厘清包含关系是入门第一课。AI 是大愿景，ML 是实现路径，DL 是当前最有效的一类 ML 方法。
| 层级 | 定义 | 一句话 | 典型例子 |
|---|---|---|---|
| AI 人工智能 | 让机器展现智能行为的大愿景 | "我想让机器像人一样思考" | 科幻里的机器人 |
| ML 机器学习 | AI 的一个实现路径：从数据中学 | "不给规则，让机器自己从数据里找规律" | 垃圾邮件分类器 |
| DL 深度学习 | ML 的一个子集：用深层神经网络学习 | "让多层网络自动发现数据的层次特征" | ChatGPT、Stable Diffusion |
本主题拆分为以下子页面，建议按顺序阅读：
AI 不只是神经网络：从图灵测试到 GPT，AI 的七十年路线图。符号主义 vs 连接主义 vs 行为主义，三波 AI 浪潮，窄 AI / AGI / ASI 的真正含义。
2为什么 ML 是一场思维方式的革命。传统编程 vs 机器学习，三大学习范式（监督/无监督/强化），ML 五步工作流。
3为什么"深"是魔力所在。端到端学习、层次抽象、表示学习——DL 真正解决的是"自动特征工程"问题。
一个 MNIST 手写识别案例：规则方法（不可行）→ HOG+SVM（~98.5%）→ CNN（~99.2%）。含完整可运行代码，三种方法的直观对比。
5实际工作中怎么选？数据量、任务类型、可解释性、算力预算四维框架 + 4 个真实案例 + 决策流程图。
AI 是最宽泛的概念，目标是"让机器展现人类智能"。不等于科幻里有自我意识的 AI。
当前所有 AI 都是 窄 AI（Narrow AI / ANI）——只在特定任务上表现好。ChatGPT 能写诗，但它不会下围棋。
AI 的实现方法
├── 🧮 符号推理（Symbolic AI）
│ └── 专家系统、逻辑编程、知识图谱
├── 🔍 搜索与规划
│ └── A*算法、蒙特卡洛树搜索（AlphaGo 的核心之一）
├── 🧬 进化算法
│ └── 遗传算法、遗传编程
├── 📊 机器学习 ← 我们主攻这个
└── 🤖 机器人控制
└── PID控制器、运动规划💡 关键洞察：AlphaGo = 蒙特卡洛树搜索（搜索）+ 深度神经网络（ML/DL）。AI 常常是多方法混合，不是非此即彼。
核心思想一句话：不从规则出发，从数据出发。
程序员写规则 f(x) = 编码好的逻辑
我知道怎么做，告诉机器
机器从数据学规则 f(x) ≈ f̂θ(x)，θ 从数据中学来
我不知道怎么做，但有很多例子
机器学习的本质：找到一个函数 f，使得 f(x) ≈ y
翻译成人话：有一堆 (输入, 输出) 样本对，调整参数 θ，让模型平均犯错最小。
| 范式 | 数据要求 | 典型任务 | 经典算法 |
|---|---|---|---|
| 监督学习 | 有标签 (x, y) | 分类、回归 | 线性回归、决策树、SVM |
| 无监督学习 | 无标签 x only | 聚类、降维 | K-Means、PCA、DBSCAN |
| 强化学习 | 环境反馈 (奖励) | 游戏、控制 | Q-Learning、DQN、PPO |
DL 是 ML 的子集，核心差异在于用多层神经网络自动学习特征表示。
特征提取需要领域专家
网络自己学会什么是"好特征"
为什么"深"很重要？每一层学习不同抽象级别：
不需要人工定义"猫的耳朵应该长什么样"，网络自己会学会。
ChatGPT 的本质也是一台超级"函数拟合器"——它的函数 f 有几千亿个参数 θ，训练数据 x 是互联网上的所有文本，y 是"预测下一个 token"。
听起来很朴素？是的。但这个"朴素"的框架 + 海量数据 + 超强算力 + 巧妙架构 = 涌现出了令人震撼的能力。
这也说明了一个道理：简单的范式 + 极致的规模 = 质变。