从AI到机器学习再到深度学习：一张图讲清四层包含关系

文章配图

不少人能把接口调通、也能写出像样的提示词，却在大厂面试的第一道送分题上卡壳：人工智能、机器学习、深度学习、大语言模型，这四者到底是什么关系？

答不上来并不丢人——多数人都是“倒着学”的：先会用聊天框，再学会调参数，最后才回头补地基。这篇就把地基一次补齐。主线是 AI → ML → DL → 大模型 ，这四个词不是并列关系，而是一层套一层的包含关系。

一、人工智能（AI）：模拟智能行为，分强/弱

定义：人工智能（Artificial Intelligence, AI）是一门研究如何让机器模拟、延伸并扩展人类智能的学科，落到应用上就是一整套系统。一句话概括：让机器做出看起来很聪明的决策 。

小爱同学、宇树 H1 机器人、DeepSeek 都是 AI;
早期 AI 靠人工规则("当发生 A,则做 B"),现在主流靠数据驱动。

一个关键认知是：眼下的 AI 模仿的是智能的“行为”，并没有复制智能的“本质” 。学界因此分出两条路线：

路线	目标	现状
强人工智能	造出有心智、有自我意识的机器	不存在,纯愿景
弱人工智能	在特定领域表现智能、做得比人好	所有落地 AI 都在这条路

二、机器学习（ML）：AI 的手段，本质是自动找 f(x)≈y

定义：机器学习（Machine Learning, ML）是 AI 下面的一个分支，它不再让人手写规则，而是拿数据去训练算法，让机器自己从历史样本里归纳出规律 ，再去预测或判断新问题。

一句话讲清二者关系：AI 是要达成的目标，ML 是达成它的主要手段 ，今天我们说的 AI，基本都是建立在 ML 之上的 AI。

本质：给定输入 x 与输出 y，让机器自己把函数 f(x)≈y 找出来。

打车算账的例子 ：起步价 10 元，之后每公里 2 元。人不需要推导公式，只要看样本猜规律——给出 (1,12)、(2,14)、(3,16) 三组数据，机器设 y=ax+b 自动解出 a=2、b=10，于是 20 公里被预测为 50 元。

术语	含义
特征 x	输入的原始素材（公里数）
标签 y	标准答案（费用）
训练	自动解参数 a、b 的过程
推理/预测	用训练好的模型算新 x 的 y

类比在哪里失效 ：真实任务里的 x 是图片、语音、文本，参数动辄几万几十万，y=2x+10 这种公式根本写不出来。比如判断“图里是车还是人”，函数形如 车/人 = f(图片)，参数海量且无法解释。

文章配图

三、五种学习方式：监督 / 无监督 / 半监督 / 自监督 / 强化

按“训练数据有没有标注、反馈信号从哪儿来”划分，机器学习可以分成五类。记一句口诀：信号从哪来，决定它属于哪一类。

3.1 监督学习（Supervised Learning）

定义：拿已经标好标准答案 的数据做训练，让模型学会从输入到输出的映射。反馈来自人工标签，有对错、能直接纠正——相当于照着答案做题 。

例子:鸢尾花数据集(150 个样本,4 个特征 + 3 种品种标签);垃圾邮件识别。
算法:KNN、逻辑回归、朴素贝叶斯、决策树、随机森林、SVM。

3.2 无监督学习（Unsupervised Learning）

定义：在一个标签都没有 的前提下，让算法自己从数据里挖出隐藏的结构与规律 。反馈来自数据自身的内在结构，没有对错之分，只是把规律找出来——自己找规律。

例子:电商把"买尿不湿的女性"聚成一类(还常买奶粉、湿巾),业务上叫"宝妈群体"。
算法:K-means、层次聚类、DBSCAN、GMM。

3.3 半监督学习（Semi-supervised Learning）

定义：把少量带标签数据和大量无标签数据混在一起 训练，以此抬高预测精度，位置正好落在监督与无监督之间。

例子:X 光片辅助诊断。500 张医生标注的片子训初始模型 → 预测 1 万张无标签片 → 挑 99% 置信度的打伪标签 → 加入训练集重训。
效果示意:500 真标签 75% / 5000 真标签 90% / 500 真+4500 无标签 88%。
代价 :伪标签一旦错,错误会随训练放大。

