AI、机器学习、深度学习、LLM —— 一张图理清四个套娃概念
普通课约 50 分钟
本课导读
AI、机器学习、深度学习、大语言模型——这四个词你肯定都见过，也大概率被它们绕晕过。学完本课，你能把四者的关系画成一张图讲给别人听，并且能一眼识破"AI 就是 ChatGPT"这类常见的说法错在哪。这是后面所有课程的地基。
先看图：一组套娃
这四个概念不是四个并列的东西，而是一层套一层的关系，像套娃：
人工智能（AI）
让机器做"需要智能的事"——一个大目标
机器学习（ML）
实现 AI 的主流方法：从数据里学规律
深度学习（DL）
用"多层神经网络"来学的机器学习
大语言模型（LLM）
用深度学习在海量文本上炼成的超大模型
从外到内：AI 是目标，机器学习是方法，深度学习是方法中的一支，大语言模型是这一支结出的一个果实（ChatGPT 背后就是它）。
下面一层层拆开看。
第一层：人工智能（AI）——一个目标
人工智能（Artificial Intelligence，AI）是最外面的大圈，它其实不是某项具体技术，而是一个目标：让机器去做那些"通常需要人类智能才能完成"的事——认出照片里的人、听懂一句话、下赢一盘棋、规划一条路线。
打个比方：「让家里人吃上晚饭」是一个目标。实现它的方式有很多——自己做、点外卖、下馆子。AI 就是"让机器变聪明"这个目标本身，至于怎么实现，圈里有不同的路线。
早期的主流路线是规则系统：程序员把人的知识写成一条条"如果…就…"的规则。比如早年的垃圾邮件过滤："如果邮件里出现'中奖'两个字，就扔进垃圾箱"。这条路线的问题你可以想象——世界太复杂，规则永远写不完，而且垃圾邮件的发送者换个词就绕过去了。
说明
所以"AI"这个词涵盖的范围很广：几十年前的规则系统是 AI，今天的 ChatGPT 也是 AI。这也是为什么单说"我在用 AI"信息量很低——就像只说"我解决了晚饭问题"，没说是做的还是点的。
第二层：机器学习（ML）——换一种思路的方法
机器学习（Machine Learning，ML）是 AI 圈里如今的主流路线。它的核心思想只有一句话：
别再逐条教机器规则了，给它看大量例子，让它自己总结规律。
想想你怎么教一个小孩认识"狗"。你不会给他念定义——"四足哺乳动物，犬科，有毛……"——你只是在路上见到狗就指给他看："这是狗。"见过几十只之后，他自己就总结出了"狗长什么样"，连没见过的品种也认得出。
机器学习就是这个过程的工程版：
- 例子（数据）：几万封已经标好"垃圾/正常"的邮件
- 自己总结（训练）：算法反复看这些邮件，调整内部的判断依据
- 总结出的规律（模型）：一个能给新邮件打分的程序——"这封 92% 像垃圾邮件"
这里出现了两个你以后天天会见到的词：训练（用数据调教的过程）和模型（调教出来的成品）。模型本质上是一个"输入 → 输出"的函数：进一封邮件，出一个判断。
传统编程和机器学习的区别，可以这样记：
| 传统编程 | 机器学习 | |
|---|---|---|
| 人提供什么 | 规则 | 例子（数据） |
| 机器做什么 | 按规则执行 | 从例子里总结规律 |
| 适合的问题 | 规则说得清（算工资、算税） | 规则说不清（认人脸、听语音） |
"规则说不清"是关键。你能写出"怎么算个人所得税"的完整规则，但你写不出"怎么认出一张脸"的规则——你自己会认脸，却说不清是怎么认的。凡是"人会做但说不清怎么做"的事，就是机器学习的主场。
第三层：深度学习（DL）——用"深"网络学习
机器学习圈里又有很多种具体的学法（后面阶段 2 会正式认识几种）。其中一支从 2012 年起一骑绝尘，几乎以一己之力带来了这波 AI 浪潮——它就是深度学习（Deep Learning，DL）。
深度学习的特点是用神经网络来学习——一种受大脑神经元启发的计算结构。而"深度"指的是这个网络层数多。
层数多有什么用？想想一道菜的加工链：洗菜 → 切菜 → 腌制 → 下锅 → 调味。每道工序都在前一道的基础上加工，越往后越接近成品。深层神经网络也是这样逐层加工信息的。以认照片为例，大致是：
- 前面的层识别最基础的东西：边缘、亮暗
- 中间的层把边缘拼成形状：圆形、条纹
- 更深的层把形状拼成部件：眼睛、耳朵、轮子
- 最后的层给出结论："这是一只猫"
没有任何人告诉网络"要先找边缘再找眼睛"——这套流水线是它在训练中自己长出来的。这正是深度学习强大的原因：连"该提取什么特征"都不用人教。
提示
记住这个对应关系：深度学习一定是机器学习（它是机器学习的一种），但机器学习不一定是深度学习（还有很多不用神经网络的学法）。下一课我们会钻进神经网络内部，看看"学习"在数学上到底发生了什么。
第四层：大语言模型（LLM）——这波浪潮的主角
大语言模型（Large Language Model，LLM）是深度学习家族里专攻语言的一类模型，也是你这两年感受到的 AI 巨变的直接来源。
拆开这个名字：
- 语言模型：它学习的材料是文字。训练目标简单到令人意外——猜下一个词。给它"今天天气真"，它要猜出"好"。就靠这一个朴素的游戏，在读过互联网规模的文本后，它硬是学出了语法、知识、推理甚至写代码的能力。
- 大：大在两处。一是参数多——参数是模型内部可调节的"旋钮"，训练调的就是它们，主流 LLM 的参数以千亿计；二是训练数据多——几乎读遍了公开互联网的文本。
注意
注意区分模型和产品：GPT、Claude 这类是模型（引擎），ChatGPT 是把模型包装成对话应用的产品（整车）。就像发动机和汽车的关系——日常口语里常混着说，但你既然要转行进这个行业，从今天起就把它们分开。
另外你还会常听到一个词：生成式 AI（Generative AI）——所有"能产出新内容"的 AI 的统称，产文字的 LLM、产图片的绘画模型都算。它和这组套娃是交叉关系，不在主线上，知道即可。
回到那张图
现在可以把套娃图收进一句话里：
AI 是目标，机器学习是实现它的主流方法，深度学习是机器学习中最能打的一支，大语言模型是深度学习在语言上炼出的超大模型。
以后再有人把这四个词混着用，你脑子里会自动浮现四个套娃——这就是"建立了概念框架"的感觉。整个阶段 0 到阶段 2，我们都会在这张图上逐步填入细节。
随堂测验
1. 四个概念按范围从大到小排列，正确的是？
2. 机器学习和传统编程最本质的区别是什么？
3. 深度学习里的“深”指的是什么？
4. ChatGPT 和大语言模型（LLM）的关系，下面哪个说法最准确？
5. 下面哪句话是正确的？
延伸阅读（可选，跳过不影响主线）
- 吴恩达《AI for Everyone》第一周（Coursera，可免费旁听，有中文字幕）——面向非技术人的 AI 全景，和本课视角互补。
划选正文任意文字可高亮、批注或加入复习卡
讨论
载入中…