机器学习 和 深度学习 的区别

你大概遇到过这种场面：同事嘴里「机器学习」和「深度学习」混着说，你看教程时也分不清两者是并列还是包含关系，更不知道手上那点数据到底该往哪个方向做。这篇不讲公式，先把从属关系和差异摆清楚，再给一套按数据量、特征形态、算力条件去判断的对照思路，最后说明哪些情况这套判断不成立。

你大概遇到过这种场面：同事嘴里「机器学习」和「深度学习」混着说，你看教程时也分不清两者是并列还是包含关系，更不知道手上那点数据到底该往哪个方向做。这篇不讲公式，先把从属关系和差异摆清楚，再给一套按数据量、特征形态、算力条件去判断的对照思路，最后说明哪些情况这套判断不成立。

读完之后你至少能做到两件事：听到一个任务需求，能判断它大概率落在哪一类方法里；面对一个已经上线的模型，能问出几个关键问题来确认它属于哪一层。这两件事比背定义有用得多。

先理清从属关系：不是并列，是包含

很多人卡住的第一步，是把这几个词当成同一层级的概念在比。实际上它们是一层套一层的：人工智能是最大的那一圈，指的是「让机器表现出类似智能的行为」这个总目标；机器学习是其中一条实现路径，核心是「不写死规则，从数据里学规律」；深度学习又是机器学习里的一类具体方法，特点是靠多层网络结构自己形成中间表示。

判断一段描述属于哪一层，就问自己：它讲的是目标、是方法、还是具体结构？讲目标的归到最外层，讲学习方式的归到中间层，讲到网络层数、结构、参数怎么组织的，才落到深度学习那一层。

很多争论其实是混层造成的。有人拿「人工智能」的宏大目标去要求一个具体的「深度学习」方案，自然觉得哪里都对不上；也有人把一个深度学习模型的失败，直接推广成「机器学习不靠谱」。遇到陌生术语拿不准层级，先到 /ai-dict 与 /ai-dict/category/basics 对一遍定义再往下读，比在讨论里猜要省事。

核心差异：特征是人给的还是自己学的

如果只记一句话的区别，那就是：传统机器学习通常要人先把特征设计好，深度学习把特征提取也纳入了学习过程。举例说，要让模型判断一条评论是好评还是差评，传统做法是人先决定「看词频、看句子长度、看有没有关键词命中」，把这些算成特征再喂给算法；深度学习则可以把接近原始的文本直接输入，中间的表示由模型自己形成。

人工特征工程

由人根据业务理解挑出哪些信息重要，再转成数值交给算法

表示学习

模型自己从数据里学出中间表示，人不再逐个指定看什么

可解释性

能不能说清楚模型是基于哪些依据做出判断的

这件事带来的代价差异比想象中大。深度学习省掉了大量人工特征工作，但对数据量和算力的敏感度高，训练和调参的时间成本也更高；传统机器学习在小数据上更容易跑出可用结果，判断依据通常也更容易向业务方解释。所以不是谁更先进的问题，而是「看什么」这件事你想不想、能不能交给模型。

• 特征含义清晰、业务方要逐条核对判断依据时，传统方法往往更容易过评审
• 输入是像素、波形、原始文本这类高维难描述的数据时，深度学习省下的特征工作量非常可观
• 样本很少但标注很贵时，先考虑传统方法或规则加统计，别急着搭网络
• 算力和维护人力有限时，深度学习带来的持续投入要提前算进去

按数据条件判断：多少数据才值得上深度学习

这一节不给具体数字，因为门槛随任务难度、标注质量和目标精度变化很大，写死一个数只会误导你。但判断顺序是稳定的：先看样本量级，再看标注质量，最后看类别是否均衡。三个条件都说得过去，才谈得上上深度学习。

1. 数样本量级统计可用于训练的样本有多少条，注意是清洗后、去重后的数量，不是原始表里的行数
2. 查标注质量随机抽一批样本人工核对标注是否正确，标注口径不统一的话，再多的数据也救不回来
3. 看类别分布统计各类别占比，严重不均衡时先想清楚评估口径，否则模型效果好看但没用
4. 对照结论三项都过关再考虑深度模型；任一项明显薄弱，先用传统方法把流程跑通

数据量这个维度上还容易被忽略一点：任务难度本身会改变门槛。同样是分类，区分「猫和狗」和区分「两种外观相近的工业零件」，需要的样本量完全不是一个量级。关于某个具体任务的常见数据要求，可以到 /ai-dict/category/tech 与 /ai-dict/category/application 对照术语和场景说明，那里对各类任务的输入形态有分类整理，别凭印象拍数。

