AI、机器学习、深度学习的区别：一张对比表分清三个套娃概念

先给结论：人工智能、机器学习、深度学习不是三个并列的技术，而是从小到大的套娃关系。人工智能是最大的圈，指「让机器表现出智能」这个目标和学科；机器学习是它里面的一条主流实现路线，核心是不手写规则、让机器从数据里自己学；深度学习又是机器学习里用多层神经网络的一个分支。今天的大模型和 ChatGPT，全都是深度学习的产品。

一张图分清：三个词是套娃，不是并列

把它们想象成一家公司：人工智能是公司愿景，机器学习是达成愿景的主干业务部门，深度学习是这个部门里最能打的核心技术组。愿景大于部门，部门大于技术组，但对外讲故事时大家都爱笼统地说「这家公司」。

人工智能：最大的那个圈

AI 是目标而不是某项具体技术。1956 年达特茅斯会议正式提出 artificial intelligence 这个说法，学科由此确立。凡是朝「让机器表现出智能」努力的都算：早期写死的规则系统算，今天的大模型也算。所以当一款产品自称 AI，它可能用了任何一层的技术，这个词本身不说明技术含量。

机器学习：不写规则，从数据里学

传统编程是人写规则喂给机器：判断垃圾邮件就手写一堆「出现某关键词就拦截」。机器学习反着来：给机器几十万封已标注的邮件，让它自己总结出判断规律。垃圾邮件过滤、信用卡反欺诈、电商推荐，背后都是这类从数据学规律的模型。机器学习是 AI 落地最广的一条路线，但它不等于 AI 的全部。

深度学习：机器学习里的多层神经网络分支

深度学习用多层人工神经网络自动学习特征，「深度」指的就是层数多。它最关键的一次跃迁是 2017 年：Google 团队发表 Transformer 架构论文（见 Attention Is All You Need），在机器翻译任务上明显超过此前最好成绩，成为今天所有大模型的底座。

想继续深入，可以接着读Transformer 是什么和大语言模型的工作原理（见大语言模型是怎么工作的）。系统教材推荐 Goodfellow 等人所著、MIT Press 出版的《Deep Learning》（官网免费阅读）。

一张对比表：三个词的六个维度

时间线只标里程碑：机器学习伴随统计方法长期演进，深度学习在 2012 年图像识别竞赛突破后进入爆发期，这里取的是公认节点而非精确边界。

三个日常例子，对号入座

1. 扫地机器人按预设规则绕开桌腿：属于 AI，但用的是规则系统，不是机器学习。
2. 信用卡反欺诈自动拦截可疑交易：属于机器学习，从历史交易数据里学出规律。
3. ChatGPT 能写文章能对话：属于深度学习，是 Transformer 大模型的产品化。

一段话讲清三者区别

可以直接复述这个口径：人工智能是让机器表现出智能的目标和学科，1956 年达特茅斯会议确立；机器学习是实现它的主流路线，核心是不手写规则、从数据中总结规律；深度学习是机器学习中用多层神经网络的分支，2017 年 Transformer 论文之后成为大模型时代的核心技术。一句话总结：AI 是目标，ML 是方法，DL 是方法里的主力。

常见的追问是「深度学习和机器学习到底差在哪」，答：差在特征。传统机器学习靠人来设计特征，深度学习自动学特征，代价是需要更大的数据和算力。

产品经理怎么用这张关系图

1. 看产品宣传时：自称 AI 不代表有模型，可能是规则系统；问一句「是规则还是模型」，技术含量立刻现形。
2. 排技术方案时：表格数据、小样本场景优先考虑传统机器学习，感知类任务（看图、听声、生成文字）才需要深度学习。
3. 写需求文档时：明确说自己要的是识别、生成还是决策，对方才好判断该上哪一层的方案。