3.4 自监督学习（Self-Supervised Learning）

定义：让数据给自己出题 ——遮住其中一部分，让模型去预测被遮住的部分，监督信号就这样自动生成了。全程不需要人工标签，这正是大模型预训练的主流范式。

例子 1(扩散模型):往清晰图撒噪→让模型还原被遮住的画面,"答案在自己手里"。
例子 2(BERT 掩码语言模型):把句子挖掉一个词,让模型猜被挖的词。
和半监督的区别 :半监督仍依赖少量真实标签,自监督完全不用标签。

3.5 强化学习（Reinforcement Learning）

文章配图

定义：靠和环境反复交互、不断试错 来学习，没有标准答案，只用“奖励/惩罚”去修正策略，目标是把长期累积奖励做到最大。

例子:AlphaGo 三阶段——①监督学棋谱模仿人类 → ②强化"左右互搏"数百万局,赢就是奖励,下出人类没见过的"第 37 手" → ③AlphaGo Zero 纯强化,只给规则,40 天 100:0 完胜旧版。
代价 :样本效率极低,要试错百万局,训练不稳定。

3.6 汇总表

范式	一句话定义	反馈信号	有标签?	代表
监督	照标准答案做题	人工标注	有	Iris、垃圾邮件识别
无监督	自己找数据内在规律	数据结构	无	K-means 用户聚类
半监督	少量真标签+大量无标签	真标签+伪标签	少量	X 光片辅助诊断
自监督	数据自己标注自己	数据自动构造	无(自造)	BERT 掩码、扩散模型
强化	试错中追长期收益	环境奖励(延迟)	无(奖励替代)	AlphaGo、RLHF*

RLHF（人类反馈强化学习）：用人类打分充当奖励信号，是 ChatGPT 一类模型训练中的关键技术，后面讲到大模型训练时会展开。

四、按任务分：分类 / 回归 / 聚类 / 关联 / 序列

除了按“反馈信号”分类，还可以按“学的是什么任务”来分，面试里这两种分法经常被混着问。

4.1 分类（Classification）

定义：把输入数据归入事先定好的离散类别，输出是一个类别标签。

例子:判断邮件是"正常"还是"垃圾"。
算法:KNN、逻辑回归、朴素贝叶斯、决策树、随机森林、SVM。

4.2 回归（Regression）

定义：建一个数学模型，把输入特征与连续数值型输出之间的关系拟合出来，输出是一个具体的数。

例子:用 500 天历史数据训出 明天收盘价 = a×今天收盘价 + b×今天成交量 + c,预测股价。
算法:线性回归。

4.3 聚类（Clustering）

定义：在完全没有类别标签的前提下，依据样本之间的内在相似度，自动把它们划成若干簇。

文章配图

例子:音乐 App 把歌按"速度/能量/人声/情绪"特征聚成"燃爆运动/深夜 emo/学习专注"等堆,再给你推同堆的歌。
算法:K-means、层次聚类、DBSCAN、GMM。

4.4 关联规则（Association Rule Learning）

定义：在大规模数据里，把变量之间“X→Y”的共生依赖模式挖出来。

例子:"啤酒尿布"——买尿布的年轻父亲往往顺便买啤酒(课件提醒:此为商业寓言,真实性存疑 ,但其背后的关联规则挖掘理论影响深远)。
算法:Apriori、FP-Growth。

4.5 序列预测（Sequence Prediction）

定义：利用数据点之间的先后依赖关系，去预测下一个元素。

例子:机器翻译"我爱学习"→ 一个词一个词预测出 "I love learning"。
算法:RNN、LSTM、GRU、Transformer*。
Transformer 是当前所有大模型(GPT、DeepSeek)的底层架构,后面专篇深入讲。

