AI、机器学习、深度学习、大模型的层级原理

一、原理概述：四个概念并不是并列关系

要讲清AI、机器学习、深度学习和大模型之间的关系，先要纠正一个习惯：我们常把这四个词当成同一张清单上并列的条目，像“语文、数学、物理、化学”那样，一个比一个“新”、一个比一个“高级”。

它们实际处于四个层级，后一层都包含在前一层之内：

• 人工智能（AI）：目标层，指让机器表现出“若由人来做会被视为智能”的行为；
• 机器学习（ML）：手段层，指让机器从数据中自动获得能力，而不是靠人工逐条编写规则；
• 深度学习（DL）：结构层，指用多层神经网络，让模型自己从原始数据中逐层提取特征；
• 大语言模型（LLM）：规模层，指参数规模庞大、在海量文本上完成通用语言建模预训练的深度神经网络。

还有一个常被放错位置的概念：生成式AI（Generative AI）不是第五层，也不在最里层。它是按“输出形态”切出的一类系统，横向穿过上述若干层。

本文要解释的原理可以归纳为三点：

1. 层级依据：每层划分依据的维度不同，分别是目标、手段、模型结构与训练范式，以及规模；
2. 约束关系：内层的判定条件都是外层条件的子集，因此“越往里越具体”；
3. 生成式AI为什么能“横着切”：它的划分维度与纵向四层相互独立，取决于模型学习的是“输入到标签的映射”还是“数据本身的分布”。

适用范围：理解AI技术体系的概念框架，用于阅读论文与文档、技术方案选型，以及团队内部的技术沟通。

二、背景问题：为什么“看懂了”不等于“讲得出”

先看一个典型场景。一位工程师长期做云平台、分布式系统与DevOps，今年转向Agentic AI和AI推理方向。换赛道的难点并不在数学公式有多复杂，而在于他陷入了一个循环：

读论文、看文档、刷视频课、收藏文章 → 当时“看懂了” → 过两周要讲给别人 → 卡壳，讲不出来。

不少AI类短视频只有30秒，看完点下一个，内容很难留下痕迹。这其实是许多技术人的共同处境：被期待成为“T型人才”，在自己那一竖扎得够深，横向还要跟上层出不穷的新概念。浏览器里长期开着二十几个标签页，真正要输出时，脑子里却一片空白。

上述那位工程师试了一圈学习方法，留下一套对自己特别有效的五步流程：学 → 简化 → 可视化 → 写 → 复盘（Learn → Simplify → Visualize → Write → Revisit）。本文用这套方法，把他的“百天计划”第一天的内容，也就是AI、机器学习、深度学习、LLM的层级关系一次讲透，顺便说清其中的一个关键机制。

从认知机制看，“看懂了却讲不出”通常有三个原因：

1. 再认不等于回忆。看文章时，概念由作者替你组织好，你只是确认“这句话我认识”。向别人讲解时，大脑必须从零重建整个结构。从“认出”到“讲出”之间，隔着一次主动的检索和重组，缺少这一步，理解就停在表层。
2. 缺少压缩后的结构。十几篇文章各自讲一个点，彼此之间没有主干。要把它们讲清楚，必须先把全部信息压缩成一张有层级、有关系的图。压缩会强迫你判断“谁包含谁、谁依赖谁”，这正是理解发生的环节。
3. 缺少输出反馈。讲给人听（或写成文字）会暴露“我以为懂了、其实说不下去”的断点。正是这些断点，标记出下一步要补的地方。

对应到方法上：学负责获取原料；简化负责去掉不影响主干的细节；可视化负责建立结构；写负责检验结构是否真的成立；复盘负责修正错误并巩固记忆。下面要画的“伞图”，就是可视化环节的具体产物。

三、核心概念：每一层到底在限定什么

要判断一项技术属于哪一层，不能看它“火不火”，而要看它满足哪些限定条件。下表给出判定表，下文逐一说明每个条件的含义：

层级	名称	限定维度	判定条件	不满足时属于
第一层	人工智能（AI）	目标	系统是否表现出“若由人来做会被视为智能”的行为	不属于AI
第二层	机器学习（ML）	手段	能力是否由算法从数据中自动获得	非机器学习的AI，如规则系统
第三层	深度学习（DL）	模型结构	模型是否为多层神经网络，特征是否由模型逐层学习	传统机器学习，如线性回归、决策树
第四层	大语言模型（LLM）	训练范式与规模	是否为以自然语言为对象、在大规模语料上预训练、参数规模巨大的深度神经网络	规模较小的神经语言模型

