大模型技术全景(一)：AI、机器学习、深度学习，三者的关系到底是什么？一文搞懂

很多人能调 API、会写 Prompt,却答不上大厂面试的经典第一问:人工智能、机器学习、深度学习、大语言模型,到底是什么关系?

答不上不怪你------大家都是从"工具使用"倒着学回来的:先会聊天,再会调参,最后才回头补地基。本文把这块地基一次夯实。主线:AI → ML → DL → 大模型,四个词不是并列,而是一层套一层的包含关系。

一、人工智能（AI）：模拟智能行为，分强/弱

定义 :人工智能(Artificial Intelligence, AI)是研究、开发用于模拟、延伸、扩展人类智能的理论方法与应用系统的学科。一句话:让机器展现"聪明"的决策行为。

小爱同学、宇树 H1 机器人、DeepSeek 都是 AI;
早期 AI 靠人工规则("当发生 A,则做 B"),现在主流靠数据驱动。

关键认知:当前 AI 在模仿智能的"行为",而非复制"本质"。学界分两条路:

路线	目标	现状
强人工智能	造出有心智、有自我意识的机器	不存在,纯愿景
弱人工智能	在特定领域表现智能、做得比人好	所有落地 AI 都在这条路

二、机器学习（ML）：AI 的手段，本质是自动找 f(x)≈y

定义 :机器学习(Machine Learning, ML)是 AI 的一个子领域,核心不再是手动写规则,而是通过数据训练算法,让计算机从历史样本中自动总结规律,用来预测或决策新问题。

关系一句话:AI 是目标,ML 是实现目标的主要手段,当代 AI ≈ 基于 ML 的 AI。

本质 :给定输入 x 和输出 y,让机器自己找到函数 f(x)≈y。

打车例子 :起步价 10 元、每公里 2 元。人不算,直接看样本猜规律------只给 (1,12)、(2,14)、(3,16),机器设 y=ax+b 自动解出 a=2、b=10,于是预测 20 公里=50 元。

术语	含义
特征 x	输入的原始素材（公里数）
标签 y	标准答案（费用）
训练	自动解参数 a、b 的过程
推理/预测	用训练好的模型算新 x 的 y

类比失效点 :真实任务的 x 是图片、语音、文本,参数几万几十万,根本写不出 y=2x+10 这种公式。比如"图里是车还是人",函数形如 车/人 = f(图片),参数海量且不可解释。

三、五种学习方式：监督 / 无监督 / 半监督 / 自监督 / 强化

按"训练数据有没有标注、反馈信号从哪来",机器学习分成五种。记忆口诀:信号从哪来,决定是哪种学习。

3.1 监督学习（Supervised Learning）

定义 :用 **标记好(带标准答案)**的数据训练,模型学习输入与输出之间的映射关系。靠人工标签反馈,有对错、直接纠正------照答案做题。

例子:鸢尾花数据集(150 个样本,4 个特征 + 3 种品种标签);垃圾邮件识别。
算法:KNN、逻辑回归、朴素贝叶斯、决策树、随机森林、SVM。

3.2 无监督学习（Unsupervised Learning）

定义 :在完全没有标签的情况下,让算法自行从数据中发现隐藏的结构和规律。靠数据内在结构反馈,没有对错,只找规律------自己找规律。

例子:电商把"买尿不湿的女性"聚成一类(还常买奶粉、湿巾),业务上叫"宝妈群体"。
算法:K-means、层次聚类、DBSCAN、GMM。

3.3 半监督学习（Semi-supervised Learning）

定义 :用少量有标签 + 大量无标签数据一起训练,提升预测精度。介于监督和无监督之间。

例子:X 光片辅助诊断。500 张医生标注的片子训初始模型 → 预测 1 万张无标签片 → 挑 99% 置信度的打伪标签 → 加入训练集重训。
效果示意:500 真标签 75% / 5000 真标签 90% / 500 真+4500 无标签 88%。
代价:伪标签一旦错,错误会随训练放大。

3.4 自监督学习（Self-Supervised Learning）

定义 :让数据**"自己标注自己"** ------隐藏一部分,让模型预测这部分,自动生成监督信号。完全不用人工标签,是大模型预训练的核心范式。

例子 1(扩散模型):往清晰图撒噪→让模型还原被遮住的画面,"答案在自己手里"。
例子 2(BERT 掩码语言模型):把句子挖掉一个词,让模型猜被挖的词。
和半监督的区别:半监督仍依赖少量真实标签,自监督完全不用标签。

3.5 强化学习（Reinforcement Learning）

定义 :通过与环境交互****试错来学习,没有标签,靠"奖励/惩罚"优化行为策略,目标是长期累积奖励最大化。

例子:AlphaGo 三阶段------①监督学棋谱模仿人类 → ②强化"左右互搏"数百万局,赢就是奖励,下出人类没见过的"第 37 手" → ③AlphaGo Zero 纯强化,只给规则,40 天 100:0 完胜旧版。
代价:样本效率极低,要试错百万局,训练不稳定。

