第11课：ML、DL 和 AI 是什么关系？

学习目标

• 理解AI、ML、DL三者的包含关系
• 知道机器学习与传统规则程序的不同
• 了解深度学习为什么适合复杂模式

正文

ML

ML = Machine Learning = 机器学习。

传统程序通常是： 规则 + 数据 → 结果。

机器学习更像： 大量数据 + 正确答案/反馈 → 学到规律 → 用规律处理新数据。

例子： 给模型很多“垃圾邮件/正常邮件”，让它学习两类邮件的特征，再判断新邮件。

DL

DL = Deep Learning = 深度学习。 Deep = 深；Learning = 学习。

深度学习是机器学习中的一类方法，核心工具是多层神经网络。

三层关系

AI（人工智能） → ML（机器学习） → DL（深度学习）

不是所有AI都必须是机器学习，也不是所有机器学习都必须用深度学习。

为什么大模型和深度学习有关？

今天的大语言模型、图像模型、语音模型，大多建立在深度学习技术基础上。

1. 本课要建立的整体认识

AI、机器学习和深度学习是包含关系：AI是目标与领域，机器学习是让系统从数据学习规律的一类方法，深度学习是以多层神经网络为核心的机器学习分支。

2. 把核心概念逐层拆开

2.1 传统规则程序由人明确写出判断条件

传统规则程序由人明确写出判断条件，适合边界清楚、规则稳定的问题。

2.2 机器学习通过样本学习输入与输出之间的规律

机器学习通过样本学习输入与输出之间的规律，效果高度依赖数据、标签和评价方式。

2.3 监督学习使用带答案的数据

监督学习使用带答案的数据，无监督学习寻找结构，强化学习通过行动与反馈改进策略。

2.4 深度学习擅长从复杂数据中学习表示

深度学习擅长从复杂数据中学习表示，但通常需要更多数据、计算和工程控制。

2.5 选择方法应从任务、数据、成本和风险出发

选择方法应从任务、数据、成本和风险出发，不应因为“深度”听起来先进就默认更合适。

3. 把概念串成一条完整流程

一个机器学习项目包括：定义任务→收集并理解数据→划分训练/验证/测试集→选择基线→训练→评价→误差分析→部署→持续监测。测试集不能反复用于调参，否则会失去客观评价作用。

4. 用真实场景理解

垃圾邮件识别可以先用人工规则，也可以用机器学习。规则便于解释但维护困难；机器学习能适应复杂模式，却可能受偏差数据影响。实际系统常把两者结合。

5. 学习时应该怎样判断自己是否真正理解

不要只看自己是否“听过”这些词。请尝试不用原文，向一位没有技术背景的人解释本课概念；再画出关系或流程；最后换一个与你专业相关的例子。如果无法说明输入、处理、输出、依据和风险，就说明还停留在名词记忆阶段。

遇到模型、工具或规则变化时，优先保留这里学到的判断框架：先定义任务，再确认资料与边界，随后执行、测试和核验。具体品牌和界面会变化，但这种工作方法可以持续使用。

6. 本课小结

本课不是要求一次记住全部细节，而是建立一个能够继续扩展的知识框架。完成正文后，请结合后面的示例、测验和实践任务，把理解转化成自己的语言和可检查的成果。

7. 进一步拆解：从“知道名词”到“会做判断”

学习技术概念时，最容易出现的问题是记住了定义，却不知道什么时候使用，也不知道怎样发现错误。下面逐项使用同一组问题检查理解：

• 传统规则程序由人明确写出判断条件：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 机器学习通过样本学习输入与输出之间的规律：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 监督学习使用带答案的数据：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 深度学习擅长从复杂数据中学习表示：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 选择方法应从任务、数据、成本和风险出发：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。

8. 建立自己的操作检查表

第一张是“任务表”：写清服务对象、目标、已有材料、最终交付物和完成标准。第二张是“数据与来源表”：记录每项材料从哪里来、何时获得、是否允许使用、是否需要更新。第三张是“执行表”：把任务拆成可以观察状态的步骤，标明每一步的输入、处理、输出和失败提示。第四张是“核验表”：列出必须人工检查的事实、数字、引用、权限、安全和专业边界。

这四张表适用于本课所讲的大多数任务。它们能防止把“模型给出了结果”误认为“工作已经完成”，也能帮助团队在出现问题时迅速定位到底是需求不清、资料错误、流程中断，还是输出没有经过验证。

9. 与前后课程的关系

这套20课不是彼此孤立的知识点。本课涉及的概念，需要与Prompt中的任务说明、API与软件系统中的执行链、RAG中的资料依据、数据分析中的质量检查以及AI安全中的责任边界结合起来。学习时可以不断回到一个问题：如果把这个概念放进完整AI产品，它位于哪一层，会影响谁，又需要谁来检查？

10. 课后自查

1. 我能否不用术语堆砌，用自己的话解释本课核心关系？
2. 我能否画出一个包含输入、处理、输出和核验的流程？
3. 我能否举出一个与自己专业、学习或工作有关的实例？
4. 我能否说出至少两个容易犯的错误，以及怎样提前发现？
5. 我能否把本课方法用于一个真实任务，并留下可检查的成果？

示例

常见误区

• “AI、ML、DL是三个互不相关领域。”——通常可理解为AI包含ML，ML包含DL。
• “机器学习不需要数据。”——数据通常是核心。
• “深度学习一定比所有传统方法好。”——任务、数据、成本不同，选择也不同。

小测验

点击题目查看答案。

实践任务