很多人第一次接触这块，卡在「机器学习」和「深度学习」到底是包含关系还是两码事：有人说深度学习就是机器学习的一种，有人说深度学习是新一代机器学习。概念没理顺，后面看模型库、选工具、跟技术同事对话都会拧巴。这篇不讲公式，只讲关系和边界：谁套着谁、本质区别落在哪几步、什么情况下深度学习并不划算，最后给一份可以自己走的判断顺序。
第一次接触这块的人，常常卡在一个地方：机器学习与深度学习到底是包含关系，还是两码事。有人告诉你深度学习就是机器学习的一种，也有人说深度学习是新一代机器学习，听完更糊涂。概念没理顺，后面看模型资料库、挑工具、跟技术同事对话都会拧巴，甚至把该用简单办法的事硬套上深度模型。这篇不讲公式，只讲关系和边界：谁套着谁、本质区别落在哪几步、什么情况下深度学习其实不划算，最后给一份能自己照着走的判断顺序。
重点不是记住定义，而是掌握一条可复用的判断线：这个活儿该用哪一类方法，用了之后谁来维护、能不能解释。把这条线理顺，你看站内模型条目、价格追踪和评测页时就知道自己真正该关心哪几列，而不是被名词牵着走。
先理清关系：一个是大圈，一个是圈里的一块
最省事的记法：机器学习是一个大圈，指「让程序从数据里自己找规律」这一整套思路；深度学习是圈里的一块，专指靠多层神经网络自动做特征提取的那一支。所以深度学习一定是机器学习，反过来则不成立。这个包含关系先钉死，后面所有讨论都不会跑偏。
真正的分界线不在「用没用 AI」，而在特征是谁定的。传统机器学习通常要人先把特征挑出来，比如预测房价时手动选出面积、楼层、房龄这些字段；深度学习把挑特征这一步也交给网络自己去学。任务越接近人自己也说不清特征长什么样，这一步的差别就越明显。
- 机器学习
- 让程序从数据里自己找规律的一整套思路，含决策树、线性回归等传统办法
- 深度学习
- 机器学习里靠多层神经网络自动提取特征的一支，是子集不是替代品
- 特征
- 模型用来做判断的输入线索，传统方法多由人挑，深度方法让网络自己学
- 可解释性
- 模型能不能说清「为什么给出这个结论」，这是两类方法常被拿来对比的点
跟技术同学对齐方案时，最怕的就是双方嘴里的「机器学习」指的不是一个东西。建议开场就把范围说清楚：是泛指整类方法，还是特指神经网络那一支。名词归属拿不准，可以到 /ai-dict/category/basics 和 /ai-dict/category/tech 对照条目再往下判断。
什么时候老办法就够：数据量和任务类型的判断
很多人默认深度一定更强，其实在样本少、字段清晰、要求可解释的场景里，传统方法往往更稳。给几百条客户记录做流失预测，用决策树能直接说出是哪个条件触发了判断；换成深度网络，效果未必更好，解释难度却上去了。
| 判断维度 | 倾向传统机器学习 | 倾向深度学习 |
|---|---|---|
| 可用标注样本量 | 少，几百到几千条就能起步 | 多，且可持续补充 |
| 输入类型 | 结构化表格、字段含义清楚 | 图像、音频、长文本等原始材料 |
| 是否要解释结论 | 业务、法务、审计要问原因 | 只看结果，能接受近似归因 |
| 团队维护能力 | 没人专职调参也能维护 | 有稳定的训练与推理维护流程 |
| 上线后改动频率 | 规则变了改特征即可 | 要管数据版本、权重与推理资源 |
想知道某个模型具体属于哪一类、有什么价位，到 /models 和 /ai-dict/category/application 看当时的条目，别凭印象记。站内这些页面会随数据更新，你看到的数字才算数。
代价差别：为什么很多业务不该直接上深度
同样是「训练一个模型」，两类方法上线后的账不一样。解释成本上，业务、法务、审计常问「为什么给出这个结论」，深度模型一般只能给概率和近似归因，传统模型能直接看规则；一旦涉及对客户解释、对外申诉，这个差别会直接决定方案能不能用。
- 解释成本：深度给概率和近似归因，传统方法能看规则，问「为什么」的场合差别很大
- 维护方式：传统模型重训便宜、排查直观；深度要管数据版本、权重和推理算力，出问题排查链条长
- 合规边界：把原始录音、影像这类非结构化数据喂进去之前，先按 /safety 和站内数据边界清单过一遍
- 人才依赖：没人会调参、不会看训练曲线，深度方案跑不起来也维护不了
- 改动响应：业务规则一变，传统方法改特征即可，深度往往要重训并重新验证
有个简单的判断：能用人写规则或简单特征解决的事，先别上深度；深度留给规则写不出来、数据又足够的活。这不绝对，比如做方言语音识别，规则根本写不出来，那深度就是合理选择。反过来，如果只是把几个字段按阈值分档，硬上深度只会拖慢上线。
一份可照着走的判断顺序
理论讲完容易忘，下面这套顺序可以每次做技术选型时照着走。它不保证选出最优解，但能帮你避开「概念没分清就拍板」这类最常见的坑。
- 第一步：看任务输出是什么先问输出是数字、类别，还是图像音频文本这类原始材料。后者才需要认真考虑深度，前者先从简单模型试起。
- 第二步：数可用的标注样本量样本少就先做简单模型和现成特征的基线，跑通了再谈升级。没有基线，升级方向也没法比较。
- 第三步：问清上线后谁维护能不能接受「说不出理由」，谁负责重训和排查。答不上来，就退回可解释的方案。
- 第四步：真要选具体模型或服务用 /models 和 /benchmarks 当时的口径对比，别拿别人文章里的老数字做决定，链接和结论都要注明来源与时间。
- 第五步：把结论写进文档写清判断依据、排除过的选项和适用前提。下次换人接手，不用把同一场争论再吵一遍。
这套顺序有两个不适用的情况：一是做纯研究或效果上限实验，可以跳过维护性和可解释性的考量；二是已有成熟深度管线在跑、只在做增量优化，那就按现有工程约束走，不必退回基线重来。
下一步拿一个你手头真实的场景，按上面五步走一遍，再对照站内模型库和评测页核对当时的条目与数字，比死记定义有用得多。→常见问题
深度学习是不是比机器学习更高级、更先进？
不是高低关系，是适用面不同。深度学习属于机器学习的一支，它擅长处理图像、语音、长文本这类人难以手动设计特征的任务；但在样本少、要求可解释的场景里，传统机器学习往往更省事也更稳。判断标准是任务和数据，不是哪个词听起来更时髦。
我们团队人少，是不是就完全不用碰深度学习？
多数日常业务确实可以先不碰。分类、打分、预测这类结构化数据任务，简单模型加好特征就够用。但如果核心业务本身就是图像、语音或文档理解，绕不开深度模型，这时更现实的做法是直接用托管接口，而不是自己从头训练，把精力放在数据和流程上。
怎么快速确认某个模型算哪一类、能不能满足需求？
别靠记忆和转述。先在站内术语页把基础概念对清楚，再去模型库按任务类型筛一遍，看它的输入输出形式和适用说明；涉及价格、版本这类会变的信息，一律以站内页面的当时数据为准，不要用别人文章里抄来的数字做决策。