3.6 汇总表

范式	一句话定义	反馈信号	有标签?	代表
监督	照标准答案做题	人工标注	有	Iris、垃圾邮件识别
无监督	自己找数据内在规律	数据结构	无	K-means 用户聚类
半监督	少量真标签+大量无标签	真标签+伪标签	少量	X 光片辅助诊断
自监督	数据自己标注自己	数据自动构造	无(自造)	BERT 掩码、扩散模型
强化	试错中追长期收益	环境奖励(延迟)	无(奖励替代)	AlphaGo、RLHF*

**RLHF(人类反馈强化学习):**靠人类打分当奖励信号,是 ChatGPT 类模型训练的关键技术,后面讲大模型训练时展开。

四、按任务分：分类 / 回归 / 聚类 / 关联 / 序列

除了按"反馈信号"分,还能按"学什么任务"分,面试常混着考。

4.1 分类（Classification）

定义 :把输入数据划分到预先定义好的离散类别中,输出是一个类别标签。

例子:判断邮件是"正常"还是"垃圾"。
算法:KNN、逻辑回归、朴素贝叶斯、决策树、随机森林、SVM。

4.2 回归（Regression）

定义 :建立一个数学模型,拟合输入特征与连续数值型输出之间的映射关系,输出是一个数。

例子:用 500 天历史数据训出 明天收盘价 = a×今天收盘价 + b×今天成交量 + c,预测股价。
算法:线性回归。

4.3 聚类（Clustering）

定义 :在没有类别标签的情况下,根据数据样本之间的内在相似性,自动将其划分为若干簇。

例子:音乐 App 把歌按"速度/能量/人声/情绪"特征聚成"燃爆运动/深夜 emo/学习专注"等堆,再给你推同堆的歌。
算法:K-means、层次聚类、DBSCAN、GMM。

4.4 关联规则（Association Rule Learning）

定义:从大规模数据集中,发现变量之间的**"X→Y"共生依赖模式**。

例子:"啤酒尿布"------买尿布的年轻父亲往往顺便买啤酒(课件提醒:此为商业寓言,真实性存疑,但其背后的关联规则挖掘理论影响深远)。
算法:Apriori、FP-Growth。

4.5 序列预测（Sequence Prediction）

定义 :利用数据点之间的顺序依赖关系,预测下一个元素。

例子:机器翻译"我爱学习"→ 一个词一个词预测出 "I love learning"。
算法:RNN、LSTM、GRU、Transformer*。

* Transformer 是当前所有大模型(GPT、DeepSeek)的底层架构,后面专篇深入讲。

4.6 汇总表

任务	一句话定义	监督?	例子	代表算法
分类	把输入归到预定义离散类别	监督	垃圾邮件判断	KNN、逻辑回归、SVM
回归	拟合输入与连续数值输出的映射	监督	预测明天股价	线性回归
聚类	按相似度自动分成若干簇	无监督	音乐 App 分组推荐	K-means、DBSCAN
关联规则	发现"X→Y"共生依赖模式	无监督	啤酒尿布(寓言,真实性存疑)	Apriori、FP-Growth
序列预测	利用顺序依赖预测下一步	监督	机器翻译逐词生成	RNN、LSTM、Transformer*

五、深度学习（DL）：神经网络的参数学习

定义 :深度学习(Deep Learning, DL)是机器学习的分支,通过构建多层神经网络 实现学习。ML 要学几百万参数,这些参数怎么存?就是神经网络。神经网络的参数学习 = 深度学习。

结构:输入层 → 隐藏层(可多个)→ 输出层。隐藏层越多网络越"深",这就是"深度"二字的来历。

本质公式 :传统 ML 是 y=f(x),DL 写成 y = f(...f(f(x))...),每层都在上一层结果上加工,信息越来越抽象。

核心案例:AI 判断"西红柿炒鸡蛋"------像后厨流水线,每个师傅只干一道工序:

站点	工序	学到什么
输入层	照片拆成像素矩阵	原始像素
隐藏层 1	有没有大量红色+黄色	颜色特征
隐藏层 2	红色块状?黄色絮状?	形状特征
隐藏层 3	红黄是否交错混合?	空间关系特征
输出层	满足全部条件→"是"	最终结论

三个悟透点 :①隐藏层 ------你只看得到"是/不是"结果,中间报告是隐藏的;②自动学特征 ------师傅不是人类教的,是 AI 看几万张图自己总结的,这是 DL 与传统 ML 最大区别;③嵌套------不经过"像素→颜色→形状→混合"链,AI 无法从原始像素蹦到结论。

为什么叫深度:就是层数多。Transformer Base 12 层 → GPT-1 12 层 → GPT-3 96 层 → GPT-4 120 层。

DL vs 传统 ML(四维对比):

