人工智能、机器学习、深度学习,到底谁包含谁
这三个词经常被当成同义词随口混用。其实它们是一层套一层的关系:AI 是目标,机器学习是实现方法,深度学习是其中一种工具,大模型是这套工具目前最出名的产物。
一句话分清四个词
把四个词排成一条包含关系,比背定义有用得多:
所以「这个功能用了 AI」通常是句大话,真正值得追问的是:它用的是规则、是传统机器学习、还是神经网络?是本地的小模型,还是调用云端的大模型?不同的答案,成本、效果和风险差得很远。
用「教小孩认猫」讲三种做法
假设要让程序判断一张图里有没有猫。历史上先后出现过三种思路,恰好对应上面三层。
做法一:把规则写死(专家系统)
人类总结特征——有耳朵、有胡须、有毛。程序员把这些条件写成 if-else。问题是猫的姿势、光线、品种千变万化,规则永远写不完,加一条新规则又容易误伤别的动物。这条路在上世纪八十年代很流行,后来撞上了天花板。
做法二:给例子,让机器自己找规律(机器学习)
不再写「什么是猫」,而是给几万张标好「猫 / 不是猫」的图片,让算法自己去调整内部的判断标准。人只提供数据和学习方法,规律由机器自己拟合。这就是机器学习的核心转变:从写规则,变成给样本。
做法三:连特征也交给机器提取(深度学习)
传统机器学习往往还需要人先设计特征(比如提取边缘、颜色直方图)。深度学习把这件事也包了:多层神经网络的第一层学边缘、中间层学耳朵和眼睛、靠后的层学「整只猫」。层数越多、越深,能表达的模式越复杂,这也是「深度」二字的来历。
大模型则是这条路的规模版本:把层数、参数量、训练数据同时放大到某个量级后,模型开始表现出训练时没被直接教过的能力,比如翻译、写代码、做算术。这类现象一般被称为「涌现」。
训练、推理、模型、参数:四个绕不开的词
看任何一篇 AI 报道,这四个词都会反复出现,先把它们钉死:
- 模型:一套固定的计算结构,加上一堆可以调整的数字。可以理解成一个巨大的公式。
- 参数:公式里那些可以被调整的数字,也就是「权重」。常说的 7B、70B,指的就是 70 亿、700 亿个参数。
- 训练:拿数据反复喂给模型,不断微调参数,让输出越来越接近正确答案。这一步最贵,通常要成百上千张显卡跑几个月。
- 推理:模型训练好之后,拿新输入算一次结果。你每次和 AI 对话,都是在做推理。这一步便宜得多,但仍需要算力。
四个常见误解
- 「AI 会思考、有意识」:目前的模型是在做统计意义上的下一个词预测,没有目标、没有情绪,也没有自我。它表现出「像在思考」,是因为训练数据里人类的推理过程被学进去了。
- 「AI 等于大模型」:推荐系统的排序、相册的人脸聚类、输入法的纠错,都是 AI,且大多不是大模型,甚至只在你的手机本地跑。
- 「深度学习什么都能干」:它擅长模式识别(图像、语音、语言),但涉及严格逻辑推演、精确计算、可解释决策的场景,传统算法往往更可靠,成本也低得多。
- 「模型越大越好」:参数量只是三个变量之一,数据质量和训练方法同样关键。一个 7B 模型在垂直领域做得足够好时,可能全面胜过通用大模型——因为便宜、快、可控。
这几条值得记住
- AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 大模型,是一层套一层的包含关系。
- 机器学习的本质转变是:不再写规则,改为给样本。
- 训练改变参数,推理只使用参数;日常对话属于推理。
- 参数量不是唯一变量,数据质量和训练方法同样决定效果。
常见问题
人工智能和机器学习是一回事吗?
不是。人工智能是目标(让机器表现出智能),机器学习是实现这个目标的一类方法(从数据中学习规律),深度学习又是机器学习里使用多层神经网络的一个分支。
大模型一定要联网才能用吗?
不一定。大模型可以在本地运行(通常需要量化压缩后配一块独立显卡),也可以部署在自己的服务器上。联网只是为了让模型能调用外部信息或工具。
普通人需要懂这些概念吗?
不需要懂实现细节,但分清「规则系统 / 传统机器学习 / 大模型」有助于判断一个产品值不值得信任:规则系统稳定但僵硬,大模型灵活但会编,成本和风险完全不同。