AI、机器学习、深度学习和生成式 AI 有什么区别？

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。

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

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。