AI、机器学习与深度学习到底在讲什么

雪中看雪

517人浏览 · 2026-08-25 19:41:29

雪中看雪 · 2026-08-25 19:41:29 发布

欢迎拜访：雾里看山-CSDN博客
本篇主题：AI、机器学习与深度学习到底在讲什么
发布时间：2026.8.25
隶属专栏：AI进化之路

在这里插入图片描述

先从一个问题开始
一句话区分三个概念
AI：我们要让机器“像人一样思考”
- AI 在讲什么
- AI 不是一个独立学科
机器学习：让机器自己从数据里学规律
深度学习：把“特征工程”自动化掉
大模型：DL 的规模化产物
- LLM 是什么
- 大模型和传统 DL 的差别
画一张总览图
易错点与常见误区
这一篇到底要记住什么
给后续几篇打个底

先从一个问题开始

最近几年，几乎每隔一段时间就会冒出一个新词：今天叫 大模型，明天叫 生成式 AI，后天又叫 AGI。如果你刚准备系统学习 AI，第一反应大概率是——这些词到底是不是一回事，到底应该从哪一层开始看。

这一篇不写公式，也不急着上手 Python。先把三个最容易混淆的概念放在一张图里讲清楚：

AI（Artificial Intelligence，人工智能）
ML（Machine Learning，机器学习）
DL（Deep Learning，深度学习）

以及它们和最近两年最火的 LLM（Large Language Model，大语言模型）到底是什么关系。

一句话区分三个概念

如果你只想记一句话，可以这样记：

AI 是一个目标，ML 是达成目标的主流方法，DL 是 ML 里效果最好的一类算法，而 大模型 是 DL 在数据和参数规模放大之后的产物。

AI：我们要让机器“像人一样思考”

AI 在讲什么

人工智能 这个概念最早可以追溯到 1956 年的 达特茅斯会议。它的目标其实非常朴素：

让机器表现出通常需要人类智慧才能完成的能力，比如推理、规划、理解语言、识别图像、做决策。

从这个角度看，AI 不是一个具体技术，而是一个研究方向。它里面既包括今天的深度学习，也包括很多传统方法，比如：

基于规则的专家系统（例如早期医疗诊断系统 MYCIN）
搜索算法（例如围棋 AI AlphaGo 中的蒙特卡洛树搜索）
概率图模型、规划算法、知识图谱
以及今天主流的机器学习

所以看到 AI 这个词时，先把它理解成“问题域”，再往下看是用什么方法去解决。

AI 不是一个独立学科

AI 本质上是计算机科学、数学、心理学、语言学等学科的交叉。这种交叉属性也决定了：学 AI 时，只盯着一类算法看是不行的，必须同时理解问题、模型、数据和工程。

机器学习：让机器自己从数据里学规律

为什么需要 ML

传统程序是“人写规则，机器执行”，比如：

if 邮件包含 "免费" and "中奖":
    标记为垃圾邮件

但现实中很多问题写不出明确规则，比如图片里有没有猫、句子表达的是不是讽刺。机器学习 的核心思路换了一个角度：

人不写规则，而是给机器一堆“输入 + 正确答案”的样本，让它自己拟合出规律。

这就是 ML（Machine Learning）。它把“写规则”这件事从程序员手里，转移到了算法和数据上。

三类基本范式

ML 主要分三类学习方式，写代码、写博客、面试都会反复出现：

范式	数据长什么样	经典任务	典型算法
监督学习（Supervised Learning）	有标签：`(输入, 正确答案)`	分类、回归	线性回归、决策树、`SVM`
无监督学习（Unsupervised Learning）	没有标签，只有输入	聚类、降维	`K-Means`、`PCA`
强化学习（Reinforcement Learning）	通过“行动 + 奖励”反馈学习	游戏、机器人、自动驾驶	`Q-Learning`、`PPO`

题外话：还有“自监督学习（Self-Supervised Learning）”，它是今天 大模型 训练的核心范式，本质是把“没有标签的数据”想办法变成“有伪标签的数据”，比如让模型预测下一个词。

ML 的典型工作流

一个标准的 ML 项目大致长这样：

收集数据：清洗、采样、划分训练集/验证集/测试集。
特征工程：把原始数据变成模型能吃的特征。
选模型：根据任务选 LR、XGBoost、Transformer 等。
训练：用训练集拟合参数，用验证集调超参。
评估：用测试集看泛化效果，避免过拟合。
部署上线：把模型变成可调用的服务。

深度学习：把“特征工程”自动化掉

DL 在解决什么问题

传统 ML 有个很麻烦的环节——特征工程。比如做图像识别，需要人肉设计“边缘检测算子”、“HOG 特征”；做 NLP，需要设计 TF-IDF、词袋模型。这一步非常依赖专家经验。

深度学习 的核心贡献是：让神经网络自己学特征。

它用多层（“深”）的人工神经元堆叠，自动从原始数据中提取从简单到复杂的特征表示。

举一个直观的例子：

浅层神经元可能学到“边缘”、“颜色块”。
中间层神经元可能学到“眼睛”、“车轮”。
深层神经元可能学到“人脸”、“汽车”。

整个过程不需要人肉告诉模型“什么是边缘”，只要给它足够多的数据和合适的网络结构就行。

神经网络是什么

神经网络（Neural Network）是最基本的 DL 模型单元。它的设计灵感来自生物神经元，本质上是：

一连串可学习的线性变换 + 非线性激活函数的组合。

常见的基本网络结构包括：

MLP（多层感知机）：最朴素的“全连接”网络。
CNN（卷积神经网络）：擅长图像、视频。
RNN（循环神经网络）：擅长序列数据（早期 NLP、语音）。
Transformer：今天几乎所有大模型的基石，后续会单独拆一篇讲。

DL 为什么这几年才爆发

DL 的基础结构在 1980 年代就有了，但真正爆发是 2012 年之后。背后有三个关键条件同时成熟：

数据：互联网和移动设备带来了海量标注和未标注数据。
算力：GPU（尤其是 CUDA 生态）让训练大规模网络变得现实。
算法：ReLU、Dropout、BatchNorm、Transformer 等新结构让训练更稳定。

可以理解为：DL 不是突然发明出来的，而是“数据 + 算力 + 算法”三件事同时具备后的必然结果。

大模型：DL 的规模化产物

LLM 是什么

LLM（Large Language Model，大语言模型）指的是参数规模和训练数据规模都达到非常大数量级的语言模型。

一个粗略的参考尺度：

阶段	参数量级	典型代表
早期预训练模型	几亿到几亿（`<1B`）	`BERT-Base`、`GPT-1`
中型预训练模型	几十亿（`~10B`）	`GPT-2`、`T5`
现代大模型	几百亿到几千亿（`100B+`）	`GPT-3`、`LLaMA-3`、`Qwen-2`、`DeepSeek-V3`