这五个词——人工智能、机器学习、深度学习、生成式AI、大语言模型——技术群里天天见，真能分清层级关系的人不多。有人把机器学习当成AI的竞品来聊，有人以为大模型和某个具体的聊天产品是一回事。先把结论摆在前面：
- 人工智能（AI）是目标；
- 机器学习（ML）是实现这个目标的主流方法；
- 深度学习（DL）是机器学习里当前最热的分支；
- 生成式AI（GenAI）建立在深度学习之上，任务重心从分析转向生成；
- 大语言模型（LLM）是生成式AI在语言方向上的集大成者。
一句话概括：AI 包含 ML，ML 包含 DL；GenAI 基于 DL，LLM 是 GenAI 的代表。
先说目标：AI 到底是什么
AI 的本质是对人类智能的模拟，横跨统计学、脑神经科学、社会科学的交叉领域。它分两种：强人工智能具备真正的意识，能回答"我是谁"这类问题，至今没有实现；弱人工智能在特定任务上表现出智能，部分场景超过人类——今天能接触到的所有 AI 产品全部属于后者。
"超过人类"并不玄。夜间行车，人眼开灯后有效视距大约 50 米，车载雷达的探测距离能到 100-200 米，对灰色低对比度障碍物的判别也比肉眼可靠，发现障碍立即减速停车，这是机器感知加计算的优势区。
拆开任何一个 AI 系统，流程都是同一个三段式：感知，摄像头和雷达持续采集环境数据；决策，数据交给"大脑"分析，形成判断和策略；执行，策略转化为机械动作。自动驾驶车辆面对斑马线上的行人，从识别到刹车再到重新起步，全程无人工干预，三段式一气呵成。机器狗爬楼梯是同一套逻辑：摄像头识别台阶高度，软件规划抬腿高度和四条腿的迈动顺序，机械部件执行。指纹解锁、刷脸支付、内容推荐算法，底层也全是这套框架的不同变体。
机器学习：把找规律交给数据
传统做法是人列方程：出租车计价里，1 公里 12 元、2 公里 14 元、3 公里 16 元，列出 y = ax + b，解出 a = 2、b = 10。机器学习换了个思路——只把公里数和费用的历史数据喂给算法，让机器自己逼近那组参数。这个过程叫训练。
几个核心概念一张表说清：
| 概念 | 含义 | 出租车例子 |
|---|---|---|
| 特征 | 影响结果的输入 | 公里数 x |
| 参数 | 方程里的系数 | a、b 的取值 |
| 模型 | 结构加参数的完整计算单元 | y = 2x + 10 |
| 模型文件 | 实际存储的参数值 | 文件里就是 2 和 10 |
训练完成后输入新特征算出结果，叫推理。方言识别这类问题，参数规模能到十万级，人工求解没有可能，机器却能自动拟出近似函数 f(x) ≈ y。这就是机器学习的价值：不给规则，给数据。
深度学习：砍掉人工特征工程
传统机器学习最费人力的环节是特征工程——识别车辆得先人为定义"有四个轮子""有后视镜"，识别人脸得定义五官比例，全靠领域专家一点点抠。深度学习把这一步直接取消了：输入原始像素，网络逐层自动抽象特征。
拿识别"西红柿炒鸡蛋"举例，看特征是怎么一层层长出来的：
- 输入层：照片变成 RGB 数字矩阵；
- 浅层学到颜色：画面里有红（西红柿）有黄（鸡蛋）；
- 中层学到形状：西红柿呈块状，鸡蛋呈絮状；
- 深层学到空间关系：两种颜色混合分布，不是左边全红右边全黄；
- 输出层综合判定；若检测到绿色，则转向"青椒炒鸡蛋"。
这些特征没有一个靠人写进去。数学上，深度网络就是函数嵌套：h1 = f1(x)，h2 = f2(h1)，一层套一层，层数多了就叫"深"。中间层的特征人眼难以解释，参数量上了十亿级更是无法逐层归因，所以叫"隐藏层"。
生成式AI：从分析数据到生成内容
此前的 AI——图像分类、用户画像、文本分类——本质都是分析给定的数据。生成式AI 的任务变了：给一个目标，直接产出从未存在过的作文、图片、视频。
它的生成机制可以概括成"带概率表的接龙"。对"今天天气真____"，模型算出候选词分布：好约 45%、不约 20%、热约 15%。采样命中哪个就输出哪个；每次采样后上下文变了，概率表重新计算，再采下一个字，循环到全文完成。所谓创作，就是这么一个基于上下文动态调概率的连续过程。
大语言模型：三个"大"
LLM 是用海量文本训练出来的概率模型，"大"体现在三个维度。数据大：GPT-3 的原始语料 45TB，清洗后约 570GB，DeepSeek V3 吃进了 14.8 万亿 token。参数大：GPT-3 是 1750 亿，如今 Llama 3.1 开源到 4050 亿，DeepSeek V3 总参数 6710 亿、每次激活 370 亿。算力大：GPT-4 级别的训练动用上万张高端显卡，权重文件几百 GB，消费级显卡连加载都做不到。
三个容易踩的认知坑
坑一：把推测当官方数据。网上流传"GPT-4 有 120 层、百亿级参数"——OpenAI 从未公布过 GPT-4 的层数和参数量，120 层出自逆向分析的传言，约 1.8 万亿总参数是 SemiAnalysis 对其 MoE 架构的推测值。写方案、做汇报引用数据时，GPT-3 之前的是官方口径，GPT-4 之后的一律标注"外界估计"，别被面试官当场问倒。
坑二：以为输出是确定的。概率采样决定了同一个提问多次生成结果不同。temperature 参数控制采样的随机程度：调到接近 0，模型几乎总选概率最高的词，输出稳定但呆板；调高则多样性强，也更容易跑偏。做自动化测试或结构化数据抽取时，把 temperature 设为 0 或极低值，能明显减少结果抖动——实测这样更稳。
坑三：幻觉是机制自带的。接龙机制决定了模型在不知道答案时，也会挑一个概率上"像话"的词接下去，而不是承认不知道。关键业务里对生成结果做事实校验不是多余动作，是必要工序。
想亲手看看那张概率表？本地跑个 0.5B 的小模型就够了：
from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
name = "Qwen/Qwen2.5-0.5B"
tok = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(name)
inputs = tok("今天天气真", return_tensors="pt")
with torch.no_grad():
logits = model(**inputs).logits[0, -1]
probs = torch.softmax(logits, dim=-1)
top = torch.topk(probs, k=5)
for score, idx in zip(top.values, top.indices):
print(repr(tok.decode(idx)), f"{score:.1%}")打印出来的就是"好/不/热"那份分布的真身。改一下 temperature 再采样几轮，随机度的变化一眼就能看出来。
收尾清单
五层关系最后压成一张清单：AI 是目标，ML 是方法，DL 是最热分支，GenAI 完成从分析到生成的跨越，LLM 是语言方向的集大成者。再遇到有人混用这五个词，把这层包含关系甩过去就行。
评论0