维度	传统 ML	深度学习
特征提取	人工设计特征工程	端到端自动学特征
可解释性	强,推理路径清晰	弱,黑盒
数据依赖	小样本更稳	大数据下才有压倒性优势
计算资源	低	训练需 GPU/TPU,投入巨大

判断标准 :是不是"深度学习",看是否端到端自动学特征(从原始输入直接到最终输出,中间不手工加工特征),不是数层数。

六、从 DL 走到生成式 AI 与大模型

生成式 AI(GenAI):能根据输入自主创造全新内容(文本/图像/音频/视频/代码)的 AI。

判别式 vs 生成式(本质区别):

判别式 AI(传统 AI):精准的"判断者",从已有数据识别模式------人脸识别、推荐商品,输出是判断/分类。
生成式 AI:有创意的"创作者",学习数据规律后生成从未存在的内容------文生图、写文章。

数学本质:

传统:y = f(x),固定函数,2+3 必得 5,像计算器;
生成式:y ~ P(x)(y 服从 x 的概率分布),按概率掷骰子,像懂行的赌徒------这就是为什么问 ChatGPT 同样的问题,每次回答字眼都不一样。

GenAI 严格说不属于深度学习,但目前的实现几乎都基于深度学习(太复杂,只能靠 DL 实现)。

终极关系图:

复制代码

AI（目标）
├── ML（手段）── 实现 AI 的主要方式
│   ├── 传统 ML（SVM、决策树）
│   └── DL（神经网络自动学特征）
│       └── LLM（DL 在语言上的应用，如 GPT、DeepSeek）
└── GenAI（基于 DL 实现，跨文本/图像/音视频）

易混点 :LLM 本质是深度学习模型在语言上的应用,属于 DL ⊂ ML ⊂ AI;但 BERT 这类"只理解不生成"的模型也算大模型,却不擅长生成------并非所有大模型都是生成式 AI。

七、易混点对比与前面文章衔接

本篇 vs 《大模型全景入门》 :那篇站在 LLM 肩膀上看应用+提示词;本篇拉到 LLM 脚下讲地基。答案:大模型 = 海量数据自监督预训练 + 下游微调的深度学习模型,属于 DL ⊂ ML ⊂ AI。
本篇 vs 《从 Vibe Coding 到 LangGraph》:Vibe Coding 深度拆解那篇已有,本篇不重复。
埋种子:自监督、序列预测/Transformer 后面 LangChain、Agent 系列会反复用到。

八、常见误区

ML = DL(并列)? 错,DL ⊂ ML ⊂ AI。
强化学习 = 无监督? 错,强化靠环境奖励(有数值反馈),无监督靠数据结构(无反馈)。
数据越多越好? 错,伪标签错标会放大;分布偏移(训练数据和真实场景不一致,比如训练全用白天图片、线上全是夜间图)会让模型线上翻车。
AI = 写规则? 早期是,现在主流是数据驱动。
层数多就是深度学习? 关键在自动学特征,不在层数。

九、面试官追问（6 个 + 答案）

Q1:现在的大模型属于强 AI 还是弱 AI? A:弱 AI。只在语言任务表现智能,没有心智和自我意识。强 AI 目前不存在。

Q2:监督和半监督的本质区别? A:监督全部数据有真标签;半监督少量真标签 + 大量无标签,靠伪标签"变现"无标签数据。前提是专家标注成本极高、无标签数据海量。代价是伪标签错误可能传播。

Q3:自监督和无监督啥关系?给个代表任务。 A:自监督是无监督的特殊形式。区别:无监督靠内在结构找模式;自监督主动隐藏数据让模型预测,过程像监督。代表:BERT 掩码语言模型、扩散模型加噪/去噪。

Q4:为什么 AlphaGo 用强化学习能下出人类没见过的"第 37 手"? A:监督学习在模仿人类棋谱,天花板是人类水平;强化学习靠左右互搏 + 赢棋奖励自我探索,不受人类棋谱束缚,能发现人类知识边界外的下法。

Q5:深度学习比传统 ML 的工程价值在哪?代价呢? A:价值是端到端自动提特征,省掉特征工程,能啃图像/语音这类原始数据。代价是算力投入大、可解释性差、小数据反而易过拟合(模型死记训练数据、换新数据就失灵,像学生只背答案不会变通)。

Q6:生成式 AI 和判别式 AI 的本质区别?大模型属于哪类? A:判别式学 P(y|x),给定输入判断类别(如人脸识别),是固定 y=f(x);生成式学数据分布 P(x),能创造新内容,是 y~P(x) 采样。GPT 系属于生成式 AI;BERT 这类只理解不生成的属于判别式/编码器型。

如果这篇帮你把 AI/ML/DL 的迷雾拨开了,欢迎点赞收藏。评论区聊聊:你第一次被大模型"惊到"是在哪个场景?