目录
-
- [一、逐个定义 + 各自包含内容](#一、逐个定义 + 各自包含内容)
-
- [1. 人工智能 AI（最大范畴）](#1. 人工智能 AI（最大范畴）)
- [2. 机器学习 ML（AI 的子集，实现AI的主流方法）](#2. 机器学习 ML（AI 的子集，实现AI的主流方法）)
- [3. 深度学习 DL（机器学习的子集）](#3. 深度学习 DL（机器学习的子集）)
- [4. 神经网络 NN（深度学习的底层载体）](#4. 神经网络 NN（深度学习的底层载体）)
- [5. Transformer（神经网络里的一种具体结构）](#5. Transformer（神经网络里的一种具体结构）)
- 二、层级从属关系（核心链条，必记）
- 三、通俗大白话关联
- 四、极简一句话总结
一、逐个定义 + 各自包含内容
1. 人工智能 AI（最大范畴）
定义 ：让机器具备感知、推理、决策、理解、创造 等类人智能的技术总称。
包含内容
- 传统人工智能（非机器学习）
- 符号推理、规则系统、专家系统、搜索算法、博弈算法
- 知识图谱（规则推理）、自动逻辑证明
- 现代人工智能（机器学习方向）
- 传统机器学习
- 深度学习
- 其他分支
- 模糊控制、进化算法（遗传算法）、机器人控制、多智能体
2. 机器学习 ML（AI 的子集，实现AI的主流方法）
定义 ：不硬写死规则，让机器从数据中自动学规律 ，从而完成预测、分类、决策。
包含内容
- 传统机器学习（非神经网络）
- 回归：线性回归、岭回归
- 分类：逻辑回归、SVM、朴素贝叶斯、KNN
- 聚类：K-Means、DBSCAN
- 树与集成：决策树、随机森林、XGBoost、LightGBM
- 降维：PCA
- 深度学习（机器学习的子集）
- 各种神经网络模型与训练方法
3. 深度学习 DL（机器学习的子集）
定义 ：利用多层堆叠的深度神经网络 ，自动提取高阶特征，处理复杂大数据。
包含内容
- 各类神经网络架构
- MLP全连接网络
- CNN卷积网络（图像）
- RNN/LSTM/GRU（早期时序、文本）
- GAN、VAE（生成模型）
- GNN图神经网络
- Transformer（大模型、多模态核心）
- 新架构：Mamba、RetNet
- 配套技术
- 预训练、微调、批量归一化、优化器、反向传播、RLHF
4. 神经网络 NN（深度学习的底层载体）
定义 ：模仿人脑神经元连接，由多层节点+权重 组成的计算网络。
包含内容
- 基础结构：神经元、激活函数、隐藏层、全连接层
- 经典网络结构
- MLP 全连接神经网络
- CNN 卷积神经网络
- RNN 循环神经网络
- LSTM/GRU
- GNN、GAN
- Transformer
本质：所有深度学习 = 训练各种深层神经网络
5. Transformer（神经网络里的一种具体结构）
定义 ：2017年提出，以自注意力机制 为核心的新型神经网络结构。
包含/衍生内容
- 核心组件：自注意力、多头注意力、前馈网络、位置编码
- 三大范式：
- Encoder 双向：BERT类（理解）
- Decoder 自回归：GPT、Claude、千问、DeepSeek（生成）
- Encoder+Decoder：翻译、多任务
- 优化变种：MoE混合专家、长文本Transformer、多模态Transformer
二、层级从属关系（核心链条，必记）
\\boldsymbol{人工智能 \\supset 机器学习 \\supset 深度学习 \\supset 神经网络 \\supset Transformer}
- AI 包含一切智能技术（规则AI + 机器学习）
- 机器学习是AI的一大分支，靠数据学习
- 深度学习是机器学习的子集，用深层网络
- 神经网络是深度学习的基础骨架
- Transformer 只是众多神经网络中的一种（现在最强、做大模型专用）
三、通俗大白话关联
- 人工智能：最大筐，只要机器变聪明都算
- 机器学习：不用写死规则，靠数据自己学
- 深度学习：层数非常多的"高级神经网络学习"
- 神经网络：一套模仿人脑的计算网络（深度学习的容器）
- Transformer ：
神经网络里最适合文本、长上下文、通用智能 的一款结构；
现在所有大模型：ChatGPT、Claude、Gemini、通义千问、DeepSeek 全部基于它。
四、极简一句话总结
- AI：范围最大
- 机器学习：AI里"靠数据学习"的路线
- 深度学习：机器学习里"用深层神经网络"的路线
- 神经网络：深度学习的模型本体
- Transformer：神经网络中，当前大模型的核心底座。