人工智能、机器学习、深度学习 三者关系
目录1、AIMLDL关系2、发展历程2.1、人工智能（ArtificiaIIntelligence）2.2、机器学习（MachineLearning）2.3、深度学习（DeepLearning）1、AIMLDL关系为了赋予计算机以人类的理解能力与逻辑思维，诞生了人工智能（ArtificialIntelligence， Al）这一学科。在实现人工智能的众多算法中，机器学习是发展较为快速的一支。机器学习的思想是让机器自动地从大量的数据中学习出规律，并利用该规律对未知的数据做出预测。在机器学习的算法中,深度学习是特指利用深度神经网络的结构完成训练和预测的算法。
机器学习是实现人工智能的途径之一，而深度学习则是机器学习的算法之一。如果把人工智能比喻成人类的大脑，机器学习则是人类通过大量数据来认知学习的过程，而深度学习则是学习过程中非常高效的一种算法。
2、发展历程2.1、人工智能（ArtificiaIIntelligence）人工智能的概念最早来自于1956年的计算机达特茅斯会议，其本质是希望机器能够像人类的大脑一样思考，并作出反应。由于极具难度与吸引力，人工智能从诞生至今，吸引了无数的科学家与爱好者投入研究。搭载人工智能的载体可以是近年来火热的机器人、自动驾驶车辆，甚至是一个部署在云端的智能大脑。
根据人工智能实现的水平，我们可以进一步分为3种人工智能：
弱人工智能（ArtificialNarrowIntelligence，ANI）：擅长某个特定任务的智能。例如语言处理领域的谷歌翻译，让该系统去判断一张图片中是猫还是狗，就无能无力了。再比如垃圾邮件的自动分类、自动驾驶车辆、手机上的人脸识别等，当前的人工智能大多是弱人工智能。强人工智能：在人工智能概念诞生之初，人们期望能够通过打造复杂的计算机，实现与人一样的复杂智能，这被称做强人工智能，也可以称之为通用人工智能（ArtificialGeneralIntelligence，AGI）。这种智能要求机器像人一样，听、说、读、写样样精通。目前的发展技术尚未达到通用人工智能的水平，但已经有众多研究机构展开了研究。超人工智能（ArtificialSuperIntelligence，ASI）：在强人工智能之上，是超人工智能，其定义是在几乎所有领域都比人类大脑聪明的智能，包括创新、社交、思维等。人工智能科学家AaronSaenz曾有一个有趣的比喻，现在的弱人工智能就好比地球早期的氨基酸，可能突然之间就会产生生命。超人工智能不会永远停留在想象之中。2.2、机器学习（MachineLearning）机器学习是实现人工智能的重要途径，也是最早发展起来的人工智能算法。与传统的基于规则设计的算法不同，机器学习的关键在于从大量的数据中找出规律，自动地学习出算法所需的参数。
机器学习最早可见于1783年的贝叶斯定理中。贝叶斯定理是机器学习的一种，根据类似事件的历史数据得出发生的可能性。在1997年，IBM开发的深蓝（DeepBlue）象棋电脑程序击败了世界冠军。当然，最令人振奋的成就还当属2016年打败李世石的AlphaGo。
机器学习算法中最重要的就是数据，根据使用的数据形式，可以分为三大类：监督学习（SupervisedLearning）、无监督学习（UnsupervisedLearning）与强化学习（ReinforcementLearning）。
监督学习：通常包括训练与预测阶段。在训练时利用带有人工标注标签的数据对模型进行训练，在预测时则根据训练好的模型对输入进行预测。监督学习是相对成熟的机器学习算法。监督学习通常分为分类与回归两个问题，常见算法有决策树（DecisionTree，DT）、支持向量机（SupportVectorMachine，SVM）和神经网络等。无监督学习：输入的数据没有标签信息，也就无法对模型进行明确的惩罚。无监督学习常见的思路是采用某种形式的回报来激励模型做出一定的决策，常见的法有K-Means与主成分分析（PrincipallComponentAnalysis，PCA）。强化学习：让模型在一定的环境中学习，每次行动会有对应的奖励，目标是使奖励最大化，被认为是走向通用人工智能的学习方法。常见的强化学习有基于价值、策略与模型3种方法。2.3、深度学习（DeepLearning）深度学习是机器学习的技术分支之一，主要是通过搭建深层的人工神经网络（ArtificialNeuralNetwork）来进行知识的学习，输入数据通常较为复杂、规模大、维度高。深度学习可以说是机器学习问世以来最大的突破之一。