1. 人工智能：一个目标，而不是一种技术

“人工智能”这一名称，来自20世纪50年代中期一次夏季学术研讨会的提案。提案把问题表述为：让机器在语言、抽象与概念、推理、学习等方面表现出智能。它定义的是一套“希望达到的行为标准”，并没有指定任何具体实现方式。

按这一标准，以下都属于AI：

• 邮件的垃圾信息过滤规则；
• 下棋程序对落子局面的树搜索；
• 从数据中学习分类边界的模型。

AI回答“要达成什么”，不回答“怎么达成”。

2. 机器学习：目标之下的“手段层”

如果一套智能系统所需的知识，是开发者把规则一条条写进代码的，那么它属于AI，但不属于机器学习。

机器学习的判定条件只有一条：系统从数据中获得能力，并且这种能力可以随数据更新而变化。这里的关键是“从数据中获得”：

• 垃圾信息过滤如果靠人工维护关键词清单，不属于机器学习；
• 如果改为在已标注的邮件样本上训练分类模型，由算法自己确定哪些词、哪些组合具有判别力，就属于机器学习。

机器学习回答“能力从哪来”：不是人写死的，而是模型从数据中学出来的。

3. 深度学习：手段之下的“结构层”

同属机器学习，做法也可以不同。传统机器学习通常需要人工先做“特征工程”，即由人判断哪些指标有用，再交给模型学习。

深度学习的不同在于“逐层学习特征表示”：

• 以图像分类为例，输入是原始像素。浅层网络倾向于响应边缘和明暗变化，中间层倾向于组合出纹理与局部形状，更深的层再组合成部件乃至物体级别的表示；
• 这些表示由数据通过反向传播自动学出，不必人工逐一指定。

深度学习回答“模型长什么样、特征从哪来”：用一个多层神经网络，自动学出从原始输入到目标的表示。

4. 大语言模型：结构之上的“规模层”

神经网络也可以做小。判断一个模型是否属于大语言模型，要同时满足三个条件：

• 建模对象是语言：学习的目标是语言的统计规律，即在一个词或子词序列中，根据上文预测下一个词或子词；
• 训练是预训练：先在规模庞大的无标注或弱标注文本语料上完成通用语言建模，再按需进行微调或对齐；
• 参数规模大：通常包含数十亿量级的参数，需要分布式训练才能完成。

大语言模型回答“多大规模、怎么训练”：把深度神经网络做到很大，在几乎不受任务限制的海量文本上先学会“语言与世界的一般规律”，再适配具体任务。

四、系统组成：一张“伞图”拆成什么

把上面的判定条件画在一张图上，就是“伞图”：

人工智能（AI）  ← 伞柄：目标层
   「凡是让机器表现出智能行为的方法，都在伞下」
   ┌──────────────────────────────────────────────┐
   │ 机器学习（ML）     ← 第一层伞骨：手段层        │
   │  「凡是让机器从数据中学习的方法，都在这一层」     │
   │  ┌────────────────────────────────────────┐   │
   │  │ 深度学习（DL）  ← 第二层伞骨：结构层      │   │
   │  │  ┌──────────────────────────────────┐  │   │
   │  │  │ 大语言模型（LLM） ← 伞尖：规模层    │  │   │
   │  │  └──────────────────────────────────┘  │   │
   │  └────────────────────────────────────────┘   │
   └──────────────────────────────────────────────┘
  横向切面（按输出形态划分，与纵向层级相互独立）：
   ├── 非生成式AI：判定、分类、排序、识别
   └── 生成式AI：  生成文本、图像、语音、代码等内容
        ├─ 基于规则与模板
        ├─ 基于统计方法
        └─ 基于（大）神经网络        ← 穿过多个纵向层级

