P4-1.1 AI、机器学习、深度学习之间的关系¶
Section ID:
P4-1.1Version:v2026.07.20
Part 1 看过 AI 这个词的广义范围。Part 2 重新读过公式、Python、数组、表格和图表。现在到了 Part 4，要在这个基础上把 machine learning 单独拎出来看。
这一节会区分 AI、machine learning、deep learning、generative AI、LLM 分别指向什么范围，并说明为什么在 Part 4 里不是直接进入深度学习，而是先重新回看传统机器学习。
因此，这一节的重点是分清楚 machine learning 在 AI 这个大领域里处在什么位置，以及 为什么不直接跳到 LLM 或 deep learning，而要先看数据、模型、学习、评估。
本节范围¶
这一节先把 在 AI 这个大范围里，machine learning、deep learning、generative AI、LLM 分别放在哪里 关上。Part 4 的共同学习结构会在后续小节里抓住，神经网络和 Transformer 的正式结构会在后面的 Part 再连接回来。
- AI 和 machine learning 是同一个意思吗？
- machine learning 和 deep learning 有什么不同？
- generative AI 和 LLM 能代表整个 AI 吗？
- 为什么 Part 4 要先看传统机器学习，再看 deep learning？
- Part 2 里学过的公式和 Python 工具会在这里怎样再次出现？
用AI、机器学习、深度学习之间的关系留下的判断标准¶
- 能大致说明 AI、machine learning、deep learning、generative AI、LLM 之间的包含关系。
- 能把 machine learning 理解成
从数据中学习模式，并把它用于预测或判断的方法。 - 能说明 deep learning 是 machine learning 中非常重要的一条路线，但不是整个 machine learning 的同义词。
- 能把 LLM 看成现代 AI 经验中一个很强的代表性案例，但不会把它当成整个 AI。
- 能理解 Part 4 的学习主题是数据、模型、学习、评估这条流程。
AI、机器学习、深度学习之间的关系的判断流程¶
如果按包含关系和角色顺序来读，这些术语会更清楚。
- AI 是最宽的词。
- machine learning 是其中一种从数据里学习关系的方法。
- deep learning 是 machine learning 中通过深层神经网络来学习表示的一条路线。
- generative AI 和 LLM 在现代 AI 经验里非常重要，但它们不等于整个 AI。
- 在 Part 4 里，我们会先看所有这些路线下面共同存在的数据、模型、学习和评估。
这个顺序不是为了死记学术分类，而是为了后面读文档时，至少能分出 自己现在看到的内容是在谈数据问题、模型问题，还是服务问题。
先用一句话把它们分开¶
术语一多起来时，比起只背包含关系，更清楚的做法是先看每个词在回答什么问题。
| 术语 | 一句话说明 | 中心问题 |
|---|---|---|
| AI (artificial intelligence) | 用计算机创造或模仿智能行为的宽广领域。 | 机器能不能做出看起来像智能的事？ |
| machine learning | 通过数据经验让模型或算法性能变好的方法。 | 不把所有规则都写死，能不能让系统从数据里学会？ |
| deep learning | 用多层神经网络学习表示的 machine learning 路线。 | 模型能不能更直接地从输入中学到需要的表示？ |
| generative AI | 生成文本、图像、音频、代码等新输出的 AI 模型与服务。 | 模型能不能不只做分类和预测，而是生成新结果？ |
| LLM | 通过大规模文本学习来处理语言输入与输出的模型族。 | 模型能不能根据语言语境生成下一句表达或回答？ |
这个区分不是考试定义，而是阅读地图。同一个词在论文、产品文档、新闻报道和服务宣传里，范围都可能略有不同。所以在 Part 4 里，比起术语本身，我们更把数据、模型、学习、评估这条反复出现的结构放在中心。
从最大范围开始看¶
AI 是最宽的词。它可以包含 rule-based systems、search、heuristics、knowledge representation、probabilistic inference、machine learning、deep learning、generative AI、agents 等多种方法。
machine learning 是其中一种从数据中学习模式的方法。它不是由人把所有规则都直接写完，而是从数据中找关系、形成 model，再把这个 model 用到新数据上。