最早的神经网络可以追溯到1943年的MCP（McCullochandPitts）人工神经元网络，希望使用简单的加权求和与激活函数来模拟人类的神经元过程。在此基础上，1958年的感知器（Perception）模型使用了梯度下降算法来学习多维的训练数据，成功地实现了二分类问题，也掀起了深度学习的第一次热潮。下图代表了一个最简单的单层感知器，输入有3个量，通过简单的权重相加，再作用于一个激活函数，最后得到了输出y。
然而，1969年，Minsky证明了感知器仅仅是一种线性模型，对简单的亦或判断都无能为力，而生活中的大部分问题都是非线性的，这直接让学者研究神经网络的热情难以持续，造成了深度学习长达20年的停滞不前。1986年，深度学习领域“三驾马车”之一的GeoffreyHinton创造性地将非线性的Sigmoid函数应用到了多层感知器中，并利用反向传播（Backpropagation）算法进行模型学习，使得模型能够有效地处理非线性问题。1998年，“三驾马车”中的卷积神经网络之父YannLeCun发明了卷积神经网络LeNet模型，可有效解决图像数字识别问题，被认为是卷积神经网络的鼻祖。
然而在此之后的多年时间里，深度学习并没有代表性的算法问世，并且神经网络存在两个致命问题：一是Sigmoid在函数两端具有饱和效应，会带来梯度消失问题；另一个是随着神经网络的加深，训练时参数容易陷入局部最优解。这两个弊端导致深度学习陷入了第二次低谷。在这段时间内，反倒是传统的机器学习算法，如支持向量机、随机森林等算法获得了快速的发展。
2006年，Hinton提出了利用无监督的初始化与有监督的微调缓解了局部最优解问题，再次挽救了深度学习，这一年也被称为深度学习元年。2011年诞生的ReLU激活函数有效地缓解了梯度消失现象。
真正让深度学习迎来爆式发展的当属2012年的AlexNet网络，其在lmageNet图像分类任务中以“碾压”第二名算法的姿态取得了冠军。深度学习从此一发不可收拾，VGGNet、ResNe等优秀的网络接连问世，并且在分类、物体检测、图像分割等领域渐渐地展现出深度学习的实力，大大超过了传统算法的水平。
当然，深度学习的发展离不开大数据、GPU及模型这3个因素，如图所示。
大数据：当前大部分的深度学习模型是有监督学习，依赖于数据的有效标注。例如，要做一个高性能的物体检测模型，通常需要使用上万甚至是几十万的标注数据。数据的积累也是一个公司深度学习能力雄厚的标志之一，没有数据，再优秀的模型也会面对无米之炊的尴尬。GPU：当前深度学习如此“火热”的一个很重要的原因就是硬件的发展，尤其是GPU为深度学习模型的快速训练提供了可能。深度学习模型通常有数以千万计的参数，存在大规模的并行计算，传统的以逻辑运算能力著称的CPU面对这种并行计算会异常缓慢，GPU以及CUDA计算库专注于数据的并行计算，为模型训练提供了强有力的工具。模型：在大数据与GPU的强有力支撑下，无数研究学者的奇思妙想，催生出了VGGNet、ResNet和FPN等一系列优秀的深度学习模型，并且在学习任务的精度、速度等指标上取得了显著的进步。根据网络结构的不同，深度学习模型可以分为：
卷积神经网络（ConvolutionalNeuralNetworks，CNN）循环神经网络（RecurrentNeuralNetworks，RNN）生成式对抗网络（GenerativeAdversarial Networks，GAN）人工智能学院辩论期末考核圆满结束
原标题：人工智能学院辩论期末考核圆满结束2023
人工智能学院
辩论期末考核圆满结束
为贯彻落实我校中英文辩论特色育人制度，坚持我院“以赛促训，升华辩论”的中心思想，同时检验同学们一学期的辩论训练成果，考察大家的辩证思维与逻辑能力，人工智能学院党总支于2023年6月1日在明华楼460开展中英文期末辩论训练考核。
一
大一年级期末辩论考核
二
大二年级期末辩论考核
三
大三年级期末辩论考核
大一年级
WORKSUMMARYREPORT
本场进行考核的是A8组和B8组。本场考核的评委有人工智能学院党总支书记赵科、人工智能学院党总支副书记金玫、人工智能学院辅导员徐婧老师。