这张图由三条线构成：

• 纵向：约束递增线。从上到下依次追加“从数据学习”“使用多层神经网络”“大规模预训练语言建模”三个条件。每往下一层，范围就收窄一圈；
• 横向：输出形态线。按系统输出的是“判定结果”还是“新生成的内容”划分，与各层相互独立；
• 交汇点：在“深度学习”这一层，纵向的层级线和横向的生成线交汇。这正是很多人把“生成式AI”误当成“最里层”的原因。

模块	划分依据	回答的问题	输入	输出
AI（伞柄）	目标：机器表现出智能行为	要达成什么	问题、任务、环境	被视为“智能”的行为
ML（伞骨一）	手段：从数据中学习	能力从哪来	训练数据	具备能力的模型
DL（伞骨二）	结构：多层神经网络	模型长什么样、特征从哪来	原始数据	逐层学出的表示与预测
LLM（伞尖）	训练范式：大规模预训练	多大规模、怎么训练	海量文本语料	通用的语言建模与生成能力
生成式AI（横切）	输出形态：生成新内容	输出是什么形态	提示、条件、上下文	新生成的序列或内容

五、工作流程：四层各自的“输入—处理—输出”链路

只有把每层的处理链路讲出来，才能检验自己是否真的分得清。下面用伪代码逐一说明，各层演示的都是同一类任务：判断一条用户评论的情绪倾向。

1. 规则系统：属于AI，不属于机器学习

输入：评论文本 text
规则：正向词表 positive_words = ["满意", "好用", "推荐"]
      负向词表 negative_words = ["失望", "卡顿", "退货"]
处理：
    p = 命中正向词的次数
    n = 命中负向词的次数
    if n > 0:           label = "负面"
    elif p > 0:         label = "正面"
    else:               label = "中性"
输出：情绪标签
特点：知识由人写入词表，系统不会从数据中“学习”

2. 传统机器学习：属于机器学习，通常不属于深度学习

处理（训练阶段）：
    数据：已标注样本 [(x1, y1), (x2, y2), ..., (xn, yn)]
    模型：f(x; θ)，θ 为待学参数
    目标：最小化  L(θ) = (1/n) * Σ loss(f(xi; θ), yi) + λ * R(θ)
          # loss：预测与标注的差距；R：正则项，抑制过拟合；λ：正则强度
    优化：反复计算梯度，按 θ ← θ - η * ∇L(θ) 更新，直到损失趋于稳定
处理（推理阶段）：
    输入：新评论文本 text
    步骤：① 向量化，转成人工设计或统计得到的特征向量
          # 如词频、是否含否定词、文本长度
          ② 模型打分：score = f(向量; θ)
          ③ 按阈值转成标签：score > t 为“正面”，否则为“负面”
输出：情绪标签
特点：知识从标注数据中 learned，但“哪些特征重要”主要由人决定

3. 深度学习：属于机器学习，模型换成多层神经网络

处理（训练阶段）：
    网络：输入层 → 若干隐藏层 → 输出层
          每层计算 h = 激活函数(W * h_prev + b)
          前向：x 逐层传播，得到输出与损失
          反向：由链式法则逐层回传误差，更新每层的 W、b
    数据：除了最终标签，不需要人工指定中间特征
处理（推理阶段）：
    输入：原始文本 → 分词为 token → 查表得到向量表示
          # 在文本模型中，这一步叫词嵌入，向量本身是训练出来的
    步骤：前向计算 → 各层逐层组合特征 → 输出各标签的分数
          → 取最大者（或用 sigmoid 得到各标签概率）
输出：情绪标签
特点：特征由网络逐层学出，省去了人工特征工程；代价是需要更多数据与算力，可解释性也随之下降

4. 大语言模型：在深度学习之上，再加“大规模预训练”

