AI、机器学习、深度学习和大模型经常被混用，但它们的边界不同。理解这几个概念的关系，是学习 AI 的第一步。

1. 它们是什么关系

人工智能 AI
└─ 机器学习 Machine Learning
   └─ 深度学习 Deep Learning
      └─ 大模型 Foundation Model / Large Model

概念	关注点	典型能力
AI	让机器表现出智能行为	推理、识别、规划、生成
机器学习	从数据中学习规律	分类、回归、排序、推荐
深度学习	用多层神经网络学习复杂表示	图像识别、语音识别、自然语言处理
大模型	用大规模数据和参数学习通用能力	对话、写作、编程、检索增强、工具调用

2. 机器学习解决什么问题

传统程序通常由人写规则：

输入数据 + 人写规则 -> 输出结果

机器学习则让模型从样本中学习规则：

输入数据 + 正确答案 -> 训练模型
新输入 + 模型 -> 预测结果

适合机器学习的问题通常具备三个特点：

• 数据中存在可学习的模式。
• 很难手写完整规则。
• 可以用指标评估输出好坏。

3. 深度学习带来的变化

传统机器学习依赖人工设计特征，例如从用户行为中提取点击次数、购买间隔、价格区间等。深度学习可以从原始数据中自动学习多层表示。

原始输入
  -> 底层特征
  -> 中层模式
  -> 高层语义
  -> 输出结果

这使得图像、语音、文本、代码等复杂数据更容易被模型处理。

4. 大模型为什么不同

大模型不是只针对一个任务训练，而是在大规模数据上学习通用表示和生成能力，再通过指令微调、对齐、工具调用和 RAG 等方式适配具体任务。

对比项	传统机器学习模型	大模型
任务范围	通常面向单一任务	可覆盖多种任务
输入形式	多为结构化特征	文本、代码、图片、音频等
使用方式	调接口得到预测值	对话、生成、推理、调用工具
迭代重点	特征、算法、指标	Prompt、上下文、数据、评估、工程治理
风险	过拟合、偏差、数据漂移	幻觉、注入、越权、成本、不可控输出

5. 工程视角的理解

对业务开发者来说，可以把 AI 能力理解成一类特殊的服务：

业务输入
  -> 数据处理
  -> 模型调用
  -> 结果解析
  -> 规则校验
  -> 业务动作

它和普通服务最大的差异是输出具有概率性，所以必须补充评估、校验、兜底和审计。

6. 常见误区

误区	正确认知
AI 等于大模型	大模型只是当前最重要的一类 AI 技术
模型越大越好	要结合任务、成本、延迟和数据安全选择
Prompt 能解决一切	Prompt 只是入口，工程链路同样关键
AI 输出就是事实	模型输出需要引用、校验和业务规则兜底

7. Tips 快问快答

Q：不懂算法能不能做 AI 应用？

A：可以。AI 应用开发更重视任务拆解、模型调用、数据接入、评估和工程治理。但基础概念必须懂，否则容易把模型当成万能接口。

Q：什么时候用传统机器学习，什么时候用大模型？

A：结构化预测、风控评分、推荐排序等任务仍然适合传统机器学习；自然语言理解、生成、知识问答和复杂交互更适合大模型。

Q：大模型会替代所有机器学习模型吗？

A：不会。大模型适合通用理解和生成，但在低延迟、低成本、强确定性的结构化任务中，传统模型仍然很有价值。