人工智慧是两个让人充满想像和期待的概念，它牵涉到让电脑具有近似于人类的智能化，能交互、认知、自学和决策。但，要实现这种的目标，并不是一件简单的事情，需要借助各式各样控制技术和方式。其中，最核心理念和最有效的一种方式，是电脑自学。
那么，甚么是电脑自学呢？电脑自学是两门人工智慧的科学，它研究怎样让计算机透过统计数据或实战经验来手动改进他们的性能。电脑自学的基本做法，是使用演算法来导出统计数据、由此自学，接着对虚拟世界中的事件做出判断和预测。
与传统的为解决特定各项任务而硬代码的计算机程序相同，电脑自学是用大量的统计数据来“训练”，透过各式各样演算法从统计数据中自学怎样完成各项任务。
为了更好地认知电脑自学，我们能用两个隐喻来说明。想像一下，你想天主教会两个小孩辨识蔬果，你会怎么做呢？你可能会给他展现各式各样的蔬果，告诉他它的英文名字、色调、花纹、香味等特点，接着让他多次重复梦境和练。
这种做了一两年后，小孩就能依照蔬果的特点来正确地说出它们的英文名字了。这是一类如前所述实例的自学方式，也叫作监督管理自学。
但，假如你只给小孩展现苹果公司和菠萝，而没有告诉他它是甚么呢？你只是让他观察那些蔬果，因此问他有甚么相同之处。小孩可能会辨认出苹果公司和菠萝的颜色、花纹、大小等方面有很大的差别，因此依照那些差别把它分为三类。
这种做了一两年后，小孩就能依照蔬果的特点来手动地把它分为相同的类型了。这是一类如前所述特点的自学方式，也叫作无监督管理自学。
还有一类情况，假如你给小孩展现两个蔬果韩式，因此告诉他假如吞下所有的蔬果就能得到两个奖赏呢？小孩可能会试著各式各样的方式来吞下蔬果，比如说先吃大的却是先吃小的，先吃甜的却是先吃酸的，一场吃两个却是一场吃多个之类。
他会辨认出有些方式比其他方式更慢或更容易地填补空缺，因此读懂那些方式。这种做了一两年后，小孩就能依照他们的实战经验来选择最优化的方式来吞下蔬果了。这是一类如前所述意见反馈的自学方式，也叫作强化自学。
以上四种方式都是电脑自学中常见的类型，它分别适用于相同的情景和问题。在实际应用中，电脑自学牵涉到许多复杂和高级的演算法和控制技术，比如说计算机程序、支持矢量机、可计算性网络、数学模型之类。那些演算法和控制技术都有他们的优势和局限性，因此需要依照统计数据和各项任务的特点来选择和调整。
在过去几十年里，电脑自学取得了很多令人瞩目的成就和进步，在人工智慧领域发挥了重要作用。但，在某些方面，电脑自学还存在着一些挑战和困难。
比如说，在处理高维度、非结构化、非线性、动态变化等复杂统计数据时，传统的电脑自学演算法往往表现不佳或者无法应用。为了克服那些难题，人们提出了一类更先进和更强大的电脑自学控制技术：深度自学。
深度自学是一类如前所述数学模型结构和算法的电脑自学控制技术。
数学模型是受人类大脑神经元之间相互连接关系启发而来的一类数学模型。数学模型由多个层次组成，每个层次由许多简单的计算单元（神经元）构成，因此与相邻层次之间有连接权重（参数）。数学模型可以接收输入统计数据，并透过层次之间的计算和传递产生输出结果。
深度自学与传统数学模型相比，在于它使用了更多层次、更多神经元、更多参数、更多统计数据、更多计算资源之类。深度自学能认知为一类特殊而强大的数学模型技术。深度自学能手动地从统计数据中提取出有意义和有用的特点和规律，从而实现更高层次的抽象和表示。
深度自学能处理各式各样类型的统计数据，比如说图像、语音、文本、视频等，因此在许多领域和各项任务中取得了突破性的效果，比如说计算机视觉、自然语言处理、语音辨识、推荐系统等。
深度自学的兴起，得益于多方面的因素，比如说大统计数据的出现和可用性、计算能力的提升和普及、演算法和理论的创新和发展等。
深度自学也带来了一些新的挑战和问题，比如说模型的可解释性、泛化能力、鲁棒性等。深度自学仍然是两个活跃和前沿的研究领域，有许多未知和未解之谜等待着人们去探索和辨认出。
人工智慧、电脑自学和深度自学是三个相互关联但又有区别的概念。人工智慧是两个广泛而宏大的目标，是让电脑具有近似于人类的智能化。
电脑自学是实现人工智慧的一类方式，是让计算机透过统计数据或实战经验来手动改进他们的性能。深度自学是一类如前所述数学模型结构和演算法的电脑自学控制技术，是一类特殊而强大的数学模型技术。
这三个概念之间有着同心圆的关系，也是说，深度自学是电脑自学的两个子集，电脑自学是人工智慧的两个子集。
这三个概念也有着相同的历史和发展阶段，也是说，人工智慧最先出现，接着是电脑自学，最后才是深度自学。这三个概念也有着相同的应用和挑战，也是说，人工智慧牵涉到各式各样领域和问题，电脑自学牵涉到各式各样类型和方式，深度自学牵涉到各式各样结构和控制技术。
透过了解这三个概念之间的区别与联系，我们能更好地认知人工智能领域的发展历程和现状，也能更好地把握人工智慧领域的未来趋势和方向。