另一个务实判断是看数据增长速度。如果样本现在不多，但业务上线后每天都稳定产生新的标注数据，那可以先上传统方法占位，等数据攒够再考虑换路线；反过来，数据就这么一批、以后也拿不到更多，那更适合选一个在当前数据量下就能稳定工作的方法。

场景对照：常见任务分别落在哪一边

光讲差异容易空，落到具体任务上会更清楚。下面这张表按输入形态和维护成本给你一个粗略对照，实际选型还要结合上面的数据判断。

中小团队的务实做法是：能用现成模型接口解决的任务，先把精力放在数据整理和业务判断上，而不是自己从零训练。已经有人把通用能力做成服务了，你重复造一遍通常不划算。真需要自建时，先确认算力成本和长期维护成本，算力行情可以到 /compute 与 /compute/price-index 看当时的口径再决定，别按印象估算。

• 结构化表格类任务优先试传统方法，上线快、复盘的路径也清晰
• 高维难手工描述的信号类任务，深度学习优势明显
• 先问「有没有现成接口能解决」，再问「要不要自己训练」
• 自建前把算力和人力投入列成清单，和收益放在一起比较

最容易踩的四个认知坑

入门阶段最容易犯的错，不是不懂技术，而是把技术选型当成一次性的立场选择。下面四个坑，几乎每个人都会碰到至少一个。

• 把深度学习当成「更高级所以更好」，忽略它在小数据和强解释需求下的劣势
• 把模型选型当成一次性决定，实际上数据积累到一定阶段是可以换路线的
• 只看效果不看维护，忽略自建深度模型意味着持续的数据、算力和调参投入
• 拿别人的任务结论直接套自己的场景，忽略数据分布和标注口径的差异

第二条尤其值得强调：选型不是结婚。先用简单方法上线，收集真实反馈和数据，等条件变了再评估要不要换，这条路对多数团队更稳。第三条则是最容易被低估的成本项——模型上线只是开始，后面的数据回流、版本管理和效果监控都要有人管。

第四条有个自查办法：在参考别人的结论之前，先写清楚自己任务的输入形态、样本来源、标注口径和评估指标，四项里只要有一项对不上，那个结论就不能直接搬。任务看起来相似但输入分布不同，效果可能差很远。

入门学习路径：先建立判断力再学工具

很多初学者一上来就装框架、跑教程，结果学了几个月还是说不清手上任务该用哪类方法。更有效的顺序是先建立判断力，再补工具和实现。

1. 建立概念判断力能用自己的话解释三层从属关系，并说明为什么某个任务会偏向某类方法
2. 跑通一次传统流程挑一个结构化数据集，完整走一遍训练、验证、评估，理解这条主线在做什么
3. 再接触深度模型重点看它比传统方法多出来的那部分（表示学习、算力依赖）带来了什么变化
4. 建立术语对照习惯遇到没把握的词，先到站内术语库核对层级和定义，再继续读材料

学习资源和课程可以到 /ai-nav/category/ai-education 与站内学习类清单里挑，按自己的基础和目标筛，不要一上来堆一堆框架文档。工具和环境相关的准备可以看 /tools 里的分类，先解决能跑起来的问题，再谈优化。

判断自己有没有走对路的一个简单标准：能不能在五分钟内，向一个不懂技术的同事说清楚你手上的任务为什么选这类方法，以及什么情况下你会换。说不清楚，说明判断力还没建立起来，这时候补再多工具也没用。

这套判断什么时候不适用

上面这套按数据量、特征形态、算力条件做判断的思路，在需要自建模型的场景下很好用，但它不是万能的。下面三种情况，这套标准要让位。

第一种，预训练大模型普及之后，很多任务已经不需要你自己选路线了。调用接口就能拿到不错的效果，此时判断标准变成了「要不要微调、要不要自建」，而不是「机器学习还是深度学习」。第二种，强监管或数据不能出内网的场景，选型首先受合规约束，技术优劣排在后面，这时候讨论哪类方法更好意义有限。第三种，任务目标本身没定义清楚的时候，讨论用哪类方法没有意义，得先把评估口径和成功标准定下来。

所以更准确的说法是：这套判断帮你建立选型的思考顺序，而不是给你一个永久答案。技术供应方式在变，工具的边界也在变，能跟着条件调整判断，比记住某个结论更重要。