一、先把这三个词放对位置
在技术文章里，人工智能、机器学习、深度学习经常被混着用。实际工作里如果把层级搞反，后面很多判断都会跟着偏。
1.1 人工智能
人工智能是计算机科学的一个分支，目标是让计算机具备像人一样完成任务的能力。它关注的不是某一种具体算法，而是'怎么让机器显得聪明'。
一个理想的 AI 系统通常会被描述成这几种能力：像人一样思考、像人一样行动、理性地思考与行动。
1.2 机器学习
机器学习是实现人工智能的一条路。它的核心意思很直接：不靠手工把每条规则都写死，而是让计算机从数据里学规律。
和传统的基于规则的编程相比，机器学习更依赖历史数据。程序员不需要把'看到什么就怎么判断'全部列出来，而是让算法自己找到可复用的模式，再拿去处理新数据。
1.3 深度学习
深度学习是机器学习里的一个分支，也常被称为深度神经网络。它受神经网络结构启发，通过多层网络去提取特征、表示信息，再完成分类、预测或生成任务。
1.4 它们之间的层级关系
这三个概念可以直接记成一层套一层：人工智能 AI 是最大的范围，包含所有让机器'变聪明'的方法；机器学习 ML 是 AI 的子集，也是目前最常见的一类实现方式；深度学习 DL 又是 ML 的子集，主要靠深层神经网络来做学习。
二、机器是怎么'学'出来的
理解机器学习，最好先看它和传统编程到底差在哪。
2.1 规则驱动的传统编程
传统编程里，程序员是规则的制定者。逻辑先想清楚，再用 if-else 一条条写进去。
比如做图像判断时，程序往往只能依赖显式条件去推断结果：
识别到轮子而且是圆形 → 可能是车
识别到车窗 → 可能是车
再叠加更多结构特征
问题也很明显。像税务计算这种边界清楚的任务，规则法很好用；但一旦换成图像识别、自然语言处理这类场景，规则就会迅速膨胀。
现实世界没有固定模板。同一个目标，光照、角度、遮挡一变，表现就完全不同。想靠穷举条件把所有情况都覆盖掉，基本不现实。