4.6 汇总表

任务	一句话定义	监督?	例子	代表算法
分类	把输入归到预定义离散类别	监督	垃圾邮件判断	KNN、逻辑回归、SVM
回归	拟合输入与连续数值输出的映射	监督	预测明天股价	线性回归
聚类	按相似度自动分成若干簇	无监督	音乐 App 分组推荐	K-means、DBSCAN
关联规则	发现"X→Y"共生依赖模式	无监督	啤酒尿布(寓言,真实性存疑)	Apriori、FP-Growth
序列预测	利用顺序依赖预测下一步	监督	机器翻译逐词生成	RNN、LSTM、Transformer*

五、深度学习（DL）：神经网络的参数学习

定义：深度学习（Deep Learning, DL）是机器学习的分支，靠堆叠多层神经网络来完成学习。ML 动辄要学几百万个参数，这些参数存在哪？就存在神经网络里。所谓深度学习，就是神经网络的参数学习。

结构：输入层 → 隐藏层（可以有多层）→ 输出层。隐藏层越多，网络就越“深”，“深度”二字由此而来。

本质公式：传统 ML 是 y=f(x)，DL 则写成 y = f(...f(f(x))...)，每一层都在上一层的结果上再加工，信息一层层变得抽象。

核心案例:AI 判断"西红柿炒鸡蛋" ——像后厨流水线,每个师傅只干一道工序:

文章配图

站点	工序	学到什么
输入层	照片拆成像素矩阵	原始像素
隐藏层 1	有没有大量红色+黄色	颜色特征
隐藏层 2	红色块状?黄色絮状?	形状特征
隐藏层 3	红黄是否交错混合?	空间关系特征
输出层	满足全部条件→"是"	最终结论

三个悟透点 :①隐藏层 ——你只看得到"是/不是"结果,中间报告是隐藏的;②自动学特征 ——师傅不是人类教的,是 AI 看几万张图自己总结的,这是 DL 与传统 ML 最大区别;③嵌套 ——不经过"像素→颜色→形状→混合"链,AI 无法从原始像素蹦到结论。

为什么叫“深度” ：其实就是层数多。Transformer Base 12 层 → GPT-1 12 层 → GPT-3 96 层 → GPT-4 120 层。

DL vs 传统 ML(四维对比) :

维度	传统 ML	深度学习
特征提取	人工设计特征工程	端到端自动学特征
可解释性	强,推理路径清晰	弱,黑盒
数据依赖	小样本更稳	大数据下才有压倒性优势
计算资源	低	训练需 GPU/TPU,投入巨大

判断标准：判断是不是“深度学习”，要看它有没有端到端自动学特征（从原始输入一路到最终输出，中间不做手工特征加工），而不是数层数。

六、从 DL 走到生成式 AI 与大模型

生成式 AI（GenAI）：能根据输入自主创造全新内容（文本/图像/音频/视频/代码）的 AI。

判别式 vs 生成式(本质区别) :

判别式 AI(传统 AI) :精准的"判断者",从已有数据识别模式——人脸识别、推荐商品,输出是判断/分类。
生成式 AI :有创意的"创作者",学习数据规律后生成从未存在的内容——文生图、写文章。

数学本质:

传统:y = f(x),固定函数,2+3 必得 5,像计算器 ;
生成式:y ~ P(x)(y 服从 x 的概率分布),按概率掷骰子,像懂行的赌徒 ——这就是为什么问 ChatGPT 同样的问题,每次回答字眼都不一样。

严格来说 GenAI 并不等同于深度学习，只是现阶段的实现几乎都建立在深度学习之上（模型太复杂，只能靠 DL 扛下来）。

终极关系图 :

AI（目标）
├── ML（手段）── 实现 AI 的主要方式
│   ├── 传统 ML（SVM、决策树）
│   └── DL（神经网络自动学特征）
│       └── LLM（DL 在语言上的应用，如 GPT、DeepSeek）
└── GenAI（基于 DL 实现，跨文本/图像/音视频）

