AI、机器学习到大模型：理清五个概念的层级与本质

2026-10-27 12:56 0 阅读

别被名词绕晕：它们其实是“套娃”关系

每次提到人工智能，总有一堆名词扑面而来：AI、ML、DL、GenAI、LLM。对于非技术背景的人来说，这些缩写就像天书。更麻烦的是，媒体经常把它们混着用，仿佛它们是五个平行的新技术。

事实并非如此。如果非要给它们画个图，最准确的形状不是并列的五根柱子，而是一个俄罗斯套娃。

最外层是人工智能（AI），这是人类想要达成的终极目标——让机器像人一样聪明。为了实现这个目标，我们找到了主要手段，叫机器学习（ML）。而在机器学习里，有一种特别厉害的方法，叫深度学习（DL）。深度学习发展到一定阶段，不仅能分析数据，还能创造新内容，这就诞生了生成式AI（GenAI）。而在生成式AI的所有分支里，目前最成熟、最能理解人类语言的，就是大语言模型（LLM）。

所以，逻辑链条是这样的：

AI ⊃ 机器学习 ⊃ 深度学习 ⊃ 生成式AI ⊃ 大语言模型

接下来，我们一层层剥开这个套娃，看看每一层到底在做什么，以及它们之间本质的区别在哪里。

第一层：人工智能（AI）——让机器“装”得聪明

人工智能不是一个具体的算法，而是一个领域，甚至可以说是一种愿景。它的定义很宽泛：任何能让机器表现出智能行为的理论、方法和技术，都算AI。

这里的“智能”打个引号，因为目前的AI大多是在模拟智能的“行为”，而不是复制智能的“本质”。

举个例子，早期的AI可能只是一堆复杂的 if-else 规则。比如一个下棋程序，程序员写死：“如果对方走这一步，我就走那一步”。这种基于规则的系统也能赢棋，看起来挺聪明，但它并不“理解”棋局，它只是在执行指令。

现在的AI，比如手机里的语音助手、宇树科技的人形机器人，或者DeepSeek，都属于AI的范畴。学界通常把AI分为两类：

弱人工智能：专注于特定任务，比如下围棋、识别图片、翻译语言。它们在各自领域可能超越人类，但没有自我意识。
强人工智能：拥有心智、意识，能理解自身存在。这目前还只存在于科幻电影里。

我们当下所处的时代，依然是弱人工智能的天下。我们的目标很务实：让机器在特定任务上做得像人，甚至比人更好。

第二层：机器学习（ML）——从“写规则”到“找规律”

既然靠人脑写规则太累，而且覆盖不了所有情况，工程师们想出了一个办法：不让机器执行规则，而是让机器自己从数据里找规则。

这就是机器学习。

传统编程是：输入数据 + 人工编写的规则 = 输出结果。机器学习是：输入数据 + 输出结果 = 机器自动总结出规则。

举个最简单的例子。假设你要预测打车费用。你给机器一堆历史数据：1公里12元，2公里14元，3公里16元。机器通过算法“训练”，发现了一个规律：y = 2x + 10。下次你问它20公里多少钱，它不用查表，直接套用公式算出50元。

这个过程叫训练。训练好后，拿新数据去算结果，叫推理或**预测。

机器学习有很多流派，常见的分类方式有两种：

按有没有标签分：
- 监督学习：数据都有标准答案（标签）。比如给机器看一万张猫的照片，告诉它“这是猫”，它就能学会认猫。
- 无监督学习：数据没标签，让机器自己找规律。比如把一堆用户按消费习惯聚类，机器会自动分出“高消费群体”、“价格敏感群体”等。
- 强化学习：像训练狗一样，做对了给奖励，做错了给惩罚。AlphaGo下围棋就是靠这个，自己在左右互搏中不断试错进化。
按任务类型分：
- 分类：判断邮件是不是垃圾邮件。
- 回归：预测明天的股价。
- 序列预测：这是大语言模型的前身。比如机器翻译，它是一个词一个词往外蹦的，每出一个词，都要根据前面的词预测下一个最可能的词。

注意最后的“序列预测”。大语言模型的核心逻辑——“预测下一个token”，其思想源头就在这里。

第三层：深度学习（DL）——机器的“多层大脑”

机器学习里有很多算法，比如支持向量机（SVM）、决策树。它们在数据量小的时候很好用，但有一个致命弱点：需要人工设计特征。

比如要识别一张图里有没有猫，传统机器学习需要工程师先告诉机器：“猫有尖耳朵、胡须、瞳孔竖立”。如果换个角度，或者光线暗一点，机器可能就懵了。因为特征是人定义的，机器的上限取决于人的经验。