一、破题过程
本场考核辩题为：在大学同学交往中，相似/互补性格，能使友谊更长久。
首先，由主席讲解破题过程。通过第一阶段的辩题训练，得出大学同学交往是前提，相似性格和互补性格是选项，使友谊更长久是结果。相似性格指人和人对现实的态度以及与之相适应的习惯化的行为相似，互补性格指的是在性格方面存在差异大，双方的需要和需求属性呈互补关系。相似性格让人容易产生默契，更容易互相吸引，越相似越能产生亲密感；互补性格是同学之间的长处和劣势相互调剂，性格互补能产生长久的吸引力。双方通过训练更明确了自己的持方和容易产生的误区，B组同学在A组的帮助下对辩题的理解有所提升，在教研组的帮助下学会站在对面的角度寻找思维漏洞，完善论点，补充论据。
二、正反方进行辩论4VS4展示
正方认为性格越相似越能产生亲密感。这种互相吸引的感觉可以让我们更加欣赏自己，起到了积极的正向价值。相似性格的人更容易互相理解、互相认同，获得更强的安全感和归属感。相似性格更能了解对方的想法，有利于解决矛盾。相似性格会互相吸引，性格是不易改变的。大学同学的交往能为社会上的交往打下基础，相似性格更有利于友谊长久。
反方认为亲密友谊更多发生在性格互补的朋友之间。真正的友谊是一群互补性格的人相互成就，组成一个整体。性格互补可以取长补短，提高解决问题的能力。性格互补可以使双方更好的成长。性格互补不等于性格对立。互补性格更有利于友谊的长久，能够带来良好的情绪价值。互补性格更有利于解决矛盾，相似性格容易产生矛盾、激化矛盾。互补性格的相处能让我们综合全面的发展，成为更好的自己。
三、工作汇报
之后由教研组成员进行了本学期的辩论工作汇报。介绍了本学期辩论的三个阶段，第一个辩题的重点在于如何破题、怎样破题，破题对于辩论的重要性。第二个辩题的重点以专项训练和问题整改为主，通过各种手段激发同学们的辩论兴趣。第三个辩题以A组训练为主，对于B组的成员以帮扶等方式协助进行训练，体现了辩论训练的团队性。总结了训练过程中遇到的问题及解决方案，认为AB组的训练方式能更好的调动同学们的积极性。
四、点评环节
赵科书记交流了自己对于辩论的见解。认为思考辩题的时候需要贴合实际，在实际工作中发现自己存在的问题。希望通过新的分组方式，让A组的同学更加深入，B组的同学可以更好的发挥。辩论训练是一个精益求精的过程，从破题开始，就要使用有逻辑有层次的思维导图梳理出辩论的主题和要素。要围绕综合整组同学想法撰写的一辩稿对整个辩题进行完善。书记要求同学们把所有的训练材料准备完善。他认为辩论训练对于专业学习起到了补充作用，提升了我们的沟通能力和团队协作能力。辩论训练的推进加深了同学们之间的互动和交流。希望同学们要有自信心，激发自己更大的潜能。做任何事情都要拿今天的自己和昨天的自己进行比较，看看自己有没有进步，在前进的道路上不断取得属于自己的成功。
最后金玫老师进行了点评，认为大一同学准备的非常认真，但也存在部分问题。双方的一辩都有自己的想法，但正方陈词没有特别清晰，缺少完整性；反方陈词语速过快。辩论的目的是培养双方的表达能力，每个同学的表达都要足够清楚，让听的人能够明白输出的观点和内容。A组同学的攻击性很强，B组同学需要加强自信心。攻辩时没有围绕一辩的观点进行阐述，缺少完整的衔接。四辩总结时应该首要指出对方的问题而不是重申自己的观点，需要结合自身对自己的论点进行升华。
大二年级
WORKSUMMARYREPORT
考核开始前，由考核组成员进行本学期英文辩论的总结。介绍了本场辩论稿的撰写过程以及辩论过程中遇到的问题：英文辩论中发音问题的纠正、质询问题没有重点和针对性、回答问题时没有答出重点、辩论过程中拒绝提问、拒绝回答的问题较多、时长把控较弱。针对这些问题进行了针对性的解决：由口语较好的同学对发音进行纠正、督促同学了解自己的辩题、对辩论稿进行了增删改、让同学们熟悉质询流程。
一、破题过程
英文辩题：Shouldyoungpeopletakemorerisksorplan?（年轻人多点计划好还是多点冒险好）
第一场进行辩论考核的小组是第八组。本场考核的评委有人工智能学院党总支书记赵科、人工智能学院辅导员徐婧老师、胥德青老师、英文辩论指导老师鲍仕淇老师、外教老师ManarNesser。
