人工智能、机器学习、神经网络、深度学习、AI大模型的区别

AI方向的专用名词特别多，很容易混在一起，文本梳理下从机器学习到AI大模型发展历程和专业名词。

下面按照概念的层次关系依次梳理。

人工智能

人工智能Artificial Intelligence， 简称AI。

人工智能是广义的机器模拟人类智能行为的科学与技术。

所以它的范围非常广，所有机器模拟人的，都可以称之为AI。

也就包括了机器学习、机器人、计算机视觉等各大类。

机器学习

机器学习Machine Learning，简称ML

根据字面意思，让机器像人一样去学习，然后基于学习到的知识进行预测或决策。

它是实现人工智能的一种方式。

专业的解释是：

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习的方法

监督学习

通过已标注的数据训练。

机器通过已标注数据x，推导出函数f(x)，也成为模型。

如果我们有新的未标注数据y， 利用函数可以预测出值为 f(y)

通常用于处理分类、回归问题。

分类的实际场景： 垃圾邮件识别、网页的分类等

监督的学习是训练神经网络和决策树最常见的技术。

神经网络的训练高度依赖已标记的数据集，分类系统用于判断网络的错误，然后调整神经网络去适应。

无监督学习

监督学习的成本很高，大量的标记数据集都是需要人为标记。

无监督学习的训练集是没有人标记的。

目的是希望机器通过学习，自己去推断数据的结构与关系。

常见的算法有聚类，如K-Means。

如：有一个技术平台，利用用户的社交数据，将平台的用户分为java程序员，c++程序员、Python程序员等

半监督学习

半监督学习是介于监督学习和无监督学习之间。

为了解决监督学习成本高，无监督学习目标不明确问题， 通过少量的标记数据和大量的未标记数据进行训练。有重大的实际意义。

大模型的训练大多采用半监督学习。

强化学习

强化学习通过观察来学习动作的完成，每个动作都会对环境产生影响。

强化学习主要应用在机器人控制或其他需要系统控制的领域。

深度学习

深度学习也是机器学习下的一个子领域。

通常是基于多层神经网络的模型。

这个领域目前是机器学习中最热门的，常见算法模型有：

CNN卷积神经网络、RNN循环神经网络、Transformer

神经网络

神经网络Neural Network，简称NN

它是一个算法模型，模仿生物神经元结构。

属于深度学习领域的常用模型。

深度学习

深度学习Deep Learning，简称DL

机器学习的子领域，基于多层神经网络（深度神经网络）的模型

使用多隐藏层自动提取高阶特征（如图像中的边缘→纹理→物体）

依赖大数据和GPU算力。

算法模型：

CNN卷积神经网络

通常用于图像、视频领域。

卷积是什么？

卷积是对输入数据进行局部区域的处理，提取特称。

比如一张照片中元素非常多，但我们只提取人头部分，然后进行面部识别。

还有车辆行驶的道路上，只需要提取道路信息，路边风景建筑色彩都不需要，用于自动驾驶。

RNN循环神经网络

处理时序数据（如文本、语音）

循环的意思是循环扫描输入内容，以建立上下文联系，这就很适合实时翻译，语音处理。

Transformer

Transformer模型架构是2017年Google在论文Attentions is All you need 中提出的模型。

目前已经是最流行的模型架构。

基于transformer的产品有：

OpenAI的ChatGPT、DeepSeek、通义千问、文心一言等几乎所有主流大模型都是基于这个理论模型。

AI大模型

参数量巨大（通常数十亿以上）、训练数据海量的深度学习模型，属于DL的尖端应用。

通用性非常强，几乎什么知识都有涉及。

在工业应用中，虽然大模型很万能，但大模型参数多计算成本高，通常还会配合一些中小型模型。