1.1AI、机器学习、深度学习、生成式 AI 的关系

先给直觉

可以把 AI 看成一个很大的工具箱。

这个工具箱里有很多层工具：

• 有些工具负责分类，比如判断一封邮件是不是垃圾邮件。
• 有些工具负责预测，比如预测明天某个商品的销量。
• 有些工具负责识别，比如识别图片里有没有猫。
• 有些工具负责生成，比如写一段文字、画一张图、生成一段代码。

LLM 只是这个大工具箱里非常重要的一类工具。它很强，但不是整个 AI。

更准确的关系是：

AI
└── 机器学习
    └── 深度学习
        └── 生成式 AI
            └── 大语言模型 LLM

这不是严格的数学集合图，但对入门理解足够有用。

图：AI 是最大的一层，LLM 是大工具箱里非常重要的一类工具，不是整个 AI。

技术解释

AI：最大的一层

AI，也就是人工智能，是一个总称。只要机器表现出某种通常需要人类智能的能力，都可能被放进 AI 这个大范围里。

比如：

• 下棋程序
• 图像识别
• 语音识别
• 推荐系统
• 自动驾驶感知
• ChatGPT 这类聊天模型

注意：早期很多 AI 系统并不依赖深度学习。它们可能靠人工写规则、搜索算法或统计方法工作。所以 AI 不是 2022 年才突然出现的东西。

机器学习：让机器从数据中学规律

机器学习是 AI 的一个重要分支。

传统写程序时，人类写规则：

如果满足条件 A，就执行动作 B。

机器学习的思路是：

给机器大量样本，让它自己学出输入和输出之间的规律。

例子：

• 给模型很多房屋数据，让它预测房价。
• 给模型很多邮件，让它判断垃圾邮件。
• 给模型很多用户行为，让它推荐内容。

机器学习的核心变化是：人类不再手写所有规则，而是设计训练方法，让模型从数据里学。

深度学习：用多层神经网络学习复杂模式

深度学习是机器学习的一个分支。

“深度”主要指神经网络有很多层。每一层会提取不同层次的特征。

在图像识别里，浅层可能学到边缘和颜色，中间层可能学到形状，高层可能学到物体结构。

在语言模型里，不同层可能学习词法、句法、语义、上下文关系等模式。这里不要理解得太机械，模型内部不是写着“第 8 层负责语法”，但分层处理确实让它能表示复杂模式。

生成式 AI：重点从“判断”走向“生成”

很多传统 AI 任务是判别式的：

• 这张图是不是猫？
• 这封邮件是不是垃圾邮件？
• 这个用户会不会流失？

生成式 AI 的重点是生成新内容：

• 写文章
• 写代码
• 画图
• 生成音乐
• 总结视频
• 改写文案

它不是简单复制训练数据，而是学习数据中的模式，再根据输入生成新的内容。这个“新”不代表一定原创，也不代表一定正确。模型可以生成很流畅的错误内容，这就是后面会讲的幻觉问题。

LLM：生成式 AI 中处理语言的关键模型

LLM 是 Large Language Model，大语言模型。

它的基本任务可以粗略理解为：

根据前面的文本，预测下一个 Token。

这个目标听起来很简单，但当模型足够大、数据足够多、训练足够充分时，它会表现出很多复杂能力：

• 对话
• 总结
• 翻译
• 写代码
• 解释概念
• 模拟角色
• 根据工具返回结果完成任务

这里有一个重要判断：LLM 的很多能力来自语言中的结构和世界知识，但它并不是像人一样理解世界。它很强，但不是神灯，也不是数据库。

案例

假设你在做一个“学习助手”产品。

里面可能同时用到多类 AI：

• 推荐系统：根据学习记录推荐下一节课。
• 语音识别：把学生语音转成文字。
• LLM：回答学生问题、解释概念、生成练习题。
• 图像理解模型：识别学生上传的手写笔记。
• 生成式图像模型：生成概念示意图。

如果把这些全部叫“用了大模型”，就会让产品设计变糊。不同能力需要不同模型、评估方式和风险控制。

常见误区

误区 1：AI 就是 ChatGPT

ChatGPT 是 AI 产品，但 AI 远大于 ChatGPT。推荐系统、图像识别、语音识别、搜索排序也都属于 AI 的范围。

误区 2：所有 AI 都是生成式 AI

不是。判断垃圾邮件、识别人脸、预测库存，这些通常不是生成式任务。

误区 3：LLM 越大就一定越适合所有任务

不一定。简单分类、高频低成本任务、端侧任务可能更适合小模型或传统机器学习方法。

误区 4：生成式 AI 会生成，就代表它理解了

生成流畅不等于理解可靠。模型可能说得很像真的，但事实是错的。

动手练习

找 5 个你常用的产品功能，判断它们更可能属于哪类 AI：

术语卡片