首先，由主席讲解破题过程。对本次的比较性辩题采用了思维导图的方式进行了破题。首先对于辩题中的关键字下定义，之后确定评判标准和双方的论点，通过将内容画入思维导图使其更加清晰，帮助一辩更好的进行一辩稿和部分小结的撰写。二三辩根据一辩稿的内容思考提问和预设对方问题，四辩根据一二三辩的内容进行四辩稿的书写，升华主题，使观众更好的共鸣。之后再对初稿进行进一步细化和润色。
二、正反方进行4VS4展示
正方认为时代需要更多的冒险而不是计划。现代社会需要冒险精神，要想在充满不确定性的社会中保持领先，就必须有冒险精神。只有具有冒险精神才能改变现状，抓住人生的机遇。年轻人可以承担更多的风险，进行积极的冒险，尝试新事物。冒险是可以通过推理和理性来支持的事情，而不是充满盲目和不确定性。
反方认为制定计划有助于我们抓住机遇。机会留给有准备的人。成功需要对自己的了解和对未来的坚定规划。我们想在学习或工作中达成目标，需要更多的计划和连贯性。计划能让年轻人清楚自己的发展路线，引导年轻人了解社会、了解自己。如果没有计划，在择业就业的时候就容易遇到挫折。做好计划更有利于年轻人的长期发展。
三、点评环节
赵科书记点评：主席的汇报比较清晰，本场辩论完成得比较顺利。正方的二辩、三辩和反方的二辩总体表现较好，声音洪亮、富有感情。部分同学声音较轻，发音比较混浊，需要改进；有辩手质询时对问题不够熟悉。希望同学们在辩论过程当中更积极的记录对方的问题。希望同学们通过将辩论内容翻译成英文的过程得到锻炼和提高，让自己能够在一些场合中敢于发声，在之后的考研或面试中得到提高。希望同学们针对本次辩论进行复盘，让自己展现出更好的姿态。
大三年级
WORKSUMMARYREPORT
考核开始前由教研组同学进行本学期辩论工作汇报。负责汇报的同学讲解了辩论训练的破题过程、中文辩论训练指导过程、英文辩论训练指导过程以及辩论中的创新。希望通过这些辩论训练和考核使同学们有所收获，有所提升。在之后也能够关注辩论、参与辩论。
一、破题过程
中文辩论进行考核的是20网络和20计科。本场考核的评委有人工智能学院辅导员张超军老师、徐婧老师、胥德青老师。
本场辩论的辩题为：大数据让我们的生活变得更轻松/沉重。
首先由主席论述该组双方论点。大数据指由海量的数据通过计算机技术、数据算法等手段处理进而得到的有价值的数据。大数据使我们更方便的获取有价值的信息。对我们的生活产生了积极的影响，让我们的生活变得更加轻松，更加智能化。大数据同样存在一些风险和负面影响，因此在使用大数据时代需要注意隐私问题、数据质量问题、偏见问题以及依赖问题。对工商企业而言，大数据可以帮助我们更加准确的了解市场需求，优化产业结构，提高生产效率。也能帮助我们更好的了解用户的喜好，形成更加精确的推广策略和个性化服务。但大数据也会带来问题，一方面可能泄露用户的隐私数据，对于品牌的损害无法弥补；另一方面，大数据的准确性往往无法保证，一旦依赖错误数据做出决策，对于企业的影响将不可估量。
二、正反方进行1VS4展示
双方轮流提问，进行了精彩而激烈的争论。
正方辩手认为大数据使我们的生活更加轻松，指出了大数据带来的好处，例如在疫情控制方面被广泛利用；相对于传统方式，大数据处理速度更快、范围更广；大数据在医疗、电商领域的广泛应用使我们生活更加便利；大数据使数据的记录和传输更加便捷；大数据比传统的数据处理方式更加优越等。
而反方辩手认为大数据使我们的生活更加沉重。指出了大数据带来的弊端。例如大数据可能造成隐私的泄露；我们需要耗费时间处理和筛选有用的信息；存在网络信息造假现象，大数据筛选出的信息不一定准确，需要我们进行辨别；大数据应用技术会导致人逐渐失去思维的活性；大数据技术会导致社会的分化和不平等；大数据容易被利用进行违法犯罪行为等。
双方都针对对方的观点进行了反驳，正方认为大数据带来的弊端只是很少的一部分，且有些问题即使不使用大数据也依然存在，大数据对于我们的生活利大于弊。反方强调大数据会带来隐私泄露等弊端，且这样的弊端不是个例，难以根除，这样的弊端让我们的生活更加沉重。
三、点评环节
在之后的答辩和点评环节中，评委提问了场上辩手对考核辩题的训练次数，指出主席对于辩论流程不够熟悉。在辩论的过程中出现了流程上的错误。
【END】
至此，人工智能学院中英文辩论训练期末考核圆满结束。希望同学们在今后能够保持对辩论的热情，不忘初心，以更好的面貌应对之后的训练。
撰文｜赵文璐
摄影｜徐秈玥潘期东丁文健
排版｜潘艺萱
审核｜徐婧老师雷雨轩返回搜狐，查看更多
责任编辑：