人工智能、机器学习与深度学习是计算机科学中紧密相关但层级不同的概念。人工智能涵盖所有模拟人类智能的技术；机器学习是其子集，通过数据训练模型而非显式编程；深度学习则是机器学习中利用深层神经网络的方法。三者呈包含关系，理解其差异有助于明确技术选型与应用场景。文章对比了传统规则编程与模型驱动学习的区别，介绍了 AI 发展的三次浪潮及爆发基础，并解释了样本、特征、标签等核心术语。
在当今科技领域，我们经常听到人工智能、机器学习和深度学习这三个词。它们虽然相关，但含义不同。
人工智能是计算机科学的一个分支，旨在研究如何合成与分析能够像人一样行动的计算主体。简单来说，AI 的目标是利用计算机来模拟甚至替代人类大脑的功能。
一个理想的 AI 系统通常具备以下特征：像人一样思考、像人一样行动、理性地思考与行动。
机器学习是实现人工智能的一种途径。它的核心定义是：赋予计算机在没有被显式编程的情况下进行学习的能力。
与传统的基于规则的编程不同，机器学习不依赖程序员手写每一条逻辑指令，而是通过算法让机器从大量数据中寻找规律，从而对新的数据产生预测或判断。
深度学习是机器学习的一种特殊方法，也称为深度神经网络。它受人类大脑结构的启发，通过设计多层的神经元网络结构，来模拟万事万物的特征表示。
厘清这三者的关系对于初学者至关重要。人工智能 (AI) 是最宏大的概念，包含了所有让机器变聪明的技术。机器学习 (ML) 是 AI 的一个子集，是实现 AI 的目前最主流的方法。深度学习 (DL) 又是 ML 的一个子集，是 ML 中利用深层神经网络进行学习的技术流派。
为了更好地理解机器学习，我们需要对比传统的解决问题方式与机器学习方式的区别。
在传统编程模式下，程序员基本上就是规则的制定者。所有逻辑都要提前想清楚，然后用 if-else 这样的判断语句一条条写进去。
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
问题很快就会暴露出来。
当问题边界清晰时，比如税务计算，这种方式非常高效。但面对复杂场景，例如图像识别或自然语言处理，规则会迅速膨胀。
现实世界没有固定模板。同一个目标在不同光照、角度、遮挡情况下都会发生巨大变化。想靠穷举条件覆盖所有情况，几乎不现实。
规则可以不断增加，但复杂度增长的速度，远远快于系统可维护的程度。
机器学习采用的是归纳法。我们不直接编写规则，而是提供大量的历史数据，让机器通过算法去训练一个模型。
案例：房价预测 假设我们有一组房屋面积与销售价格的数据：
123 m² -> 250 万
150 m² -> 320 万
...
我们可以假设房价与面积之间存在线性关系，即模型为 y = ax + b。
y 是房价，x 是面积。a（斜率）和 b（截距）是我们需要求解的参数。
机器学习的过程，就是通过历史数据找到最合适的 a 和 b，使得这条直线尽可能拟合所有数据点。一旦确定了参数，当输入一个新的面积 x 时，模型就能预测出房价 y。
如今，机器学习已经渗透到我们生活的方方面面：
人工智能并非新生事物，其发展经历了三次主要浪潮：
为什么 AI 在近年来才爆发？因为三大基石的共同作用。
最后，当我们把人工智能、机器学习、深度学习放回各自的位置，很多问题其实就变得清晰了。AI 是目标，机器学习是路径，深度学习是其中的一种实现方式。理解层级，比记住名词更重要。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online