阶段一：预训练（通用语言建模，任务通常极其简单：猜下一个 token）
    语料：海量文本，切成序列 x1, x2, ..., xT
    网络：多层“自注意力”块堆叠
          # 注意力：每个位置算出自己的查询 q，与各位置的键 k 比对得到注意力权重，
          #         再按权重对值 v 加权求和。这样，一个词可以直接“看到”上下文中相关的其他词。
          # 每个块：多头自注意力 → 残差连接与归一化 → 前馈网络 → 残差连接与归一化
    目标：max Σ log P(x_t | x_1, ..., x_{t-1})    # 让模型对真实下一个 token 给出尽量高的概率
    产出：具备通用语言能力的基础模型
阶段二：微调与对齐
    微调：在小规模任务样本上继续训练，让模型学会按指令回答
    对齐：依据人工标注或模型评判的偏好数据调整行为，使输出更符合使用规范
阶段三：推理（自回归生成）
    输入：提示 token 序列
    步骤：① 将已处理的 token 对应的键、值存入缓存（KV缓存），避免重复计算；
          ② 模型输出下一个 token 的概率分布；
          ③ 按解码策略采样（如温度参数控制随机程度），得到新 token；
          ④ 将新 token 追加到序列并更新缓存，回到②；
          ⑤ 遇到结束符或达到长度上限则停止。
    工程环节：可选的检索增强（先从知识库检索相关片段拼入提示）、工具调用、结果校验
输出：一段生成的文本，以及必要时的结构化结果
特点：规模让模型获得通用的语言与知识表征；但它是按概率生成内容，没有内置的事实校验环节

5. 四条链路的对照

层级	知识来源	特征来源	核心计算	输出
规则系统	人工编写的规则	人工指定	条件匹配	判定结果
传统机器学习	标注数据	人工设计或统计得到	参数优化	判定结果
深度学习	原始数据	网络逐层学习	多层前向与反向传播	表示与预测
大语言模型	海量文本的统计规律	预训练自动学出	注意力计算 + 逐token自回归生成	生成内容

agentic-ai-">6. 一个Agentic AI请求的完整链路

以“用大模型完成一次带外部工具的任务”为例，技术栈的每一层都在链路中承担确定职责：

用户请求
  ↓
接入层（API网关：鉴权、限流、审计日志）
  ↓
编排层（任务规划：判断是否需要调用工具、按什么顺序调用）
  ↓        ↘ 检索增强：从向量库中召回相关片段，拼入提示
推理层（大模型推理服务：显存管理、批处理、KV缓存）
  ↓
工具调用层（查询数据库、调用外部接口等，由沙箱隔离执行）
  ↓
结果整理与输出（组装答案、事实核验、返回用户）
横切：监控告警（延迟、吞吐、错误率）｜成本核算（token用量、资源用量）

• AI在这里体现为“能规划、会推理”的目标；
• 机器学习体现为模型参数中沉淀的能力；
• 深度学习体现为承载这些参数的神经网络；
• 大模型体现为被部署为推理服务、供编排层调用的组件；
• 生成式AI则是贯穿“检索增强、生成答案、整理输出”的一种输出形态。

如果换成“风控评分模型”“推荐排序模型”这类只输出判定结果的应用，链路结构相似，但不会有“逐token生成”这一步。

六、关键机制：为什么这套层级划分成立

机制一：约束递增，所以“内层必然是外层”

每层向内收窄，都是在上一层的基础上追加条件。判定条件可以写成集合语言：

• 条件AI(x)：x表现出的行为，若由人来做会被视为智能；
• 条件ML(x)：x的能力由算法从数据中学得。满足这个条件的方法，天然属于“让机器表现出智能行为”的方法，因此ML(x) → AI(x)；
• 条件DL(x)：x是多层神经网络，特征由它逐层学习。神经网络本身就是一类从数据中学习的模型，因此DL(x) → ML(x)；
• 条件LLM(x)：x是在海量文本上预训练、参数规模巨大的神经网络，因此LLM(x) → DL(x)。

结论：LLM ⊂ DL ⊂ ML ⊂ AI。凡是大语言模型，必然是深度学习模型；凡是深度学习模型，必然属于机器学习；凡是机器学习，必然属于人工智能。

反方向的推断不成立：

• 线性回归属于机器学习，但不是深度学习；
• 专家系统属于人工智能，但不是机器学习。

这就像物理学包含力学，但力学只是物理学的一个分支。

机制二：正交划分，生成式AI为什么能“横着切”