deep learning 是 machine learning 内部一条很强的路线，它通过把 neural network 堆深来学习 representation。它在图像、音频、自然语言和生成模型里带来了很大的成果，但并不是所有 machine learning 都属于 deep learning。
generative AI 指的是生成文本、图像、音频、代码等新输出的模型与服务。今天大量 generative AI 和 deep learning 紧密相连，但 generative AI 这种使用体验并不等于整个 AI。
LLM 指 large language model。现在很多人第一次真正接触 AI，往往就是通过 LLM 体验，但 LLM 不是整个 AI，而是围绕语言发展出来的一类特定模型。
flowchart TD
A["AI<br/>人工智能"]
B["机器学习<br/>从数据中学习"]
C["深度学习<br/>基于神经网络的学习"]
D["生成式 AI<br/>生成文本、图像、音频、代码"]
E["LLM<br/>大语言模型"]
A --> B
A --> R["规则型系统<br/>搜索、启发式、知识表示"]
B --> C
C --> D
D --> E
这张图更像学习地图，而不是严格分类表。真实研究和产品里，很多技术会混在一起。比如一个服务里，search system、rule-based filter、machine learning model、LLM 都可能同时工作。
下面这张图会把 包含关系 和 真实服务组合方式 分开来看。上面那张图是在说明 术语的大致位置，而下面这张图强调的是 一个服务里可以同时运行多种方法。
flowchart TD
U["用户请求"]
A["应用层"]
R["规则检查"]
S["搜索 / 数据库"]
M["机器学习模型"]
L["LLM"]
P["策略判断"]
H["人工复核<br/>在需要时"]
O["服务响应"]
U --> A
A --> R
A --> S
A --> M
A --> L
R --> P
S --> P
M --> P
L --> P
P --> O
P -. "置信度低 / 风险高" .-> H
H --> O
在这张图里，LLM 不是整个服务，而只是多个组成部分中的一个。模型输出还可以和 policy judgment 结合，而当风险高或置信度低时，也可能转到 human review。
只看包含关系为什么还不够¶
入门说明里，AI 里面有 machine learning，machine learning 里面有 deep learning 这样的图很有用。但如果只记住这张图，一旦去看真实服务，就很容易产生误解。
例如，一个推荐服务可能会用基于用户点击记录的 machine learning model；同时，它也可能还带有排除禁售商品的 rule-based filter，以及 search index 或 database 查询。客户支持服务也未必只靠 LLM，还可能一起用到 search、permission check、policy rule、logging、human review。
因此，在 Part 4 里真正需要的视角不是 哪种技术更新，而是下面这种追问方式。
- 在这个问题里，哪些部分是由人直接写规则？
- 哪些部分必须从数据中学习？
- 模型输出的是 score、class、numeric prediction，还是 generation result？
- 服务做最终决定时，除了模型输出，还一起用了哪些 policy 或约束？
这些问题会把 Part 1 里看到的 AI 大地图、Part 2 里看到的数据表示方式，连接到 Part 4 的机器学习学习流程里。
为什么 Part 4 要把机器学习单独拿出来看¶
Part 4 不会直接跳到 deep learning 或 LLM，而是先看 machine learning 的基本流程。
原因很简单。就算以后去看 deep learning 和 LLM，下面这些问题还是会不断返回。
- 用的是什么 data？
- input 和 label 分别是什么？
- model 究竟在预测或分类什么？
- learning 时到底在改哪些值？
- evaluation 是按什么标准做的？
- 它在没见过的数据上还能不能工作？
传统 machine learning 非常适合用比较小的例子来展示这些问题。像 linear regression、logistic regression、decision tree、k-NN 这样的模型，结构比 deep learning 更简单。因此，它很适合先理解数据拆分、overfitting、generalization、metric。
