Question

深度学习与类脑智能的区别?

Answer 1

类脑智能做的面比较广，出发点是开发一个与人脑具有类似功能的模拟大脑出来，达到人类的智慧，深度学习只是其中的一个小小的分支而已，是对人脑研究的一个小成果，而类脑智能相对研究的比较宽泛和深入。

Answer 2

中科院自动化所所长徐波发表了题为“类脑智能研究与发展方向”的演讲。徐波称，有监督的深度学习背后有很多人力，而且不具备通用性，未来的人工智能将会是一种受脑启发的人工智能，也就是类脑智能。类脑计算、类脑智能、类人智能已经成为人工智能研究的热门领域。
徐波称，目前深度学习大多数采用CPU+GPU集群并行计算方式，这需要巨大的计算耗能。拿谷歌旗下的深度学习系统AlphaGo来说，它的功率为每小时280000瓦特，与李世石对弈时耗能为每小时225千卡。而类脑智能的优势在于，它是一种面向人工神经网络对低功耗、弱监督等学习需求将生物机制与数学原理融合的新型网络模型和学习方法。受大脑多尺度信息处理机制启发的计算模型及软硬件实现，使机器实现人类具有的多种认知能力并高度协同，逐渐逼近具有学习和进化能力的通用智能。
徐波介绍了类脑智能的研究的几个方面。一个是在认知科学上，融合了长短时记忆单元、注意力和多伦推理机制。在神经网络对话系统。通过序列化的学习减少形式化过程。还有就是神经科学，它和机器学习融合的新时机是，机器学习的目标函数越来越复杂，为了使得目标函数和优化更加容易，机器学习发展出了不同的网络结构。
徐波认为，大脑是典型的复杂系统，由上千亿神经元通过百万亿突触组成巨大网络，实现感知、运动、思维、智力等各种功能。大脑等复杂系统的共性是，复杂的集体行为、信号和信息处理、自组织和适应性。信息处理将会成为理解生命系统的一个统一框架，也就是全脑认知功能计算模拟平台。

Answer 3

1、机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。
2、深度学习本来并不是一种独立的学习方法，其本身也会用到有监督和无监督的学习方法来训练深度神经网络。但由于近几年该领域发展迅猛，一些特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。
3、机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。
拓展资料：
1、机器学习直接来源于早期的人工智能领域，传统的算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等等。从学习方法上来分，机器学习算法可以分为监督学习（如分类问题）、无监督学习（如聚类问题）、半监督学习、集成学习、深度学习和强化学习。传统的机器学习算法在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或者特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。
2、最初的深度学习是利用深度神经网络来解决特征表达的一种学习过程。深度神经网络本身并不是一个全新的概念，可大致理解为包含多个隐含层的神经网络结构。为了提高深层神经网络的训练效果，人们对神经元的连接方法和激活函数等方面做出相应的调整。其实有不少想法早年间也曾有过，但由于当时训练数据量不足、计算能力落后，因此最终的效果不尽如人意。深度学习摧枯拉朽般地实现了各种任务，使得似乎所有的机器辅助功能都变为可能。无人驾驶汽车，预防性医疗保健，甚至是更好的电影推荐，都近在眼前，或者即将实现。

追问

我问的是类脑智能与深度学习的区别。你答错了