，因為停車標志出現(xiàn)了不少導致錯誤的消極因素。分析路測數(shù)據(jù)后，我們得到的結(jié)論是假陰性率（漏判率）取決于時間：日出前、日落后，汽車容易錯過路標。由此我們發(fā)現(xiàn)大部分訓練數(shù)據(jù)都是全天候的，汽車并沒有針對夜間環(huán)境做過訓練，所以我們搜集了很多夜間停車標志圖像，返回機器學習步驟。