纵向四层回答“智能行为如何实现”，横向的生成式AI回答“输出是什么形态”，两者相互独立，因此可以任意组合：

	非生成式（判定/分类/排序/识别）	生成式（生成新内容）
非机器学习（规则/模板/搜索）	垃圾邮件关键词过滤、下棋程序的局面搜索	邮件自动回复模板、报错信息拼接、基于模板的自然语言生成
机器学习（含深度学习，非LLM）	风控评分、推荐排序、缺陷检测、机器翻译	统计机器翻译、语音合成、早期循环神经网络语言模型生成的句子
大语言模型	文本分类、情感判别、意图识别、信息抽取	对话写作、代码生成、摘要、问答

表中右下格的“大模型生成内容”，恰好位于深度学习层内部。很多人先接触到的生成式AI就是大模型，于是把“生成式”和“最里层”绑在了一起。实际上：

• 左上格是几十年前就存在的规则模板生成；
• 中上格的统计机器翻译，同样用统计学习，但不是深度学习；
• 大模型也完全可以只做判定。

生成式AI横跨多行，本质上是“能力标签”，不是“层级标签”。

判断某个系统属于哪一格，要看两件事：它的能力从哪里来（纵向），以及它输出什么（横向）。这也解释了一个常见疑问：大模型偶尔也会输出“错误但流畅”的内容。原因在于，生成式模型的训练目标是让生成序列的概率尽可能高，而“看起来合理”不等于“事实上正确”。所以工程上普遍会把大模型嵌入一条“检索—生成—核验”的链路，而不是把它当成事实的唯一来源。

机制三：表示学习，深度学习为什么能“自动学特征”

传统机器学习流程里，特征由人来定义，模型只负责在特征之上找规律，特征选得好坏直接决定效果上限。

深度学习的做法是，让原始输入先经过多层变换，逐层得到越来越抽象的表示，最终的分类只在这个表示之上完成，而每一层变换的参数都由误差反向传播学出来。

它之所以可行，基于两点：

1. 多层非线性变换可以组合出复杂的函数关系；
2. 误差反向传播能高效计算损失对每个参数的梯度，使整个网络可以联合优化。

代价同样明显：

• 需要更多数据和算力；
• 参数多、可解释性差；
• 分布外的数据上容易过度自信。

机制四：规模与自注意力，大模型为什么能做到“通用”

大模型的能力主要来自两点。

第一是规模效应。业界普遍观察到，在模型架构确定时，训练损失会随着参数量、数据量与计算量的增加而平滑下降，这种规律被称为“缩放定律”，它让“投入更多资源换取更强模型”成为可预期的事。但收益并非无限，数据质量不足、算力不够时，盲目堆参数只会造成浪费。

第二是自注意力机制。循环神经网络按顺序处理序列，信息必须沿链条逐步传递，距离越远越容易衰减，也难以充分并行。注意力机制让序列中每个位置都能直接与所有其他位置建立关联，长距离依赖可以一步建立，整个序列也能并行计算。

代价是，注意力计算量随序列长度的平方增长，上下文一长，算力和显存开销会迅速上升。工程上因此普遍采用分页管理显存、连续批处理、上下文缓存等机制来提升推理吞吐、降低单位成本。

推理时还涉及几个通用参数：

• 温度：控制采样的随机程度，取值越低，输出越集中于最可能的token；
• 核采样比例：只从累计概率最高的一批候选token中采样；
• 最大生成长度：决定输出能有多长。

七、示例说明：用四问自测“是真懂还是没懂”

按照“学 → 简化 → 可视化 → 写 → 复盘”的方法，学完概念后，可以用四个问题检验自己：

1. 它是什么？ 说出它在层级图中的位置，以及这个位置对应的判定条件。
2. 为什么需要它？ 说出它解决了上一层的什么不足。例如，深度学习减少了人工特征工程，大模型让一个模型具备跨任务的通用语言能力。
3. 它怎么运作？ 按“输入—处理—输出”复述一遍。这一问最容易暴露只停留在名词层面的理解。
4. 能不能不用术语讲清楚？ 用日常语言、不打比方地把机制说明白。说不清楚，通常意味着还没真懂。