文章配图

易混点：LLM 本质上是深度学习模型在语言场景中的应用，属于 DL ⊂ ML ⊂ AI；但像 BERT 这种“只理解不生成”的模型同样算大模型，却不擅长生成——并非所有大模型都是生成式 AI 。

七、易混点对比与前面文章衔接

本篇 vs 《大模型全景入门》 :那篇站在 LLM 肩膀上看应用+提示词;本篇拉到 LLM 脚下讲地基。答案:大模型 = 海量数据自监督预训练 + 下游微调的深度学习模型,属于 DL ⊂ ML ⊂ AI。
本篇 vs 《从 Vibe Coding 到 LangGraph》 :Vibe Coding 深度拆解那篇已有,本篇不重复。
埋种子 :自监督、序列预测/Transformer 后面 LangChain、Agent 系列会反复用到。

八、常见误区

ML = DL(并列)? 错,DL ⊂ ML ⊂ AI。
强化学习 = 无监督? 错,强化靠环境奖励(有数值反馈),无监督靠数据结构(无反馈)。
数据越多越好? 错,伪标签错标会放大;分布偏移(训练数据和真实场景不一致,比如训练全用白天图片、线上全是夜间图)会让模型线上翻车。
AI = 写规则? 早期是,现在主流是数据驱动。
层数多就是深度学习? 关键在自动学特征,不在层数。

九、面试官追问（6 个 + 答案）

Q1:现在的大模型属于强 AI 还是弱 AI? A:弱 AI。只在语言任务表现智能,没有心智和自我意识。强 AI 目前不存在。

Q2:监督和半监督的本质区别? A:监督全部数据有真标签;半监督少量真标签 + 大量无标签,靠伪标签"变现"无标签数据。前提是专家标注成本极高、无标签数据海量。代价是伪标签错误可能传播。

Q3:自监督和无监督啥关系?给个代表任务。 A:自监督是无监督的特殊形式。区别:无监督靠内在结构找模式;自监督主动隐藏数据让模型预测,过程像监督。代表:BERT 掩码语言模型、扩散模型加噪/去噪。

Q4:为什么 AlphaGo 用强化学习能下出人类没见过的"第 37 手"? A:监督学习在模仿人类棋谱,天花板是人类水平;强化学习靠左右互搏 + 赢棋奖励自我探索,不受人类棋谱束缚,能发现人类知识边界外的下法。

Q5:深度学习比传统 ML 的工程价值在哪?代价呢? A:价值是端到端自动提特征,省掉特征工程,能啃图像/语音这类原始数据。代价是算力投入大、可解释性差、小数据反而易过拟合(模型死记训练数据、换新数据就失灵,像学生只背答案不会变通)。

Q6:生成式 AI 和判别式 AI 的本质区别?大模型属于哪类? A:判别式学 P(y|x),给定输入判断类别(如人脸识别),是固定 y=f(x);生成式学数据分布 P(x),能创造新内容,是 y~P(x) 采样。GPT 系属于生成式 AI;BERT 这类只理解不生成的属于判别式/编码器型。

一、人工智能（AI）：模拟智能行为，分强/弱

二、机器学习（ML）：AI 的手段，本质是自动找 f(x)≈y

三、五种学习方式：监督 / 无监督 / 半监督 / 自监督 / 强化

3.1 监督学习（Supervised Learning）

3.2 无监督学习（Unsupervised Learning）

3.3 半监督学习（Semi-supervised Learning）

3.4 自监督学习（Self-Supervised Learning）

3.5 强化学习（Reinforcement Learning）

3.6 汇总表

四、按任务分：分类 / 回归 / 聚类 / 关联 / 序列

4.1 分类（Classification）

4.2 回归（Regression）

4.3 聚类（Clustering）

4.4 关联规则（Association Rule Learning）

4.5 序列预测（Sequence Prediction）

4.6 汇总表

五、深度学习（DL）：神经网络的参数学习

六、从 DL 走到生成式 AI 与大模型

七、易混点对比与前面文章衔接

八、常见误区

九、面试官追问（6 个 + 答案）

猜你喜欢

评论0