人工智能机器学习和深度学习区别

刚接触 AI 的人常被这三个词绕晕：新闻里说人工智能，招聘里写机器学习，产品页又强调深度学习，看起来像同义词，实际是三层包含关系。这篇不堆公式，只讲清楚谁包含谁、每一层多出了什么条件，再给一套拿身边工具做归类的自测办法，帮你在看资料和听别人聊的时候不再被名词牵着走。

刚接触 AI 的人很容易被这三个词绕晕：新闻标题说人工智能，招聘要求写机器学习，产品页又特意强调深度学习，看着像同义词，其实是一层套一层的包含关系。这篇文章不堆公式，只讲清楚谁包含谁、每往里走一层多出了什么条件，再给一套拿身边工具就能做的归类自测，让你看资料、听人聊的时候心里有数。

先把预期放平：搞懂这三层不是为了背定义，而是为了判断一段介绍到底在说什么。是规则写死的逻辑，还是从数据里学出来的，还是用了多层神经网络，这三种说法的能力边界、数据要求、成本结构都不一样。分清楚了，看参数、看选型、看宣传语都不会被牵着走。

一张套娃图：三者是包含关系，不是并列关系

最外层是人工智能，判断标准很宽：只要机器表现出类似人的判断或反应都算在内，连规则全部由人手写死的下棋程序也归在这里。它不要求学习，只要求行为上像在动脑子。

中间一层是机器学习，比外层多了一个硬条件——能力来自数据训练，而不是人把规则一条条写全。它能处理训练时没见过的输入，这是它和外层最实际的分界线。

最里层是深度学习，是机器学习里用多层神经网络的那一类做法，擅长图像、语音、长文本这种规律不好手工描述的数据。注意方向：深度学习属于机器学习，机器学习属于人工智能，反过来推都不成立。

• 人工智能：让机器表现像人，规则写死也算；
• 机器学习：能力从数据里学出来，能应付没见过的输入；
• 深度学习：机器学习中靠多层神经网络的一支；
• 包含方向只能从里往外说，不能反推。

怎么判断一个东西属于哪一层：三个提问顺序

判断不要从名词出发，按顺序问三个问题就行。第一个问是不是靠人把规则写全的，只要是，就停在外层人工智能，不往机器学习里算。第二个问能力是不是从数据里学出来的，是就进到机器学习层，但这时还不一定是深度学习。第三个问是不是多层神经网络在起作用，是才算深度学习，只用传统统计模型的属于机器学习但不是深度学习。

1. 先问规则来源规则全部由人手写、没有训练过程，直接判为外层人工智能；典型是 if-else 拼出来的客服机器人。
2. 再问是否从数据学习能力随训练数据变化、能处理没见过的样本，就进入机器学习层；决策树做风控就停在这一层。
3. 最后问结构确认是多层神经网络在起作用，才归到深度学习；结构说不清、只给概率结果的，多半是这一类。

每往里走一层，多拿到什么、多付出什么

越往里走能力上限越高，代价也越明显。传统机器学习在小样本上还能凑合，深度学习往往需要大量标注数据才见效；算力方面，越往里对硬件越敏感，具体到租卡和推理的当期单价，去 /compute 核对当时的数字，别拿印象当依据。

还有一个容易被忽略的点：在表格类结构化数据上，传统机器学习有时反而比深度学习更稳，别默认越新越好。什么时候不适用这条？当数据里有大量图像、语音或长文本，手工特征做不动时，深度学习才更合适。

为什么现实里三个词经常被混着用

混用大多不是错误，而是场景不同。产品宣传爱说人工智能，因为覆盖面最大、外行最容易懂；招聘和论文写机器学习或深度学习，是为了说清具体技术栈；媒体把深度学习直接说成人工智能，是口语化的省略，听着方便但会让人误以为是一回事。

拿不准某个说法在哪一层，去 /ai-dict/category/basics 和 /ai-dict/category/tech 对一遍词条，比凭感觉猜快得多。遇到介绍页只堆名词不给细节的，多半是刻意模糊层级。

• 宣传口径：大而全，倾向用人工智能；
• 招聘口径：讲技术栈，倾向写机器学习或深度学习；
• 媒体口径：常用深度学习代指整个人工智能；
• 拿不准就查词条，别靠猜。

用身边的工具做一次归类自测

光看概念容易忘，拿日常在用的工具走一遍判断流程更实在。挑三四款，逐个问那三个问题，写下它落在哪一层，再和站内资料对照。术语拿不准就查 /ai-dict，想看具体模型归在哪一类就翻 /models。

如果某个工具既答不上数据来源，也说不清模型结构，那它多半是规则加检索拼出来的产品，别硬归类。这套自测的目的不是给工具贴标签，而是让你看介绍页时知道对方在强调哪一层能力。