拿本文的内容举例：

• 第1问：AI是伞柄（目标层），机器学习是第一层伞骨（手段层）；
• 第2问：人工编写规则难以覆盖所有情况，而且维护成本随场景增长，因此需要让机器从数据中学；
• 第3问：训练阶段最小化预测与标注之间的损失，推理阶段把输入转换为特征或表示，再由模型输出预测；
• 第4问：可以不用“损失函数”这个词，而说“不断比较模型的猜测和正确答案，差距大就调整，差距小就少调，直到猜测越来越准”。

八、技术边界：层级划分不能解释什么

层级划分能定位概念，但不能回答“效果好不好”。实际使用中，至少要注意四条边界：

1. 能力不等于效果。同属深度学习，不同任务上的表现可能相差很远。图像分类上成熟的网络结构，直接用于长文本推理未必合适。技术选型必须以实际任务的评测为准，不能只看层级。
2. 边界存在模糊地带。传统的浅层神经网络（如只含少量神经元的多层感知机）通常被归入深度学习，但社区对“多深才算深度”并无统一阈值。循环神经网络是否属于深度学习，在不同资料中也存在不同说法。这属于分类约定问题，不影响主线逻辑。
3. 大模型并非万能。知识停留在训练截止之前、复杂多步推理、严格数值计算、需要最新数据的任务，仅靠模型本身难以做好，通常需要检索增强、工具调用或微调配合。
4. 成本与延迟必须纳入考量。大模型的推理是逐token进行的，输出越长、并发越高，对算力与显存的压力越大。实际系统中，常常要用小模型或规则处理高频简单请求，把大模型留给真正复杂的任务。

九、常见误区：把“是什么”和“怎么做”分开看

误区	为什么错	正确理解
“AI就是机器学习”	把目标当成了手段	机器学习是实现AI的一种手段，规则系统、搜索与推理也属于AI
“深度学习就是大模型”	把模型结构当成了训练范式	深度学习指多层神经网络，大语言模型是其中一类规模很大的预训练模型
“大模型就是生成式AI”	把模型和输出形态混为一谈	大模型是模型，生成式是一种输出形态，大模型也可以只做判别
“生成式AI是AI的最里层”	把横切线和纵向层级叠在了一起	生成式AI由输出形态决定，横向穿过规则、统计学习、神经网络等多个层级
“AI一定从数据学习”	把手段当成了定义	判断AI看的是行为是否被视为智能，而不是知识来源
“Agentic AI是AI的新层级”	把应用形态当成了模型层级	它指由大模型驱动的智能体，自主规划、调用工具并完成多步任务，仍建立在上述层级之上
“换赛道难是因为数学难”	把障碍归因于公式	更常见的原因是没有概念层级。不知道各项技术处于什么位置、彼此什么关系，学再多也难以串起来

关于最后一条还可以补充一点：从DevOps转AI推理，工作对象发生了根本变化。过去排障看的是CPU、内存、网络与请求延迟；到了推理侧，核心观测对象变成了显存占用、batch大小、KV缓存命中率、token吞吐量和首字延迟。先建立“哪一层出了问题该看哪些指标”的映射，往往比从头补数学更紧要。

十、总结：先分清层级，再谈技术

回到原理本身：AI、机器学习、深度学习与大语言模型的关系，可以用一句话概括——目标、手段、结构、规模，四层依次嵌套；生成式AI按输出形态横向切过这些层，而不是其中任何一层。 判断一项技术属于哪里，靠的不是它有多新，而是它满足了哪些限定条件。

这套层级理解的价值体现在三方面：

• 读资料时：给每篇新文章一个位置，信息不再是一盘散沙；
• 选型时：能区分“用规则解决”“用传统机器学习解决”“用大模型解决”各自的成本与代价；
• 沟通时：用同一套结构向团队解释技术方案，减少概念层面的来回拉扯。

也别忘了本文用的方法。那张伞图能讲清楚，靠的不是图画得好看，而是“逼自己去画、去讲”的过程，暴露出了那些平时会被跳过的真问题。对已经在云上做AI应用的团队来说，若计划把大模型能力接入现有系统，可以从几类通用云产品能力入手，如模型服务、容器平台、向量数据库、消息队列与监控告警。它们可以承担接入、弹性伸缩、知识检索、异步解耦与运行观测，让团队把精力集中在模型选型、提示与编排设计、评测体系这些真正影响效果的部分。