第 04 章 机器学习、深度学习、大模型到底什么关系
系列：从 0 开始学 AI · 第 4 章 / 共 365 章 上一篇：第 03 章《三大流派》 阅读时长：约 11 分钟｜含可运行代码
开场：为什么有人说是"机器学习"，有人说是"深度学习"，还有人说是"大模型"？
你有没有发现：同一个 AI 功能，不同文章叫法完全不同？
- 有人写"这是机器学习模型"。
- 有人写"这是深度神经网络"。
- 还有人写"这是大模型"。
它们到底是不是一回事？如果只是"换了个高大上的名字"，你以后读论文、看新闻、跟同行讨论，就永远被这四个词绕晕。
这一章我们用一张层级图 + 一段能跑的数字游戏，把这四个词的关系彻底钉死。学完这一章，往后 361 章你遇到任何"AI 术语"，都能自己判断它属于哪一层。
概念讲解：四个词，其实是一层套一层
一张图看懂四者关系
css
┌─────────────────────────────┐
│ 人工智能 AI（总目标） │ 想让机器像人一样智能
└─────────────────────────────┘
│ 用什么方法实现？
▼
┌─────────────────────────────┐
│ 机器学习 ML（方法家族） │ 从数据中自己学规律
└─────────────────────────────┘
│ 用什么模型学？
▼
┌─────────────────────────────┐
│ 深度学习 DL（模型流派） │ 用多层神经网络学
└─────────────────────────────┘
│ 学多大规模？
▼
┌─────────────────────────────┐
│ 大模型（超大规模预训练模型） │ 海量参数 + 海量数据 + 通用能力
└─────────────────────────────┘一句话记忆：AI 是目标，机器学习是方法，深度学习是方法里的主流流派，大模型是深度学习里"超级大"的那一支。
四者的准确定义
| 名词 | 是什么 | 关键特征 | 对应第几章 |
|---|---|---|---|
| 人工智能 AI | 让机器具备智能的总目标 | 宏大、包含一切 | 第 1 章 |
| 机器学习 ML | 让机器从数据学规律的方法 | 不写规则、靠例子 | 第 1、2 章 |
| 深度学习 DL | 用多层神经网络学习的 ML 分支 | 层数深、自动提特征 | 第 91 章起 |
| 大模型 | 超大规模预训练的 DL 模型 | 参数百亿+、通用、预训练 | 第 241 章起 |
用"做饭"来类比，一下就懂
把这四个词放进厨房：
- **AI（总目标）**＝"我要做出好吃的菜"------这是目的。
- **机器学习（方法）**＝"我不背菜谱，靠尝过 1000 道菜总结经验"------这是方法论。
- **深度学习（流派）**＝"我用一个超复杂的多层料理体系，从食材直接自动琢磨出做法"------这是实现方式。
- 大模型＝"我那个料理体系特别大，尝过全世界的菜（海量数据），所以啥菜都会一点"------这是规模升级。
记住这个类比：层级关系是"包含"，不是"并列"。 大模型 ⊂ 深度学习 ⊂ 机器学习 ⊂ 人工智能。
三个"为什么"帮你彻底分清
为什么现在很少说"机器学习"而常说"深度学习"？ 因为这几年绝大多数突破（图像、语音、语言、大模型）都是深度学习的功劳，它是机器学习的"当红主力"。但注意------不是所有机器学习都是深度学习。第 31~90 章你学的线性回归、决策树、XGBoost 都是"经典机器学习"，它们照样天天在工业界用。
为什么"大模型"最近这么火？ 因为深度学习里最大的那一类（百亿、千亿参数 + 海量语料预训练）突然显示出"一个模型什么都会一点"的通用能力（写代码、对话、画图），所以被单独叫"大模型"。它是深度学习的"旗舰分支"。
为什么你以后会经常被绕晕？ 因为很多文章用词不严谨，把"深度学习模型"和"大模型"混着说。你只要记住：看到"神经网络/多层/深度"，多半是深度学习；看到"预训练/参数上百亿/通用"，多半是大模型。
最小可运行代码：亲手看到"浅层学不会、深层学得会"
前面第 02 章我们亲眼看到：单层感知机连"异或"都学不会。这一章我们用代码演示深度（层数）是如何改变能力的------这正是"机器学习→深度学习"的分水岭，也让你从"关系"落到"手感"。
