AI、机器学习、深度学习和生成式 AI 经常一起出现。它们不是四个互不相关的名词，而是处在同一张地图上的不同范围。

视频讲解：在官网观看本课视频

先看最重要的关系

可以先这样记：

人工智能 AI
└── 机器学习 Machine Learning
    └── 深度学习 Deep Learning
        └── 许多现代生成式 AI 模型

严格来说，生成式 AI 是按“能生成内容”划分的应用与技术类别，它和深度学习高度重合，但重点与前三个概念不完全相同。

人工智能：最大的目标

人工智能关注的是：怎样让机器表现出感知、推理、决策或生成能力。

早期 AI 可以大量依赖人工规则，例如专家系统。它不一定需要从数据中训练模型，因此 AI 的范围比机器学习更大。

机器学习：让机器从数据中学习

机器学习不要求开发者把每条判断规则都写出来，而是提供数据、答案和学习方法，让模型自己寻找输入与输出之间的规律。

常见算法包括：

• 线性回归；

• K 近邻；

• 决策树和随机森林；

• 支持向量机；

• 神经网络。

因此神经网络只是机器学习模型中的一类。

深度学习：使用多层神经网络

深度学习主要使用多层神经网络学习复杂特征。

传统机器学习项目常常需要人工设计特征。比如识别垃圾短信时，可能先统计关键词、文本长度和特殊符号。深度学习则尝试让网络在训练中自己学习哪些特征重要。

它在图像、语音和自然语言任务中尤其常见，但通常也需要更多数据和算力。

生成式 AI：重点是创造新内容

传统分类模型回答的问题可能是“这是什么”，生成式模型回答的问题则可能是“请生成一个新的结果”。

它可以生成：

• 文本与代码；

• 图片和视频；

• 语音与音乐；

• 结构化数据。

ChatGPT 一类产品属于生成式 AI。它们背后通常使用深度学习和 Transformer，但生成式 AI 不等于大语言模型，大语言模型也只是生成式 AI 的重要分支之一。

用任务来区分更容易

场景	更关注的概念
用固定规则下棋	人工智能
用历史房价预测价格	机器学习
用卷积神经网络识别图片	深度学习
根据提示生成一篇文章	生成式 AI

从三个维度判断技术类型

判断一个系统属于哪一类时，可以分别观察学习方式、模型结构和输出任务。

下面的任务对照图可以帮助快速建立判断顺序：

最小机器学习实验：从数据中拟合关系

下面用四组面积和价格数据训练一个线性回归模型：

from sklearn.linear_model import LinearRegression
​
x = [[40], [60], [80], [100]]
y = [120, 180, 240, 300]
​
model = LinearRegression()
model.fit(x, y)
​
prediction = model.predict([[70]])
print(f"70 平方米预测价格：{prediction[0]:.1f} 万元")
print(f"学到的系数：{model.coef_[0]:.1f}")

安装依赖并运行：

pip install scikit-learn
python 02_ml_regression.py

结果：

70 平方米预测价格：210.0 万元
学到的系数：3.0

代码里没有直接写出“每平方米 3 万元”这条规则。模型根据训练数据拟合出了系数，这就是一个最小的机器学习过程。它属于 AI 和机器学习，但没有使用多层神经网络，也不属于生成式任务。

两个常见误区

误区一：机器学习等于神经网络

线性回归、决策树和随机森林都属于机器学习。神经网络只是其中一类，使用多层神经网络时通常称为深度学习。

误区二：生成式 AI 等于大语言模型

大语言模型主要生成文字和代码。图像、语音、音乐与视频生成同样属于生成式 AI，因此大语言模型只是其中一个分支。

这一课先记住什么

AI 是最大的领域，机器学习让机器从数据中学习，深度学习主要使用多层神经网络，生成式 AI 关注生成新的内容。

下一课开始进入机器学习的第一组分叉：监督学习和无监督学习。

---

本文首发于「去你想去的地方」： AI、机器学习、深度学习和生成式 AI 有什么区别？ | 去你想去的地方

完整学习路线、视频版和后续更新请访问原文。