02: 一文厘清 AI、机器学习与深度学习的层级关系

本文是「机器学习从 0 到 1」系列的第二篇文章。继上回探讨了机器学习的定义后，本期将重点解析一个常被大众混淆的议题：AI、机器学习以及深度学习，这三者究竟有何关联？

当你浏览资讯时：

"某企业利用 AI 技术完成了癌症的初期筛查。"

接着看到：

"深度学习模型在图像辨识领域已超越人类表现。"

再看到一条：

"机器学习协助银行侦测欺诈性交易。"

三条资讯，出现了三个不同的术语。

然而，它们所指的其实是相近的技术范畴。

那么，这三个词汇究竟是否等同？

若非同物，彼此间又存在何种联系？

许多人对这三者的认知往往是：

认为它们是可以互相替换的同义词。

然而事实真相是，它们的关系呈现为：

三个同心圆，逐层包含。

深度学习隶属于机器学习，而机器学习则隶属于人工智能。

它们并非同一概念，但存在明确的从属逻辑。

本文将逐一拆解这三个圆圈的内涵。

人工智能（Artificial Intelligence，简称 AI）是范围最大的外圈。

其定义相当广泛：

泛指一切能让机器展现出某种"智能"行为的技术与方法总和。

请注意定义中的两个核心词："机器"与"智能行为"。

究竟何为"智能行为"？

会下棋算吗？能对话算吗？能辨识面孔算吗？

此问题尚存争议。但通常我们所指的"智能行为"涵盖：

人工智能这一概念，早在 1956 年便已提出。

彼时既无大数据，也无 GPU，计算机算力极为匮乏。

因此早期的 AI，依赖的并非数据，而是规则与逻辑。

早期曾流行一种称为专家系统的 AI。

其做法是：邀请一批领域专家（如医师），将其知识整理为规则，编入程序中。

例如一套医疗诊断专家系统，内部可能内含数千条规则：

此类方式在特定领域曾十分奏效。

但它存在一个致命缺陷：

规则由人编写，人能写出多少规则，系统便只能处理多少情境。

一旦遭遇规则未覆盖的状况，系统便束手无策。

现实世界过于复杂，人类无法编写出足以涵盖所有情况的规则。

AI 的首次热潮，便因此逐渐消退。

随后，随着数据量激增与算力提升，一种新思维开始兴起：

与其让人类编写规则，不如让机器自行从数据中学习规则。

这便是机器学习。

机器学习（Machine Learning，简称 ML）是 AI 大圈中的一个子集。

其核心思想前文已述及：

非由人写规则，而是让机器从数据里归纳规律，并利用规律进行预测。

机器学习让 AI 真正变得"实用"。

垃圾邮件过滤、推荐系统、信用评分、图像分类……

这些如今习以为常的应用，背后多由机器学习驱动。

机器学习并非单一算法，而是一大类方法的集合体。

常见的包括：

这些算法具备一个共性：

它们大多依赖人工设计的特征。

何谓"人工设计的特征"？

举例来说：若想用机器学习识别猫的图片。

你需先告知程序：去观察图片的颜色分布、边缘轮廓、纹理模式……

这些"观察重点"的信息由人来设计，再交给模型去学习。

这在许多场景中效果显著。

但面对某些复杂难题，如语音识别、自然语言理解、高分辨率图像处理……

人工设计特征变得愈发困难，甚至无法实现。

此时，深度学习应运而生。

深度学习（Deep Learning，简称 DL）是机器学习圈内的一个子集。

其核心工具为神经网络——一种受人类大脑结构启发的计算模型。

深度学习的最大突破在于：无需人工设计特征，它能直接从原始数据中学习特征。

仍以识别猫为例。

传统机器学习：你指定程序关注哪些特征 → 程序学习这些特征与"猫"的关联。

深度学习：你将原始图片直接输入神经网络 → 它自行决定关注何种特征 → 自主学习与"猫"的关系。

此差异看似细微，影响却极其深远。

由于深度学习将"特征提取"这一步也实现了自动化，因此其能处理的问题复杂度大幅提升。

这是因为神经网络是由一层层结构堆叠而成。

层数越多，网络越"深"，所能学习的模式便越复杂。

"深度学习"中的"深度"二字，指的正是这种层数的深度。

深度学习的基本理念，其实早在数十年前便已萌芽。

但它需要两个条件才能真正释放威力：

条件一：海量数据

神经网络需要庞大数数据才能训练得当。互联网兴起后，此条件方得满足。

条件二：强劲算力

神经网络的训练计算量极大。GPU 的发展使其成为可能。

2012 年，名为 AlexNet 的深度学习模型，在图像识别竞赛中以压倒性优势击败了所有传统机器学习方法。

自那一年起，深度学习进入了爆发式增长期。

仅看定义或许仍显抽象。

我举个类比助您记忆三者关系。

试想交通工具这一大类：

交通工具是最大概念——所有能运送人或货物的器具皆属此类。

汽车是交通工具的一种——是目前最普及、最常用的类型。

特斯拉电动车是汽车的一种——是近年最热门、性能最强的代表。

对应到我们的三个概念：

这个类比还能助您理解另一要点：

特斯拉属于汽车，但并非所有汽车都是特斯拉。

同理：

深度学习属于机器学习，但并非所有机器学习都是深度学习。

若您用随机森林预测用户流失，这是机器学习，但非深度学习。

若您用 BERT 进行文本情感分析，这既是深度学习，也是机器学习，更是 AI。

说了这么多，您或许有个最实际的问题：

我该先学 AI、机器学习，还是深度学习？

我的建议是：先掌握经典机器学习，再拓展至深度学习。

原因有三：

深度学习训练需大量数据与算力，调试难度也更高。

经典机器学习算法（如线性回归、决策树、随机森林）：

并非所有问题都需深度学习。

预测用户流失、预估商品销量、识别欺诈交易……

这些典型业务问题，经典机器学习通常能给出优异结果。

甚至在许多场景下，经典机器学习优于深度学习——因为数据量未必巨大，且模型更易解释。

深度学习中的许多概念，在经典机器学习中已有雏形：

先学经典机器学习，理解这些概念后，再学深度学习会顺畅许多。

反之，若直接攻读深度学习，会有大量概念不知来源，学起来十分吃力。

本系列将陪您走完前两步。

夯实此基础，日后无论朝哪个方向发展，都会轻松许多。

我们用这张图来铭记今日内容：

三句话牢记三者关系：

深度学习 是 机器学习 的一种 机器学习 是 人工智能 的一种 但它们并非同一事物

另附一张对比表，助您快速掌握三者核心差异：

理清了这三个概念的关系，您可能又冒出个问题：

那我要学机器学习，需具备什么基础？数学要学到何种程度？Python 要掌握到哪？我目前的基础够起步吗？

下一篇，我将为您彻底厘清此问题。

不同背景者需补充的内容各异。我会分情况提供一套可直接执行的学习路径。

若本文对您有益，欢迎转发给同样被这三个词困扰的朋友。

您初次听闻"深度学习"这个词是何时？当时感受如何？欢迎在评论区交流。