在小型 machine learning 例子里，准备数据、训练模型、应用到新数据、检查有没有猜对 这条流程是看得见的。只要这条流程能看见，之后再去看 deep learning 或 LLM，就会先问结构，而不是先盯着模型名字。
Part 4 的最小单位¶
重新看机器学习时，比起记住大量算法名字，更重要的是先把反复出现的最小单位固定下来。
| 最小单位 | 要问的问题 | 例子 |
|---|---|---|
| problem | 想预测或区分什么？ | 垃圾邮件、价格、流失可能性 |
| data | 收集了什么样的案例？ | 历史邮件、交易记录、传感器测量值 |
| feature | 准备给模型的输入表示是什么？ | 词数、金额、时间、类别 |
| label / target | 模型想匹配什么？ | 垃圾/正常、实际价格、是否购买 |
| model | 什么样的学习后计算会把输入变成输出？ | 线性模型、树、最近邻 |
| training | 通过数据会调整什么值？ | 权重、分裂标准、距离标准 |
| evaluation | 它在新数据上到底有多可用？ | 准确率、误差、召回率、成本 |
这些最小单位在后面的 deep learning 和 LLM 里也不会完全消失。只是结构更大了、输入表示更复杂了，但 数据是什么、模型学了什么、用什么标准评估 这种追问习惯还是必须保留。
这张表其实是一组问题。想解决什么、给什么输入、想匹配什么、怎么确认它有没有匹配对，正是阅读机器学习文档时最先该检查的问题。
用同一个问题看三种视角¶
如果拿垃圾邮件分类来举例，区分会更容易。
| 视角 | 问题 | 可能的方法 |
|---|---|---|
| 规则型方法 | 如果出现某个词，就把它看成垃圾邮件吗？ | 由人来写规则。 |
| machine learning 方法 | 能不能从历史邮件和标签里学出垃圾模式？ | 用 feature 和 label 训练 model。 |
| deep learning 方法 | 模型能不能更直接学到邮件文本的表示？ | neural network 一起学习表示和分类边界。 |
| LLM 利用 | 能不能让模型用自然语言理解邮件的意图和语境？ | 可以一起用 prompt、分类指令和工具连接。 |
这四种视角不是完全互相替代的。真实服务里，rule-based filter、machine learning model、基于 LLM 的 review 完全可能一起使用。所以更合适的理解不是 最新方法会消灭旧方法，而是 根据问题和限制，把不同方法组合起来。
在实际阅读文章或开会时，如果先判断 现在最准确的说法应该是哪一个，混乱会减少很多。
| 现在要说明的对象 | 首先该用的词 | 原因 |
|---|---|---|
| 服务整体的智能功能范围 | AI | 因为它可以把搜索、规则、模型、人工复核一起包含进去。 |
| 通过数据学习关系并做预测或分类的那一部分 | machine learning | 因为这里核心是学习出来的模型，而不是手写规则。 |
| 基于神经网络的表示学习和大模型结构 | deep learning | 因为在 machine learning 内部，神经网络结构是这里的中心。 |
| 生成文本、图像、代码等新输出的体验或服务 | generative AI | 因为对用户来说，核心体验是生成而不是分类。 |
| 处理语言输入和输出的大型模型 | LLM | 因为它能在 generative AI 内部更准确地指向语言模型。 |
Part 2 的语言会在哪里再次出现¶
Part 2 里学过的表达方式，会立刻在 Part 4 里重新出现。
| Part 2 里的表达 | 在 Part 4 中重新出现的方式 |
|---|---|
| row、column | 用来表示 sample 和 feature。 |
| array、shape | 用来说明输入数据 X 的形状。 |
| label | 在监督学习里会表现成目标值 y。 |
| function | 会变成把输入变成输出的计算。 |
| loss、error | 会变成衡量预测错了多少的标准。 |
| mean、variance | 会再次用于阅读数据分布和评估结果。 |
| plot | 会用于查看学习结果、误差、分布和决策边界。 |
在 scikit-learn 文档里，输入数据 X 也通常会被解释成 行是 sample、列是 feature 的矩阵。监督学习里，目标值 y 会和它一起出现，模型先通过 fit 学习，再通过 predict 对新输入计算结果。
一开始最先要避开的误解¶
开始 Part 4 时，最先要避开的误解有下面这些。
- 不要把 AI 当成 machine learning 的同义词。
- 不要把 machine learning 当成 deep learning 的同义词。
