并不会 。俗话说：“用四个参数我可以拟合出一头大象 ， 而用五个参数我可以让它的鼻子摆动 。”无论何时 ， 机器学习首先考虑的都是简单的模型（比如线性回归、线性分类、决策树） ， 而不是深度学习这样沉重的模型 。这不仅是为了节省算力 ， 也是为了避免模型过于复杂导致的过拟合 。比如 ， 知名的python机器学习库scikit-learn就不支持深度学习 ， 但使用仍然十分广泛 。
包括Spotify、Evernote、Booking.com、OkCupid等知名公司都使用scikit-learn.（图为scikit-learn官网截屏）另外 ， 强化学习现在也非常火热 。各种人工智能顶会上有大量强化学习方面的论文 。在一对一无限注德州扑克比赛中击败顶级人类选手的Libratus用的就是强化学习的技术 ， 反事实遗憾最小化（counterfactual regret minimization）的新变体 。
也就是说 ， 这个玩德州扑克的AI并不关深度学习什么事 。当然 ， 现在的强化学习 ， 常常结合了深度学习 ， 也就是深度强化学习 ， 比如Alpha Go. 这其实也反映了深度学习发展的趋势 ， 和其他机器学习技术相结合 。总结一下 ， 深度学习不会淘汰其他所有机器学习算法 。深度学习之外的机器学习算法仍有旺盛的生命力 。另外 ， 深度学习也会和其他机器学习算法相结合 。
人工智能、机器学习、深度学习三者之间的关系？
人工智能、机器学习、深度学习三者之间的关系？有人说 ， 人工智能（AI）是未来 ， 人工智能是科幻 ， 人工智能也是我们日常生活中的一部分 。事实上 ， 这些说法都是正确的 ， 这一切都取决于你所指的是哪一种人工智能 。例如 ， 此前Google DeepMind的AlphaGo打败了韩国的围棋大师李世乭九段 。在媒体描述DeepMind胜利的时候 ， 就曾将人工智能（AI）、机器学习（Machine Learning）和深度学习（Deep Learning）都提到了 。
这三者在AlphaGo击败李世乭的过程中都起了作用 ， 但它们说的并不是一回事 。要解释这三者之间的关系和应用 ， 最简单的方法就是画一个同心圆 ， 如下图 ， 人工智能是最早出现的 ， 也是最大、最外侧的同心圆；其次是机器学习 ， 稍晚一点；最内侧 ， 是深度学习 ， 也是当今人工智能大爆炸的核心驱动 。从概念的提出到走向繁荣1956年 ， 几位计算机科学家相聚在达特茅斯会议（Dartmouth Conferences） ， 提出了“人工智能”的概念 。
其后 ， 人工智能就一直萦绕在人们的脑海之中 ， 并在科研实验室中慢慢孵化成形 。在之后的几十年 ， 人工智能一直在不停地两极反转 ， 既有人把其称作人类文明耀眼的未来；也有人把其当做是技术疯子们的妄想 ， 嗤之以鼻 。坦白说 ， 直到2012年之前 ， 这两种声音都还同时存在 。过去几年 ， 尤其是自2015年以来 ， 人工智能开始大爆发 。
很大一部分原因是由于GPU的广泛应用 ， 使得并行计算变得更快、更便宜、更有效 。当然 ， 无限拓展的存储能力和骤然爆发的数据洪流（大数据） ， 也使得图像数据、文本数据、交易数据、映射数据全面海量爆发 。让我们慢慢梳理一下计算机科学家们是如何将人工智能从最早的一点点星星之火 ， 发展到能够支撑那些每天被数亿用户使用的实际应用的 。
推荐阅读
- 带你看懂产业结构!,产业链全景图
- 为什么狗狗会看懂时间,狗狗最多多少天会回家
- 攻城三国副将怎么过,三国》深度测评
- 一文读懂云计算本质,云计算技术发展方向
- 西楚霸王什么职业pk厉害,《西楚霸王》深度评测
- a7m4,索尼A7M4深度评测
- Spherical,cnns
- 大航海时代5航海点有什么用,一篇看懂大航海时代与宝玑的渊源
- 总经销 欧普照明怎么样,照明行业专题报告之欧普照明深度解析
- 一文看懂计算机视觉,计算机视觉技术