AI、机器学习与深度学习的关系

• 能说明AI、机器学习与深度学习的关系解决什么问题，以及何时适用。
• 能解释为什么“把三个词互换使用”是误区。

AI、机器学习和深度学习常同时出现在产品介绍中，但它们描述的层次并不相同。不分清层次，容易把“换了一个网络结构”误以为“业务系统已经具备自主完成任务的能力”。

理解这三个词，更实际的用途是判断一个需求需要什么数据、怎样训练和评估，以及哪些步骤仍要由规则、搜索、工具或人工流程承担。

在本课程的常用分类中，AI 是研究和构建智能任务系统的广泛领域；机器学习是其中利用数据改进任务表现的方法族；深度学习是机器学习中使用多层神经网络学习表示的一类方法。

“属于哪一类”与“是否适合当前任务”是两个问题。线性回归属于机器学习，但并不属于通常所说的深度学习；使用规则和图搜索的系统可以属于 AI，而不需要从数据拟合参数。

可以把 AI 理解为要解决的一大类问题，机器学习是从数据中寻找规律的路线，深度学习则是这条路线中通过多层表示构建模型的方法。

这些类别不是成熟度等级。把表格数据送入一个更深的模型，不会自动解决数据泄漏、标签错误或评价协议不合理的问题；简单模型也可以是经过认真验证的合适方案。

机器学习的关键在于从数据确定模型中的可学习部分。规则是人明确写出的判断条件；模型参数则由训练过程根据数据估计。两者可以组合，不能只看系统有没有一个 if 语句就判断它是否使用机器学习。

深度学习通常同时学习特征表示与任务映射，但仍需要训练目标、数据划分、优化与评测。它并没有取消机器学习中的数据边界和泛化问题。

一个产品可以跨越多个层次。大语言模型可以承担深度学习模型部分，检索器和规则负责信息与约束，Agent 循环负责行动选择与结果检查；这些组成部分不能互相替代。

技术选型要匹配数据规模、问题结构、可解释需求、资源和错误代价。不能单凭“深度”二字断言某种方案一定更准确、更可靠或更适合上线。

1. 识别任务目标
2. 判断是否需要从数据学习
3. 判断表示是否需要深层网络
4. 补充规则、工具与验证

• 技术路线选择
• 学习路径规划

• 把 AI、机器学习、深度学习当成完全同义的三个产品名称。
• 认为所有 AI 都必须经过数据训练，或认为所有机器学习都使用神经网络。
• 把 Agent 当作与机器学习并列的一种训练算法，忽略它是系统组织与执行方式。
• 只替换模型结构，却沿用泄漏的数据划分或不适合实际使用的评价方法。