刚开始学 AI 的人最容易被三个词绕晕：一会儿说人工智能，一会儿说机器学习，一会儿又说深度学习，好像说的是一回事，又好像不是。这篇不谈公式，只把三者的圈层关系、各自解决什么问题、什么时候该用哪个讲明白，最后给一份入门顺序清单，能直接照着排学习计划。
刚开始学 AI 的人最容易被三个词绕晕：一会儿说人工智能，一会儿说机器学习，一会儿又说深度学习，好像是一回事，又好像不是。这篇不谈公式，只把三者的圈层关系、各自解决什么问题、什么时候该用哪个讲明白，最后给一份能直接照着排学习计划的顺序清单。
先记住一句话就够用了：这三个词不是并列的三样东西，而是大圈套小圈。搞清谁包含谁，后面看论文、看岗位描述、看工具选型时就不会被术语牵着走。至于各家模型的具体数字和价格，需要时直接去站内资料库核对当时的数字，别背。
三者是层层套住的圈，不是并列的三个东西
- 人工智能
- 最大的那个圈，凡是让机器表现出像人一样处理任务的能力都算在内，规则系统、专家系统、搜索算法都在这一层
- 机器学习
- 里面一层，不再靠人把规则写死，而是喂数据让程序自己找规律，它只是实现人工智能的其中一条路
- 深度学习
- 最里面一层，用多层神经网络去做机器学习，属于机器学习的一个分支方法，不是它的替代品
所以「深度学习属于机器学习，机器学习属于人工智能」这句话永远成立，反过来就错了。很多人说「我们做的是人工智能，不是机器学习」，其实只是在说自己用的不是数据驱动那条路，这个说法容易让人误会，不如直接讲清楚用的是规则还是模型。
- 先问自己在哪个圈层，再讨论技术选型，比一上来就争「深度学习是不是 AI」有用得多
- 看到岗位要求写「熟悉 AI 算法」，先确认对方指的是规则工程、机器学习还是深度学习，三者的日常活差别很大
- 写简历或做方案时，把圈层说准确，能省掉后面很多来回解释
- 术语拿不准就去站内基础概念类页面逐条对照，别在名词上耗太久
怎么一眼分清：看规则是谁定的、数据要多少
判断一个系统属于哪一层，不用看代码多复杂，看两件事就够了：规则是谁定的，数据要多少。这两条基本能把绝大多数场景归位，也能帮你在项目初期就排除掉明显过剩的方案。
| 判断维度 | 传统人工智能/专家系统 | 机器学习 | 深度学习 |
|---|---|---|---|
| 规则来源 | 人写死 | 人挑特征，模型学权重 | 网络自己抽特征 |
| 训练数据量 | 几乎不需要 | 几百到几万条常见 | 通常需要大量样本 |
| 可解释性 | 高，规则可读 | 中等，看模型类型 | 偏低，需要额外手段 |
| 典型输入 | 结构化、规则明确 | 表格类结构化数据 | 图像、语音、文本等非结构化数据 |
| 主要成本 | 写规则的人力 | 数据清洗与特征工程 | 算力与标注数据 |
上表是粗略对照，不是硬边界。遇到实际项目，先问两句：训练数据有多少？特征能不能人工描述清楚？两个答案都指向「量少、能描述」，就别硬上深度学习，那是给自己找麻烦。
- 规则由人写死、几乎不训练——传统人工智能或专家系统，早期棋类程序就是这类
- 规则由人挑特征、模型学权重——典型机器学习，特征工程是人的活
- 连特征都不用挑，原始图片音频文本直接喂进去——这才算深度学习
- 同一个任务可能几层都能做，选哪个看的是数据量、解释要求和算力预算，不是看哪个名字更高级
什么时候用哪一层：一份对照取舍
没有哪个圈层绝对更好，只有合不合适。下面这份取舍清单可以直接拿去对着项目过一遍，尤其适合刚接手需求、还不确定技术路线的时候。
- 先数样本量样本只有几百到几千条，优先传统机器学习，训练快、可解释，验证也容易；样本量很大再考虑深度学习
- 再看数据类型表格类结构化数据，传统机器学习往往不比深度学习差，还省算力；图像、语音、自然语言这类高维非结构化数据，深度学习的优势才明显
- 最后确认解释要求业务方需要逐条解释判断依据，选可解释性强的方案；只要能给出结果、不追解释，才可以往深层走
- 验证方式切出留出集或做交叉验证，用同一套指标横向比几个方案，别只看训练时的表现
不适用的场景要提前说清：如果任务本身规则明确、不需要泛化，比如固定格式校验、简单路由分发，那连机器学习都不必上，写规则更稳、更好维护。硬套模型只会让系统更难排查。
入门学习顺序：先跑通一圈再补理论
入门最容易犯的错是先啃完一堆理论再动手，结果卡在数学上就放弃了。更稳的顺序是先跑通一次完整流程，建立手感，再回头补原理，边做边查反而更容易坚持。
- 理清圈层概念用本文的对照表把三个词的关系过一遍，能自己讲出包含方向就算过关；术语不确定的去站内基础概念类页面逐条核对
- 跑通一次完整流程找一个小数据集，走完读数据、切训练测试、训模型、看指标这几步，先要跑通，不追指标高低
- 补原理跑通之后再回头学为什么要切测试集、过拟合是什么、损失函数在干什么，带着问题去学效率更高
- 做自查能不能用自己的话解释三者包含关系、能不能说出一个不该用深度学习的场景、能不能画出从数据到结果那条链路，三条都答得上算过关
- 自查清单第一条：用自己的话讲清谁包含谁，讲反了说明还没理解
- 自查清单第二条：举出一个「规则更合适、不该上模型」的真实场景
- 自查清单第三条：画出数据到结果的完整链路，标出人在哪一步介入
- 自查清单第四条：说清一个项目为什么要选这一层而不是另一层
想继续往深走，去看专门讲深度学习和机器学习区别的文章，别在本文反复打转。各家模型的具体参数和价格经常变，需要的时候到站内资料库看当时的数字就行，不用记。
下一步想横向对比不同方案和工具的当前表现，直接到站内工具目录看当时整理的资料，按自己的数据量和解释要求对照着挑。→常见问题
深度学习是不是就是机器学习的升级版，学了它就不用学机器学习？
不是替代关系。深度学习是机器学习的一个分支，很多基本概念——训练集、过拟合、评估指标——都来自机器学习。跳过基础直接上手深度学习，遇到调参和效果不好时会不知道从哪儿下手排查。
我只想用现成工具，需要搞清这三者的关系吗？
多数日常使用不需要。但一旦遇到「效果不好怎么办」「要不要自己训一个」，这三个词就决定了你的选项范围：能不能靠写规则解决、要不要准备训练数据、算力预算够不够，判断起点都在这里。
怎么判断一个产品宣传里说的「AI」到底属于哪一层？
看它怎么处理你的输入。要求你填固定表单、按模板给结构化字段的，多半是规则或传统机器学习；能直接吃图片、录音、整段自由文本并给出结果的，通常用了深度学习。具体到某个产品的技术口径，可以到站内术语词典对照着看。
