深入了解問題的物理學(xué)，例如材料的原子結(jié)構(gòu)，可以有效地應(yīng)用概念，從而創(chuàng)造新的設(shè)備。為此，需要新技術(shù)，其中之一就是人工智能。

我們越來越多地聽到人工智能，還有機器學(xué)習(xí)和深度學(xué)習(xí)，后者有時被不當(dāng)用作前者的同義詞?！叭斯ぶ悄堋?AI)一詞最早出現(xiàn)于 1950 年代，涉及所有能夠執(zhí)行與人類智能相關(guān)的任務(wù)的計算機。機器學(xué)習(xí)只是實現(xiàn)人工智能的一種方式。另一方面，深度學(xué)習(xí)是與機器學(xué)習(xí)相關(guān)的眾多方法之一。

人工智能涉及與人類智力相關(guān)并由計算機執(zhí)行的所有操作。這些包括計劃、語言理解、物體和聲音識別、學(xué)習(xí)和解決問題。人工智能和物聯(lián)網(wǎng)之間的關(guān)系真的很有趣，因為它類似于大腦和人體之間的關(guān)系。通過視覺和觸覺等各種感官輸入，我們的身體能夠識別某種情況并執(zhí)行相應(yīng)的動作。我們的大腦根據(jù)感覺輸入做出決定，并向身體發(fā)送信號以控制其運動。物聯(lián)網(wǎng)只不過是一組連接的傳感器，借助人工智能，可以理解所有獲取的數(shù)據(jù)，并通過控制系統(tǒng)或電路的心臟，我們的 CPU，可以做出決定并操作執(zhí)行器以控制各種運動(機械臂)。機器學(xué)習(xí)本質(zhì)上是實現(xiàn)人工智能的道路;一種人工智能子組，專注于機器接收一組數(shù)據(jù)并為自己學(xué)習(xí)的能力，當(dāng)他們獲得更多關(guān)于他們正在處理的信息時調(diào)整算法。很多時候，人工智能和機器學(xué)習(xí) (ML) 這兩個術(shù)語可以互換使用，尤其是在大數(shù)據(jù)領(lǐng)域。“機器學(xué)習(xí)”一詞是在 AI 之后創(chuàng)建的，它描述了“機器在沒有明確編程的情況下學(xué)習(xí)的能力”。因此，機器學(xué)習(xí)是一種“教育”算法的方法，以便它可以從各種環(huán)境情況中學(xué)習(xí)。教育，或者更好的是培訓(xùn)，

機器學(xué)習(xí)使用神經(jīng)網(wǎng)絡(luò)方法、統(tǒng)計模型自動構(gòu)建分析模型，以查找數(shù)據(jù)中的隱藏信息。神經(jīng)網(wǎng)絡(luò)的靈感來自于由互連單元(例如神經(jīng)元)形成的人腦功能，這些單元通過響應(yīng)外部輸入來處理信息，從而在不同單元之間傳輸相關(guān)信息。機器學(xué)習(xí)的一個典型例子是人工視覺系統(tǒng)，或計算系統(tǒng)識別由圖像傳感器以數(shù)字方式獲取的對象的能力。在這些情況下使用的算法必須識別某些物體，區(qū)分動物、事物和人，同時從情境中學(xué)習(xí)，

深度學(xué)習(xí)是機器學(xué)習(xí)的一種方法，它從大腦的結(jié)構(gòu)或各種神經(jīng)元的相互連接中得到啟發(fā)。其他方法包括歸納邏輯編程、聚類和貝葉斯網(wǎng)絡(luò)。后者基于由一組變量及其條件依賴組成的 DAG 模型(有向無環(huán)圖)。該模型可以表示疾病和癥狀之間的概率關(guān)系：給定癥狀作為輸入，可以估計給定疾病的概率。

深度學(xué)習(xí)使用具有各種處理單元的巨大神經(jīng)網(wǎng)絡(luò)模型;它使用計算進步和訓(xùn)練技術(shù)通過大量數(shù)據(jù)來學(xué)習(xí)復(fù)雜的模型。常見應(yīng)用包括成像和語音識別。由于涉及多個層次，深度學(xué)習(xí)的概念有時簡稱為“深度神經(jīng)網(wǎng)絡(luò)”。近年來，機器學(xué)習(xí)和深度學(xué)習(xí)都在人工智能方面取得了長足的進步。兩者都需要由無數(shù)傳感器收集的大量數(shù)據(jù)，這些傳感器繼續(xù)填充物聯(lián)網(wǎng)生態(tài)系統(tǒng)，從而提高人工智能。改善物聯(lián)網(wǎng)生態(tài)系統(tǒng)將指導(dǎo)人工智能，從而指導(dǎo)成功實施的方法。從工業(yè)的角度來看，人工智能可用于預(yù)測機器何時需要維護或分析生產(chǎn)過程以實現(xiàn)大幅效率提升，從而節(jié)省數(shù)百萬歐元。消費者將有機會以最佳方式管理他們的時間和條件。

電子技術(shù)的進步繼續(xù)推動人工智能和物聯(lián)網(wǎng)的共生。計算機處理和數(shù)據(jù)存儲的發(fā)展使得整合和分析更多數(shù)據(jù)成為可能。減少計算機芯片和改進制造技術(shù)意味著更便宜、更強大的傳感器。無線連接以非常便宜的價格提供大量數(shù)據(jù)，并允許所有這些傳感器將數(shù)據(jù)發(fā)送到云端。云的誕生也使得這些數(shù)據(jù)幾乎可以無限存儲，并具有相當(dāng)大的計算處理能力。所有這些進步都使人工智能更接近于創(chuàng)造越來越多地進入我們?nèi)粘Ｉ畹闹悄軝C器的最終目標(biāo)。

為了讓人工智能和機器學(xué)習(xí)不斷發(fā)展，驅(qū)動算法和相關(guān)決策的數(shù)據(jù)必須是高質(zhì)量的數(shù)據(jù)，才能正確解釋。隨著物聯(lián)網(wǎng)設(shè)備連接到互聯(lián)網(wǎng)和相互連接的激增，收集、存儲和處理的數(shù)據(jù)量每天都在增加，從而給大數(shù)據(jù)在安全和隱私方面帶來了新的挑戰(zhàn)。黑客產(chǎn)生破壞性攻擊的可能性與日俱增。預(yù)防這些風(fēng)險需要任何組織控制數(shù)據(jù)的生產(chǎn)、存儲和通信。黑客可能能夠控制重要系統(tǒng)并在任何時間做他們想做的事。