AI认知篇01：快速分清AI、机器学习与大模型

你的手机相册里有一个你可能每天都在使用的功能，打开后照片已被自动归类。人物照归人物，风景照归风景，你家猫咪的照片也能被准确识别，甚至连去年在泰国海边拍的旧照都能被它翻出来。

这个功能背后所使用的技术，就是大家常说的 AI。

但你可能也有这样的感觉：每次刷到相关内容或与人讨论时，那些术语总是绕来绕去——AI、人工智能、机器学习、深度学习、大模型、大语言模型……听起来像是一回事，又总觉得哪里不对劲。

你想问吧，怕显得外行。不问吧，下次聚餐别人聊起来你只能跟着点头。

坦白讲，这种困惑非常正常。不是因为你不够聪明，而是这几个概念确实容易混淆，加上很多自媒体为了省事经常混用，导致大家误以为它们是同一个东西。

今天我们就来理清这套关系。不用背定义，也不用记术语，只要记住一个“套娃”的逻辑就行。

先说最外层那个最大的，叫做AI（AGI和AGS又是什么，可以在评论区搜索一下）。

全称人工智能，Artificial Intelligence。名字听起来很高大上、很唬人，但实际上意思很简单：让机器做一些通常需要人类才能完成的、带点智力的事情。

这里要插一句，是做出智能的表现，并不意味着机器真的具备了意识和思考能力。这个区分很重要，以后聊到边界时会详细展开。

AI这个筐有多大呢？你手机上的语音助手算AI，短视频平台给你推荐内容的算法算AI，自动驾驶算AI，连当年下围棋击败人类冠军的程序也算AI。

只要是一个机器在做一件需要“动脑子”才能完成的任务，基本上都能塞进AI这个大筐里。

所以AI不是一个具体的软件或产品，它更像一个领域的大名。就像“车”这个词，轿车是车，卡车也是车，你不能问别人车好不好开，得先问是哪一种。AI也是同样的道理。

往里剥一层，你会遇到机器学习。

这是目前AI领域中最主要的一种工作方式。

以前写程序的思路是：程序员把每一步都写死，如果用户点了A按钮，就执行B操作，所有逻辑都是人一条一条规定好的。

机器学习走了另一条路。它不让程序员写死规则，而是给它灌入大量数据，让它自己去找规律。

还是拿相册分类举例。开发者不需要写“如果图里有两只眼睛和一个鼻子那就是人脸”这种规则，他只需要准备好几十万张已经标注好的照片，告诉算法哪些是人脸、哪些是风景、哪些是猫，然后让它自己去观察、比对、归纳。

看得多了，它就会了。

所以机器学习这件事，说到底就是从海量数据中找规律，而不是靠人把规则一条条写死。这也是为什么最近十几年AI突然变得这么能干，因为数据多了，算力也跟上了。

再往里剥，就到了今天的主角，大模型。

准确的说法叫“大语言模型”，英文Large Language Model，圈内通常缩写成LLM。

它是用机器学习方法训练出来的一个新物种，也是你现在打开任何一个AI对话窗口时，真正在跟你聊天的那个家伙。

为什么叫大语言？因为训练它的数据量非常大，参数量也非常大。你可以把它理解成一个读了天文数字级别文本量的超级大脑。量级大到什么程度呢？大概是你这辈子能读完的所有书加起来，还不够它的零头。

为什么叫语言模型？因为它主要是在理解和生成语言。你跟它说话它能听懂，你让它写东西它能写出来，你问它问题它能答。这些都是围绕语言的能力。

但如果你觉得它只会聊天，那就小看它了。它在读取这么多文字的过程中，不仅学会了词汇和语法，还学会了概念之间的联系、推理的方式，甚至一些常识性的判断。

所以你才会看到同一个工具，既能帮你写周报，又能帮你翻译合同，还能陪你拆解一个商业方案。底子是同一套本事，只是在不同场景下被激活了不同的部分。

好，现在我们把三层套娃叠回去看看。

最外层是AI，一个大概念，所有让机器变聪明的事都往里装。

中间层是机器学习，是这个大筐里目前最主流的一套方法论，不写死规则，靠数据喂养来找规律。

最里面是大模型（大语言模型），是用机器学习的方法训出来的、专门对付语言的那个新玩意儿，也就是你日常实际接触到的那个东西。

说到这儿你可能会问，那ChatGPT、Claude、Kimi、文心一言、通义千问这些又是哪个层面的？

它们都是大模型这个层里面的具体产品，不同公司做的，各有各的性格，各有各的强项。就像智能手机这个品类下有苹果、华为、小米，底层原理相通，但体验和侧重确实不一样。

这几家的脾气和差异，后面会专门聊一篇。这篇先把概念搞清楚。

因为你会发现，一旦搞清楚了这三层的包含关系，后面很多事情就不容易晕了。比如为什么有人说“AI啥都能干”，另一个人说“AI做起事来也就那样”——很有可能他们嘴里的AI根本就不是一个层面上的东西，没在一个频道。

我是诺维安，如果你身边也有分不清这些词的朋友，转发给他，省得他下次聚餐又要假装点头。