人工智能？機器學習？深度學習？安全界用辭令人困惑，了解主要用語真正的意義，方可在信息安全的世界中游走自如。

在熱情的市場營銷人員口中，“人工智能”、“機器學習” 和 “深度學習” 的定義變得模糊，明確性讓位于增加銷量的需要。客戶完全有可能遇到貼著多個此類標簽，卻幾乎不具備這些特性的產品或服務。

機器智能的話題常會落入其獨特的術語和專業(yè)概念無底洞。這些術語將構成未來安全基礎設施中的重要部分，其間區(qū)別真的重要嗎？

三個分支

總的說來，機器 “智能” 就是一套系統(tǒng)，攝入數(shù)據(jù)，產出結果，并且隨著數(shù)據(jù)攝入量的增加而不斷變得更好、更快。整個機器 “智能” 大類下有三個標簽常被貼到系統(tǒng)上：機器學習、深度學習和人工智能。每一種都有其獨有的數(shù)據(jù)處理方式和結果呈現(xiàn)方式。

這三種方式在運行機制上的差異使得它們分別適用于不同的任務。而其間最為突出的差別存在于人工智能 （AI） 和其他兩種之間。簡單講，AI 的結果能令你震驚，而其他兩種則“只”能讓你驚異于其速度和準確性。

機器學習

機器學習采用靜態(tài)模型（營銷人員口中的 “啟發(fā)式方法”）而非僵化的算法編程來獲得結果。從稍微不同的角度觀察，機器學習可以運用大量輸入來獲得特定的結果集。

市面上很多技術都可以歸到機器學習上來。比如監(jiān)督和非監(jiān)督式學習、異常檢測，以及關聯(lián)規(guī)則。以上幾種技術中，機器學習都可以從中輸入新的學習樣本，讓其作為動作依據(jù)的算法模型更加豐富、全面、準確。

所以，關鍵就在于 “特定結果集”。比如說，如果你想讓機器學習系統(tǒng)分辨貓和狗，你可以教它各種用于定義貓和狗的參數(shù)。越多數(shù)據(jù)用于構建模型，該系統(tǒng)就越能準確區(qū)分貓和狗，最終能夠基于耳朵或尾巴分辨目標對象是貓還是狗。但即使你拿出的是一只鵝，該系統(tǒng)也會告訴你是一條狗還是一只貓，因為判斷結果就只有這兩種選擇。

如果目標是分類多種輸入，或者指示要采取的特定動作以完成自動化過程，那么機器學習就是非常合適的一種技術。

深度學習

深度學習歸屬機器學習范疇，但是其中尤為特別的一類。“深度學習” 表明神經(jīng)網(wǎng)絡屬于處理技術大家族。盡管神經(jīng)網(wǎng)絡面世已久，但最近十年的發(fā)展才令該技術更貼近應用開發(fā)人員。

如今的神經(jīng)網(wǎng)絡基本上采用層次化技術在多個處理層間傳遞輸入。這是神經(jīng)網(wǎng)絡模擬動物智能的一種方式。這種擬態(tài)使深度學習適用于為數(shù)不少的一系列應用。

安全之外的語音識別和圖像識別應用就常建立在深度學習技術之上。而在安全領域，深度學習常見于惡意軟件檢測和威脅檢測系統(tǒng)。因為神經(jīng)網(wǎng)絡節(jié)點間的連接數(shù)量（從幾百個到數(shù)百萬個不等），學習和處理主要發(fā)生在中央云系統(tǒng)，而學習結果應用在網(wǎng)絡邊界的那類應用，常會用到深度學習技術。

沿用前文中舉的貓狗分辨例子，深度學習也能夠學習如何分辨貓和狗，經(jīng)訓練后能判斷狗和貓的品系，甚至能達到根據(jù)外貌特征給雜種狗指派可能品系的程度。但，深度學習仍然只局限在分辨貓狗上，可憐的大鵝依然不存在于深度學習的結果集中。

人工智能

機器學習和深度學習系統(tǒng)都是不斷攝入大量數(shù)據(jù)，返回特定參數(shù)集范圍內的結果。所以，這兩種技術便于集成到自動化系統(tǒng)中。人工智能則不然，其得出的結論可能超出定義的參數(shù)。人工智能拿出的結果會令你驚訝。

若咨詢學術界 AI 研究員，他們會說市面上的 AI 都不“真” AI。他們的意思其實是當前不存在通用 AI ——《太空漫游 2001》里 HAL 9000 那種人工智能電腦。

但是，可針對特定問題應用先進智能的 AI 系統(tǒng)是存在的。IBM 的 Watson 就是其中最為知名的，但還有其他很多特定于應用的 AI 引擎為各供應商所用?！吧疃葌卧臁?（deep fake） 音視頻引發(fā)的廣泛擔憂，也是不同應用和服務中所用 AI 功能催生的。機器人，包括自動駕駛汽車，則是另一個例子。

AI 系統(tǒng)應能納入深度學習中建立的所有模型信息并加以延伸。再給多一點信息，AI 系統(tǒng)還可能分辨新圖像是哺乳動物還是其他種類的動物，即便呈現(xiàn)在眼前的是消防栓的圖片，AI 系統(tǒng)也能告訴人類操作員這是從未見過的新 “動物”，需要更多學習。AI 的結果可能跳出給定的結果集。

網(wǎng)絡安全領域里，分析師用 AI 幫助篩選和分類每天涌入安全運營中心 （SOC） 的大量輸入數(shù)據(jù)。需要指出的是，現(xiàn)今非預期結果出現(xiàn)的可能性意味著，AI 是用來輔助或增強人類分析師的，不僅僅用于驅動安全自動化。

天網(wǎng)預備役

面對以上幾種機器智能，操作人員必須警惕兩大問題，其中一個問題由內部力量驅動，另一個問題則受外因推動。內部問題是所謂的 “模型偏好”——系統(tǒng)模型中用于學習的數(shù)據(jù)會使模型偏向特定分析方向，而不是由系統(tǒng)自然得出數(shù)理上正確的答案。

外部問題則源自 “模型中毒”，也就是有外部因素確保模型得出不正確的結果。取決于應用，中毒可導致令人尷尬或災難性的結果，IT 或安全人員必須警惕這種可能性。

來源：安全牛