人工智能 机器学习 深度学习 关系定义

刚接触AI的人常被三个词绕住：有人说深度学习就是机器学习，有人说人工智能是总称，看招聘要求、课程大纲、工具说明时对不上号。这篇不堆公式，只把三者的从属关系、各自解决什么问题、什么时候一个项目其实用不上深度学习讲清楚，最后给一份能直接对照的判断清单，方便你看资料或选方向时少绕弯路。

刚接触AI的人十有八九被这三个词绕晕过：招聘要求写「熟悉机器学习」，课程标题写「深度学习入门」，产品说明又写「人工智能能力」。三个词换来换去，好像是一回事，又好像不是。看课程大纲对不上号，看工具介绍也拿不准自己到底需要哪一层。

这篇不堆公式，也不讲模型内部怎么算。只把三者的从属关系、各自解决什么问题、以及一个很实际的问题讲清楚：什么时候你的项目其实压根用不上深度学习。最后给一份能直接对照的判断清单，方便你看资料、选方向、跟人聊需求时少绕弯路。

三个词各自指什么：先把定义对齐

关系其实可以用一句话记住：人工智能 ⊃ 机器学习 ⊃ 深度学习。越往右范围越窄，对数据和算力的依赖却越强。所以它们不是并列的三件事，而是同一个大目标下层层收窄的做法。先把每层的定义对齐，后面判断才有依据。

人工智能

问题域的总称，指让机器完成原本需要人类智能才能做的任务，比如识别、决策、理解语言，范围最大

机器学习

实现人工智能的一类方法：不把规则写死，而是喂数据让程序自己学出规律，属于人工智能的子集

深度学习

机器学习的一个分支，用多层神经网络自动提取特征，属于机器学习的子集

层级图怎么看：为什么会有这层包含关系

这个包含关系不是谁规定的，而是技术演进自然形成的。理解了为什么会有这三层，你再看资料时就不容易被大词唬住，也能判断一段描述到底在说哪一层。

• 早期人工智能靠人工写规则做专家系统，规则一多就维护不动，机器学习正是为突破这个瓶颈出现的
• 传统机器学习仍要人工挑特征，深度学习把特征提取这一步也交给网络自己学，少了一次人工干预
• 所以三者是同一个目标下三代做法的包含关系，深度学习出现不代表前面两者作废
• 遇到名词不确定属于哪一层，可以到站内词典的基础概念入口核对定义口径，别靠记忆猜

换句话说，层级图的价值不在背定义，而在定位：看到一个新名词，先问它落在哪一层，再决定要不要花时间深入。它解决的是「这东西跟我知道的哪个概念是亲戚」的问题。

什么时候用不上深度学习：判断清单

入门者最容易的误区是默认「做AI就得用深度学习」。实际上一大半业务问题用传统方法就能解决，而且更快更稳。下面这几条只要中了一条，就先别急着上神经网络。

• 数据量小（几百到几千条）、字段规整的表格预测，传统机器学习往往更快更稳，深度学习容易过拟合
• 要求结果可解释、要给业务方讲清每个变量的影响方向，深度学习的黑箱特性会是硬伤
• 任务本身有明确规则或公式可写，直接写规则比训练模型省事得多
• 算力和标注成本受限时，先跑一个传统模型做基线，再决定要不要往前走一步
• 团队里没人能维护训练和调参流程，先上传统方案，出问题也好排查

1. 先写清任务目标用一句话说清输入是什么、输出是什么、错判的代价有多大。写不出来就说明还没到选模型这一步。
2. 查数据量和结构看有多少条样本、字段是否规整。数据少且规整，优先考虑传统方法。
3. 跑一个简单基线用传统模型或直接写规则先跑出结果，验证问题本身有没有解。
4. 再判断要不要升级只有当基线明显不够、且数据量能撑起来时，才考虑深度学习，并到站内工具目录对照可用的方案。

看懂资料与选工具时的对照用法

知道层级关系之后，最直接的用处是看懂别人写的东西，以及在选工具时不被大词带偏。下面这张对照表可以当速查用。

选工具时同理：先知道自己要的是规则、统计模型还是神经网络，才不会为大词买单。涉及模型能力对比和各家接口的价格口径，站内数据页的数字随时在变，按当时的页面为准，别拿旧截图当依据。