# 2.1 智能的套娃

**AI、机器学习与深度学习**。别被这三个高大上的词绕晕了——它们其实是“一层包一层”的关系：AI 是大圈，机器学习是小圈，深度学习是核心。

## 2.1.1 名字越长，技术越新？

在 AI 的新闻里，你一会儿听到“人工智能”，一会儿听到“机器学习”，一会儿又是“深度学习”。

很多人以为这是三种不同的东西，或者认为名字越长越厉害。

其实，这是一个巨大的误解。

它们的关系就像是 **套娃**：

1. 最外层的大娃娃叫 **AI（人工智能）** —— 这是一个 **愿景**（让机器像人）。
2. 中间层的娃娃叫 **ML（机器学习）** —— 这是一个 **手段**（不用规则，用数据）。
3. 最里层的娃娃叫 **DL（深度学习）** —— 这是一个 **具体的工具**（用神经网络）。

可以通过下面的示意图来直观理解它们层层包含的关系：

{% @mermaid/diagram content="graph TD
subgraph AI \["人工智能 (AI)"]
AI\_desc\["早期的专家系统、规则引擎等"]
subgraph ML \["机器学习 (ML)"]
ML\_desc\["分类器、回归器、决策树等传统算法"]
subgraph DL \["深度学习 (DL)"]
DL\_desc\["核心：各类神经网络"]
end
end
end" %}

图 2-1：AI、ML 与 DL 的“套娃”包含关系

所以，当我们说 ChatGPT 是“深度学习”时，它自然也是“机器学习”，更是“人工智能”。

## 2.1.2 拆开第一层娃娃：从 AI 到 ML

我们在[第一章](/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/01_ai_intro.md)说过，早期的 AI 是靠人手写规则（Expert Systems）。

那就像是给机器人写好了“操作手册”。

* 见到红灯 -> 停。
* 见到绿灯 -> 行。

但从 1980 年代开始，人们发现规则写不完，于是发明了 **“机器学习”（Machine Learning）**。

这相当于不再写手册了，而是给机器人看 10 万小时的开车视频，让它自己悟出红绿灯的规律。

**这一次进化，是从“授人以鱼”（给规则）变成了“授人以渔”（给数据）。**

## 2.1.3 拆开第二层娃娃：从 ML 到 DL

机器学习里有很多方法，比如“决策树”、“贝叶斯”等等。它们都很优秀，但有一个共同的瓶颈：**虽然不用写规则了，但还得告诉机器关注哪里。**

比如认猫，你得告诉算法：关注“耳朵”是不是尖的，关注“胡须”长不长。这些“耳朵”、“胡须”叫 **特征**。发现和选择合适特征的过程叫 **“特征工程”**。长期以来，特征工程是机器学习领域最核心的技术。

人们曾试图用人工神经网络来自动解决特征工程的问题，但是受限于计算能力，一直只能用浅层网络来处理一些简单的任务。

直到 2012 年，**“深度学习”（Deep Learning）** 横空出世，多层人工神经网络取得了突破。

人工神经网络的灵感来自人脑的神经元。它最大的本事是：**我什么都不需要你告诉我，我自己找特征**。它会自动发现，原来“瞳孔的形状”比“耳朵的形状”更能区分猫。

**这一次进化，是从“半自动”（人找特征）变成了“全自动”（端到端学习）。**

## 2.1.4 为什么深度学习成了主角？

明明机器学习有那么多门派，为什么现在一提起 AI，大家讨论的几乎全是深度学习？核心原因可以归结为以下两点。

**第一，“胃口大，没有天花板”**

传统的机器学习算法像是一个容量有限的杯子。给它 1 万条数据，它学得很好；但给它 100 万条数据时，杯子就满了，它的准确率基本就不再明显提升了。

而深度学习的神经网络，像是一块可以不断吸水的巨大海绵。给它 1 亿条数据，它变聪明；给它 100 亿条数据并配上强大的算力，它还能继续变强。这种“大数据+大算力”就能“大力出奇迹”的特质，极其适合当前的数据爆炸时代。

**第二，擅长破解“非结构化数据”**

我们日常生活中的绝大部分信息，比如照片、声音、文章，形式上都是杂乱无章的，在计算机眼中这被称为“非结构化数据”。传统算法面对这些数据极其头疼，高度依赖专家去手动提取特征。而如前所述，深度学习具备“全自动找规律”的本事，可以直接吞下原始的图片或文字，自己去理解画面和语义。

正因为 **数据喂得多就能一直变强**，且 **能直接搞定复杂的图文和声音**，深度学习最终脱颖而出，成为了推动当下这波 AI 浪潮的绝对核心。

理解了这个嵌套关系，后续章节里再遇到这些名词时你就不会头大了。接下来，我们来看看驱动这一切的原料——数据。

## 2.1.5 思考题

当你在一篇文章里看到“某某公司用 AI/ML/DL 做了一个产品”时，你能不能用“套娃”的方式判断：

1. 它更像是在说愿景（AI）、手段（ML）还是具体技术路线（DL）？
2. 这个产品最可能依赖的“数据”是什么？


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/ai_beginner_guide/di-yi-bu-fen-ai-ji-chu-ru-men/02_core_concepts/2.1_ai_ml_dl.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.