2017年AI是高频词之一，从阿里的AI设计系统——“鲁班”到AI扮演数据分析师的角色助力量化投资。AI和AI中的机器学习、神经网络、深度学习成为了大家想要主动关心的话题。那么，这些词到底都是啥意思呢？
机器学习
什么是机器学习？让机器像人类一样获得学习能力，完成某项任务就叫机器学习。机器学习可分为有监督的机器学习和无监督的机器学习。
一般来说，人类学习要经过认识——区分——输出三个主要过程。机器学习同样如此，但目前机器还不会主动去认识事物。需要通过输入一系列属性数据组成的数组来认识事物，这些数组也称为特征向量。
举个例子来说，想让机器认识苹果，那么苹果的颜色，大小，形状甚至是脆度、甜度这些数据就是特征向量。
区分是指，假设我们有30个苹果，30个橘子，40个梨。每个水果我们都按照特征向量提取了相关信息，并把所有的特征向量输入计算机，告诉他哪一组是苹果的，剩下的都不是苹果，反复接受和区分。每次帮机器判定“是否是苹果”，这种判定就是标签向量。
这种每次向模型输入特征，并告诉它标签和对、错来监督它进行调整。这就叫做有监督的机器学习；而单纯输入特征向量让机器自己挖掘规律并分类得出结论的就属于无监督的机器学习。
神经网络
人类大脑皮层由多个神经元细胞组成的，神经元细胞利用突触把信息从一个神经元传向下一个神经元。
对于计算机来说，由于计算机对线性运算速度更快，所以设计模型时，往往先对输入数据进行线性计算。然后再用一个非线性函数把它激活，赋予它非线性特性，这样计算机从点对点的线性计算变成了一点对应多点的神经网络。人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。
（神经网络输入、输出图）
为什么计算机需要人工神经网络算法呢？因为人类的思考绝对不是线性的，否则人们思考事物就变成了简单的矩阵乘法，就不可能会有思维的跳跃。所以计算机在运算时也要从线性向非线性映射能力转变，这样系统才可以自动发现环境特征和规律性，具有更近似人脑的功能。
深度学习
深度学习是对人工神经网络的进一步发展。
具体而言：单个的人工神经网是初步阶段。如果在设计模型时，数据输入层和输出层之间再加一层隐藏层。在单个人工神经网加入隐藏层，就升级为了一个多层的神经网络。
那么在隐藏层中加入更多神经元以增强模型能力，是应该全部加到一层中使其更宽，还是加入更多的隐藏层，使其更深呢？
从实践中，科学家们发现，深层模型训练参数更快，预测效果也更好。所以深度学习就是试图建立大得多也复杂得多的神经网络。
其实，机器学习、神经网络和深度学习和各种算法就是对人的意识、思维的信息过程的模拟。虽然机器需要各种繁杂的算法来无限接近于人类思维，但人工智能的好处在于强大的数据处理能力以及可以回避人性的弱点、认知偏差的能力，这正是量化投资的主要优势。
风险提示：国金基金承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益。基金过往业绩不是其未来业绩表现的承诺和保证，敬请投资人注意投资风险。投资者投资于本基金前应认真阅读基金的基金合同、招募说明书等基金法律文件。