运行环境：Python 3.8+，pip install numpy scikit-learn
python
import numpy as np
from sklearn.neural_network import MLPClassifier
# 异或问题：两个输入相同→0，不同→1
X = np.array([[0,0],[0,1],[1,0],[1,1]])
y = np.array([0, 1, 1, 0])
def 测试(层数):
# 隐藏层神经元数：层数越多，网络越"深"
隐藏层 = tuple([8] * 层数)
model = MLPClassifier(hidden_layer_sizes=隐藏层, max_iter=2000,
random_state=0, activation='relu')
model.fit(X, y)
正确 = model.predict(X)
得分 = np.mean(正确 == y)
return 得分
for 层 in range(1, 5):
print(f"神经网络深度 {层} 层：在 XOR 上的准确率 = {测试(层)*100:.0f}%")结果解读（看图说话）
vbnet
神经网络深度 1 层：在 XOR 上的准确率 = 50%
神经网络深度 2 层：在 XOR 上的准确率 = 100%
神经网络深度 3 层：在 XOR 上的准确率 = 100%
神经网络深度 4 层：在 XOR 上的准确率 = 100%看到了吗？同样是"机器学习"里的神经网络，加够层数（深度）后，能力立刻跃升：
- 1 层（浅层）：只会线性分割，XOR 这种非线性问题 50%（等于瞎猜）。
- 2 层以上（深层）：学会了非线性，100% 全对。
这就是"深度学习"为什么强：不是神经网络本身新鲜，而是"层数加深"让它能表达更复杂的关系。 这一行代码，就是你理解"机器学习 vs 深度学习"分水岭的钥匙。
常见坑（对应认知坑）
| 常见误解 | 真相 |
|---|---|
| "机器学习 = 深度学习" | 深度学习只是机器学习的一个分支，经典 ML 仍大量在用 |
| "大模型 = 所有 AI" | 大模型只是深度学习里"超大"的一支，很多 AI 不需要它 |
| "神经网络一定比经典 ML 强" | 数据少/表格数据时，树模型常更强；深度擅长海量数据+图像/语言 |
| "这四个词可以乱用" | 关系是"包含"：大模型⊂深度学习⊂机器学习⊂AI |
给开发者的实用建议 ：做表格数据/规则明确的小任务，先用经典 ML（快、可解释）；做图像/语音/语言/大场景，再上深度学习或大模型。别一上来就大模型，先判断"问题在哪一层"。
动手练习（今天就能完成）
- 跑通上面代码 ，把
层数的循环改成range(1, 8)，观察：到第几层开始 100%？够用之后，再加层还有意义吗？（答案会很有意思------深度学习不是"层越多越好"。） - 改任务 ：把
y换成"AND 与门"（[0,0,0,1]），再跑一遍------你会发现1 层也能学会。对比 XOR 的"必须加深"，你就懂了"问题的复杂度决定模型该多深"。 - 做一张小抄：用你自己的话写一行"AI / ML / DL / 大模型 四者关系"，贴在你以后记笔记的地方。
延伸思考（留给发散思维）
- 迁移到你的工作：你现在接触的广告推荐、图像识别、代码生成，各自属于哪一层？判断完你就能"对症下药"------该用经典 ML 还是大模型。
- 反事实提问 ：如果 2012 年后"层数"没有爆炸，今天还有大模型吗？------"深度"是整个大模型时代的地基，这个认识贯穿全程。
- 前瞻：既然"大模型⊂深度学习"，那"深度学习"和"机器学习"其他分支还会出新东西吗？先留个疑问，第 361 章"未来趋势"会回答。
下一篇预告
四个词的关系终于钉死了。接下来该补上"动手"的地基了------下一章（第 5 章《你的第一行 AI 代码：拟合一条直线》），我们真正从零写一行代码，让机器自己"学会"一条直线。从今天起，进入"边学边写"的阶段。
明天见。
本文为《从 0 开始学 AI》第 04 章。已发布：第 01 章《AI 全景》、第 02 章《AI 发展简史》、第 03 章《三大流派》。欢迎收藏专栏。