- 不要把 deep learning 当成 LLM 的同义词。
- 不要把使用 LLM 的经验当成整个 AI 的标准。
- 不要把知道很多模型名字，当成已经理解 machine learning。
- 不要把训练数据上拟合得好，当成真正把现实问题解决得好。
Part 4 的核心不是模型目录，而是数据、学习、评估这条流程。算法名字必须放进这条流程里理解。
案例与示例¶
案例 1. 用过聊天机器人，并不等于已经懂了整个机器学习¶
假设有一位学习者重新开始学 AI，而他已经经常使用聊天机器人和图像生成工具。于是他很容易觉得：AI 最后不就是 LLM 或 generative AI 吗？
因为现在很多 AI 服务体验都是以 LLM 为中心进入的，所以这种想法会很自然地出现。但如果把服务内部拆开来看，会发现 search、rule-based filter、recommendation model、policy judgment、human review 可以一起工作，而 LLM 只是其中的一个部分。
这也正是本节要把 AI、machine learning、deep learning、generative AI、LLM 的包含关系分别立住的原因。LLM 经验是理解现代 AI 的重要起点，但如果把它当成代表整个 AI 的唯一名字，Part 4 里要重新看的数据、模型、学习、评估流程就会被遮住。
真正可检查的结果，会在把服务结构拆成问题之后显现出来。如果某一部分由 search 负责、另一部分由分类模型负责、还有一部分由 LLM 负责生成回答，那么光靠 AI = LLM 这个简单等式已经解释不够了。
flowchart TD
A["聊天机器人或图像工具<br/>使用经验"]
B["直接跳到<br/>AI = LLM"]
C["服务结构被遮住"]
D["拆开看搜索、规则、模型、<br/>策略、人工复核"]
E["LLM 只是其中一个组件"]
F["AI 的范围再次变宽"]
A --> B --> C
A --> D --> E --> F
检查清单¶
- 能不能区分在什么语境下，
AI、machine learning、deep learning、generative AI、LLM里哪一个词最准确？ - 能不能说明为什么一旦直接把
AI = LLM或machine learning = deep learning画成等号，服务结构的说明就会变弱？ - 能不能说明为什么 Part 4 比起 model 名字，更先看
数据、学习、评估这条重复结构？ - 能不能把 AI、machine learning、deep learning、generative AI、LLM 的包含关系解释成不同层次？
- 能不能说明 Part 2 里的公式、Python、数组、表格、图表感受，怎样再次用在 Part 4 的数据·学习·评估流程里？
- 能不能用例子说明，在一个服务里，model、规则、搜索、policy、人工复核可以一起工作？
来源与参考资料¶
- scikit-learn developers,
Getting Started, scikit-learn documentation, 确认日期：2026-06-25. https://scikit-learn.org/stable/getting_started.html - Google for Developers,
Machine Learning Glossary,artificial intelligence,machine learning,deep model,generative AI,large language model条目。用于对照 AI、机器学习、深度学习、生成式 AI、LLM 的术语范围以及评价、学习相关术语。确认日期：2026-07-19. https://developers.google.com/machine-learning/glossary - IBM,
AI vs. machine learning vs. deep learning vs. neural networks: What's the difference?。用于确认把 AI 放在最宽范围、把机器学习和深度学习作为其内部脉络来说明的包含关系。确认日期：2026-07-19. https://www.ibm.com/think/topics/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks - Ian Goodfellow, Yoshua Bengio, Aaron Courville,
Deep Learning, MIT Press, 2016, Chapter 1 Introduction, 确认日期：2026-06-25. https://www.deeplearningbook.org/contents/intro.html