深度学习解决了这个问题。它模仿人脑神经元，构建了多层的神经网络。

深度学习的核心在于“深度”，也就是层数多。数据进入网络后，会经过一层又一层的处理：

第一层可能只识别简单的边缘和颜色；
第二层把边缘组合成形状，比如圆形、线条；
第三层把形状组合成部件，比如眼睛、耳朵；
最后一层综合所有部件，判断出“这是一只猫”。

这个过程叫自动特征提取。机器不再依赖人工定义的规则，而是从原始数据中逐级抽象出高层特征。层数越多，提取的特征越复杂、越抽象。

这也是为什么它叫“深度”学习。GPT-3有96层，GPT-4据传有120层。每一层都在对上一层的信息进行加工，就像后厨的流水线，从洗菜、切菜到炒菜，每一步都在改变食材的状态，最后端出一盘成品。

深度学习之所以强大，是因为它吃海量数据，且能自动学习。但它也有代价：它是黑盒，我们很难解释中间层具体学到了什么；而且训练需要巨大的算力，烧GPU是常态。

第四层：生成式AI（GenAI）——从“分析”到“创造”

在生成式AI爆发之前，大多数AI应用属于“分析式AI”。

分析式AI：像一个精准的检索员或判断者。它从已有数据中识别模式、分类、预测。比如人脸识别解锁、搜索引擎匹配、电商推荐。它的输出通常是固定的标签或数值。
生成式AI：像一个创意的创作者。它学习海量数据的规律后，能生成从未存在过的内容。比如写一篇文章、画一幅画、编一段代码。

这两者的数学本质完全不同。

传统机器学习（分类）是确定性映射：y = f(x)。输入天气数据，输出“下雨”或“不下雨”，答案是唯一的。

生成式AI学到的是一个概率分布：y ~ P(x)。它不像计算器那样按2+3必得5，而像一个“懂行的赌徒”。它根据历史数据计算出各种可能性的概率，然后掷骰子决定输出什么。

比如你问它“明天天气如何”，它可能计算出“下雨”概率60%，“晴天”概率40%。如果掷骰子落在60%的区间，它就生成“下雨”；落在40%的区间，就生成“晴天”。

这就是为什么你每次问ChatGPT同一个问题，得到的回答字眼都不完全一样。因为它不是在检索答案，而是在基于概率“创作”答案。

目前的生成式AI主要涵盖四个方向：

文本生成：如ChatGPT、Kimi、DeepSeek，能写文章、代码、剧本。
图像生成：如Midjourney、Stable Diffusion，能根据文字描述画图。
音频生成：如Suno、Udio，能克隆声音、创作歌曲。
视频生成：如可灵、Runway，能根据文字或图片生成动态视频。

虽然严格意义上生成式AI不一定非要用深度学习，但目前主流的实现方案都基于深度学习，尤其是大规模神经网络。

第五层：大语言模型（LLM）——文本生成的巅峰

大语言模型是生成式AI中最核心、最成熟的技术路径，专门用于处理和生成人类语言。

所谓“大”，体现在三个方面：

数据大：它们阅读了互联网上几乎所有的公开文本，包括书籍、维基百科、新闻、论文、代码。数据规模达到数万亿Token（词元）级别。
参数大：参数可以理解为模型的“脑细胞”或“记忆抽屉”。参数越多，模型能记住的模式就越复杂。主流模型的参数量已达数千亿甚至上万亿。
算力大：训练这样的模型需要成千上万张顶级显卡，耗时数月，电费成本高达数百万甚至数千万美元。

以GPT-3为例，它用了1750亿个参数，训练数据约570GB有效语料。而最新的DeepSeek-V3，预训练数据高达14.8万亿Tokens，参数量6710亿。

在架构上，大语言模型主要分为三类，各有不同的人设：

仅编码器（Encoder-only）：代表是BERT。它是“阅读理解大师”，能同时看到句子的前后文，擅长理解语义。常用于搜索、情感分析、文本分类。但它不擅长生成连贯的长文本。
仅解码器（Decoder-only）：代表是GPT-4、Llama 3、DeepSeek。它是“天才续写家”，只能看到前面的内容，然后根据上文一个字一个字地往后接龙（自回归生成）。这是目前聊天机器人、代码生成、复杂推理的主流架构。
编码器-解码器（Encoder-Decoder）：代表是T5、BART。它是“高级同声传译”，先把输入压缩成中间语义向量，再解压成另一种形式输出。常用于机器翻译、长文本摘要。

需要注意的是，虽然BERT在技术上也是大语言模型，但现在行业里聊到的“LLM”，通常特指以GPT为代表的、能对话能创作的生成式模型。