刚入行那会儿，我也被这些词轮番轰炸过：面试官问 AI 和 ML 的区别，产品经理把 GenAI 和 LLM 混着说，连不少老工程师也说不清边界在哪。后来我发现，与其逐个背定义，不如直接记住一条包含链——
人工智能 ⊃ 机器学习 ⊃ 深度学习 ⊃ 生成式 AI ⊃ 大语言模型
这篇文章就从这条链切入，倒着把每一层拆开，最后给你一套可操作的"归属判定"方法。
最外层：AI 是目标，不是技术
人工智能是个"期望清单"，不是某项具体技术。用 if-else 写的贪吃蛇 AI 和 GPT-4 在这层是平级的——只要机器表现出类似智能的行为，都算。
学界分了两条路线：强人工智能要造出真正有心智的机器，至今仍在探索；弱人工智能专注在特定领域做得比人好，这是当下所有落地产品的真实形态。手机里的语音助手、推荐算法、下棋程序，全是弱人工智能。
一句话定位：AI 回答"要什么"，下面的每一层回答"怎么做"。
第二层：机器学习，用数据代替人写规则
实现 AI 最主流的手段是机器学习——不再由人手工编规则，而是喂给算法一批历史样本，让它自己拟合出输入到输出的映射。
举个最简的例子：给三组公里数-运费数据，机器自己解出 y = 2x + 10，下次输入 20 公里就能预测出 50 元。求解参数的过程叫训练，拿训练好的函数算新结果叫推理。
按反馈信号分，机器学习有五种范式，值得记住它们的定位差异：
- 监督学习：有人工标签，适合分类回归
- 无监督学习：只找结构，比如用户分群
- 自监督学习：数据自己标注自己，是大模型预训练的核心范式
- 强化学习：试错加奖励，AlphaGo 的左右互搏
- 半监督学习：少量真标签带海量伪标签
其中"序列预测"这个任务形态要格外留意——根据已有内容预测下一个词，这正是最内层 LLM 的思想源头。
第三层：深度学习，把特征工程交给网络
传统机器学习有个绕不开的坎：特征要靠人设计。判断 Spam 邮件，你得先想好"包含多少个感叹号""是否含有敏感词"这些特征。深度学习用多层神经网络把这一步自动化了——输入原始像素，第一层学到边缘，第二层学到轮廓，第三层学到部件，逐层抽象。
"深度"就是层数多。GPT-3 有 96 层，GPT-4 传闻 120 层。代价也很明确：吃数据、烧 GPU、黑盒难解释，小样本场景下传统方法反而更稳。
第四层：生成式 AI，从计算器变成赌徒
前三层的模型本质都是 y = f(x)：输入固定，输出唯一。生成式 AI 换了数学底座——它学的是概率分布 y ~ P(x)，然后按分布掷骰子采样。
这就是同一个问题问 ChatGPT，每次回答字眼都不一样的根本原因。想控制"赌性"，靠两个采样参数：
temperature：调低趋向保守输出，调到 0 近似确定性，适合代码和事实问答top_p：控制候选词池的大小，文案创意场景可放宽
按生成内容分四类：文本（ChatGPT、DeepSeek）、图像（Midjourney、Stable Diffusion）、音频（Suno）、视频（可灵、Runway）。一个常见误区是以为 GenAI 属于深度学习的下位概念——严格说它是按"能否创造内容"划分的类别，只是目前所有实现都建立在深度学习之上。
最内层：LLM，文本生成的主力技术路径
大语言模型 = 海量文本 + 数百亿级参数 + 概率预测下一个 token。两个数据点感受一下规模：GPT-3 用了约 570GB 清洗后语料、1750 亿参数；DeepSeek-V3 预训练数据 14.8 万亿 token、671B 参数。
按架构分三类，每类一个人设：
| 架构 | 人设 | 代表 | 典型任务 |
|---|---|---|---|
| Encoder-only | 阅读理解大师 | BERT、RoBERTa | 分类、NER、RAG 向量检索 |
| Decoder-only | 天才续写家 | GPT-4、DeepSeek-V3 | 对话、代码生成 |
| Encoder-Decoder | 高级同声传译 | T5、BART | 翻译、长文摘要 |
这里有个行业语境的差异要注意：技术广义上 BERT 也是 LLM，但日常聊天里大家说 LLM 基本特指生成式模型。
实操：三步判定一个模型属于哪一层
看产品页吹得再花，不如自己验一遍：
# 1. 看输出是否每次不同（区分生成式与分析式）
# 同一提示词连问 3 次，结果逐字一致 -> 分析式或 temperature=0
# 2. 看交互形态（区分 LLM 与图像/音频模型）
# 只吃文本吐文本 -> LLM 范畴；跨模态 -> 其他生成式分支
# 3. 看官方 API 的能力面
curl -s https://api.example.com/v1/models \
-H "Authorization: Bearer $KEY"
# 返回里只有 chat/completions -> Decoder-only 生成式
# 有 embeddings 端点 -> 大概率 Encoder 系或双能力
判定标准：能生成新内容的是 GenAI；只处理文本的生成式是 LLM；只做分类检索不生成的是 Encoder 系，属于分析式 AI。
收尾
五层关系压成一句话：AI 定目标，ML 给方法，DL 提能力，GenAI 换范式，LLM 挑大梁。下次再看到新名词（Transformer、MoE、多模态），先往这条链上挂一挂，基本就不会晕了。
评论0