很多新手刚接触AI时，会遇到一个困惑：人工智能、机器学习、深度学习到底有什么区别？本文用最简单的语言，带你在3分钟内搞清楚这些概念。

AI、机器学习、深度学习的关系

先说结论：深度学习 ⊂ 机器学习 ⊂ 人工智能

• 人工智能（AI）：最宽泛的概念，让机器具有人类的智能
• 机器学习（ML）：AI的子集，通过数据训练让机器自动学习
• 深度学习（DL）：机器学习的子集，用神经网络模拟人脑

简单理解：AI是目标，机器学习是实现方法，深度学习是机器学习的高级技术。

什么是机器学习？

机器学习=从数据中学习规律

传统的程序是：写好规则 → 输入数据 → 得到结果

机器学习是：输入数据+正确答案 → 自动学习规则 → 应用规则

举个例子：

• 传统编程：你告诉电脑”如果图片里有猫的特征，就是猫”
• 机器学习：给电脑看10000张猫和狗的图片，让它自己总结规律

机器学习的三种类型

1. 监督学习

有标签的数据学习。告诉机器正确答案，让它学习规律。

应用场景：
– 垃圾邮件识别（标记好是/否垃圾）

• 图片分类（标记好类别）
• 价格预测（有历史数据的回归）

2. 无监督学习

没有标签的数据学习。让机器自己发现规律。

应用场景：

• 用户分群（根据行为特征自动分组）

• 异常检测（发现异常行为）

• 降维处理（简化数据）

3. 强化学习

通过奖励和惩罚让机器学习最优策略。

应用场景：
– 游戏AI（AlphaGo就是强化学习）
– 自动驾驶

• 推荐系统优化

几个常见概念

训练集、验证集、测试集

• 训练集：用来学习的数据
• 验证集：调整参数的数据
• 测试集：评估模型的数据

过拟合 vs 欠拟合

• 过拟合：太死板，只记住训练数据，换新数据就不会了
• 欠拟合：太模糊，没学到真正的规律

好的模型要在这两者之间找到平衡。

模型参数

模型学习到的”知识”存储在参数中。比如GPT的1750亿参数，就是它学习到的1750亿个数值。

快速总结

概念	简单理解
人工智能	让机器像人一样思考
机器学习	让机器从数据中学习
深度学习	用神经网络更高效地学习
监督学习	有标准答案的学习
无监督学习	没有标准答案，自己找规律
强化学习	通过试错学习最优策略

下一步学什么？

搞清楚了基础概念后，你可以继续学习：

• 什么是神经网络

• 什么是Token

• 如何训练自己的AI模型

关注我，带你从零开始学AI！