人工智能 机器学习 深度学习 区别

经常遇到这种场面：开会时有人把 AI、机器学习、深度学习混着说，你写方案要选工具、或者看资料库里的分类标签时，也拿不准该按哪一层去找。这篇不堆历史，只给你一张包含关系图和三步判定法，让你看到任意一个概念或产品时，能快速说出它属于哪一层，以及下一步该去站内哪一页核对。

开会时最容易出现的一种混乱，是有人把 AI、机器学习、深度学习当成三个并列的词轮着用，听的人点头，写方案的人却犯难：我到底该按哪一层去找工具、看资料、写验收标准？其实这三个词不是同事关系，是包含关系。今天不聊历史，只给你一张能画在白板上的圈层图，再配一套三步判定法，让你看到一个概念或一个产品时，能立刻说出它在哪一层。

先把预期定清楚：分清这三层，不能帮你直接选出最优方案，但能帮你问对问题、找对页面、少被营销话术绕进去。下面的顺序是——先看包含关系，再学怎么判断一个东西属于哪层，最后说清分清楚之后在选型和查资料上具体怎么用。

一张图看懂三层包含关系

想象三个同心圆。最外面的大圆是人工智能，指的是让机器表现出类似人的能力这件事本身，范围最大，规则引擎、专家系统、下棋程序都算。中间一圈是机器学习，它是大圆里的一类做法，核心特征是不把规则写死，而是让模型从数据里把规律统计出来。最里面最小的一圈是深度学习，它又是机器学习里的一类做法，靠多层神经网络自动从原始数据里提取特征。

人工智能

最大的圈，衡量的是「机器能不能做到像人一样的事」，不限定用什么方法

机器学习

人工智能里的一类做法，规则不写死，从数据里学，特征常需要人先挑好

深度学习

机器学习里的一类做法，用多层神经网络，特征由模型自己从原始数据里学

关键在方向：深度学习属于机器学习，机器学习属于人工智能，反过来不成立。一套人写死的规则引擎可以是 AI，但通常既不算机器学习，也不算深度学习。另外别把这三层理解成三代技术排队上线，它们是同时存在的路线，真实项目里经常混着用，比如一个系统里规则兜底、模型做主判。

• 大圈里除了机器学习，还有规则系统、搜索算法、知识图谱等一堆不靠统计学习的做法
• 机器学习里除了深度学习，还有决策树、支持向量机、传统回归等不需要深层网络的路线
• 深度学习里还能再分，但再往下分已经不影响你选型和查资料的判断了
• 想先建立名词直觉，可以到站内的 AI 术语词典把 Token、上下文、温度这几个高频词过一遍，再回来看层级会顺很多

拿到一个概念或产品，怎么判断属于哪一层

判断方法不用背定义，按三个问题顺着问就行。第一个问题：它解决问题时，靠的是人类事先写死的规则，还是从数据里统计出来的规律？如果是写死的规则，基本停在最外层，往后不用问了。如果是统计出来的，进入第二个问题。第二个问题：它的特征是人手工挑好再喂进去的，还是模型自己从原始数据里学的？手工挑特征的，通常落在机器学习那一圈。第三个问题：如果特征基本是模型自己学的，而且输入是原始像素、波形、文本字符这类未加工数据，那它多半就在深度学习这一圈。

1. 问规则的来源看它的判断依据是人写的 if-else 清单，还是从样本里拟合出来的参数。前者判为 AI 层的规则系统，后者继续往下问。
2. 问特征由谁挑看流程里有没有一步是人工设计特征。有，且是主要工作量，就按传统机器学习理解；没有，直接喂原始数据，继续往下问。
3. 问换任务的成本深度学习类方案换任务通常要重训或微调，传统机器学习类方案往往改几行特征就能跑。用这个成本反推它属于哪层。
4. 用描述性文字交叉验证看资料里怎么描述输入：接受像素、波形、字符的偏向深度学习；需要你先算好特征再喂的偏向传统机器学习。

分清楚对实际工作有什么用

第一个用处是选型时能问对问题。如果任务是表格里的结构化数据做预测，先看的应该是传统机器学习类方案，这类问题往往不需要把数据搬到深层网络里绕一圈；如果任务是图像、语音、长文本这类非结构化内容，才轮到深度学习类方案。这不是绝对规律，数据量特别大、特征特别隐晦的表格任务，深度模型也可能更合适，所以选型前建议到站内的模型资料库按任务类型看同类方案的实际输入输出。

第二个用处是看榜单和评测时避免误读。不同榜单测的是不同层面的能力，有的看综合体验，有的看特定任务，有的只盯价格和额度。站内 AI 产品榜和模型可信度排行口径不一样，别拿一个榜的结论去回答另一个问题。要看具体数字，一律到 /rankings 或 /price-watch 核对当时的数字，别记着一个时间点的数到处套用。

• 写材料时表述更准确：把「用了深度学习」写成「用了人工智能」只是范围放大，不会错；反过来把范围说小，评审时容易被追问细节
• 提需求时能落到层：说清是「要一个从数据里学规律的模型」还是「要一套人可读可改的规则」，供应商给的东西会完全不一样
• 排查问题时知道去哪层找原因：输出不稳、幻觉多，多半是模型层的问题；规则冲突、流程走不通，多半是最外层的编排问题
• 跨团队沟通时能省一轮解释：直接说「这个落在中间那圈」，比反复争论叫 AI 还是 ML 快得多

查证与延伸阅读的固定路径

最后给一条固定动线，遇到问题按这个顺序走，别在搜索框里瞎试。术语和概念类的问题，先去 AI 术语词典按分类翻，层级和名词混在一起看最容易建立直觉；想看同类方案横向对比，用 AI 导航按场景目录找，比直接翻排行榜更贴近自己的实际需求；涉及价格、额度、跑分的数字，一律以站内当页实时显示为准，到 /price-watch 核对当时的数字。

还有一点提醒：本站的目录和词典会持续增补，如果你发现某个概念的分类和你的理解对不上，先以页面当前的分类为准，再回来看这套三步判定法在哪一步出了分歧——通常分歧都出在第二个问题「特征由谁挑」上。