type
Post
status
Published
date
Jun 25, 2026 17:52
slug
ai/0006
summary
AI ⊃ ML ⊃ DL。不是越往里越「高级」,而是越往里越依赖数据与算力,也越适合复杂感知类任务。
tags
AI
读书
category
AI
icon
password
三个词,别当成三家公司
新闻里交替出现:人工智能、机器学习、深度学习。
新手常以为:名字越长越厉害,或者三者互斥。
更准确的理解是同心嵌套——一个大楼里套着更小但更重要的房间。
说「这是深度学习产品」,它必然也是机器学习和人工智能范畴内的东西。
每一层解决什么问题
人工智能(大楼)
- 目标最大:感知、推理、规划、生成……凡属「需要智能」的行为
- 早期主流做法:人工编写规则(见模块 01)
- 今天主流做法:大量依赖机器学习
机器学习(楼层)
- 核心转变:从「人写规则」到「人给样本,机器提炼规律」
- 包含很多经典方法:决策树、支持向量机、集成模型等
- 很多场景仍好用,不一定非要深度学习
深度学习(机房)
- 用多层神经网络,自动从原始数据里找层次化特征
- 特别适合:图像、语音、自然语言等复杂输入
- 特点:吃数据、吃算力,规模上去后往往还能继续变好
为什么深度学习站到了 C 位
不是因为名字酷,而是两点现实:
- 规模效应:数据越大,优势越明显——适合互联网时代
- 端到端:少依赖人工设计特征——适合非结构化信息(图、文、声)
但这不是「深度学习万能」。表格数据、小样本、强可解释性要求的场景,传统机器学习常常更合适、更便宜。
跟业务对话时的翻译器
对方说 | 可能在指 |
「我们上了 AI」 | 可能只是规则 + 统计,未必是深度学习 |
「用了机器学习」 | 有训练数据、有模型迭代,但不一定是神经网络 |
「基于大模型」 | 几乎肯定是深度学习,且通常是 Transformer 类架构 |
会追问比会名词更重要。
本模块 takeaway
AI ⊃ ML ⊃ DL。不是越往里越「高级」,而是越往里越依赖数据与算力,也越适合复杂感知类任务。
- 作者:xiahonglin
- 链接:https://www.xiahonglin.com//article/ai/0006
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议,转载请注明出处。

