2.1 智能的俄罗斯套娃
—— 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 俄罗斯套娃：
最外层的大娃娃叫 AI（人工智能） —— 这是一个 愿景（让机器像人）。
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）。
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）。
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。这叫“特征工程”。
直到 2012 年，“深度学习”（Deep Learning） 横空出世。 它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 为什么现在只谈深度学习？
明明机器学习有那么多门派，为什么现在讨论最多的几乎都是深度学习？
经济学里有一个解释：边际收益递增。 传统的机器学习算法，给它 1 万条数据，它很准；给它 100 万条数据，它的准确率就不涨了（饱和了）。 而深度学习这头“吞金兽”，给它 1 亿条数据，它会变聪明一点；给它 100 亿条，它变得更聪明。
在数据爆炸的今天，在很多非结构化任务里，深度学习通常更能从超大规模数据中持续获益。
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“俄罗斯套娃”的方式判断：
它更像是在说愿景（AI）、手段（ML）还是具体技术路线（DL）？
这个产品最可能依赖的“数据”是什么？
最后更新于