人工智能、机器学习与深度学习的本质区别

机器学习采用归纳法。我们不写规则，而是提供大量历史数据，让算法训练出一个模型。

拿房价预测举例。假设我们有房屋面积和价格的数据：

123m² -> 250 万
150m² -> 320 万
...

我们可以假设房价与面积存在线性关系，即模型为 $y = ax + b$。其中 $y$ 是房价，$x$ 是面积，$a$ 和 $b$ 是参数。机器学习的过程，就是通过历史数据找到最优的 $a$ 和 $b$，让直线拟合所有点。一旦确定参数，输入新面积 $x$，就能预测房价 $y$。

发展现状与基础

渗透生活的领域

如今机器学习已无处不在：用户画像分析、搜索引擎排序、推荐系统（如抖音、淘宝）、计算机视觉（人脸识别、自动驾驶）、以及 AIGC（ChatGPT、Midjourney）等。

三次浪潮

AI 并非新生事物，经历了三次浪潮：

1. 符号主义 (1950s-1970s)：达特茅斯会议提出术语，IBM 跳棋战胜人类。
2. 统计主义 (1980s-2000s)：统计模型解决实际问题，1997 年深蓝战胜卡斯帕罗夫。
3. 深度学习 (2010s-至今)：算力提升推动神经网络复兴，AlphaGo 战胜李世石，ChatGPT 开启大模型时代。

爆发的三大基石

为什么近年才爆发？因为三要素齐备：

• 数据：互联网海量数据提供燃料。
• 算法：深度学习算法突破。
• 算力：硬件飞跃，GPU 擅长大规模矩阵运算，TPU 专为张量计算设计。

常见术语速查

• 样本：一行数据代表一个实体，多个样本组成数据集。
• 特征：数据表中的列，是对预测结果有用的属性信息。
• 标签/目标值：模型要预测的那一列，是学习的最终答案。
• 数据集划分：不能全用来训练。通常按 8:2 或 7:3 划分为训练集（学习规律）和测试集（评估表现）。

最后，把这三个概念放回各自位置，问题就清晰了。AI 是目标，机器学习是路径，深度学习是其中一种实现方式。理解层级，比死记名词更重要。