大模型是什么？一文梳理 AI、机器学习、深度学习与大模型

目录

1. 人工智能：让机器表现出智能

2. 机器学习：从人工规则到数据找规律

3.1 监督学习

3.2 无监督学习

3.3 半监督学习

3.4 自监督学习

3.5 强化学习

4. 常见机器学习任务

5. 深度学习：自动特征与多层嵌套

例子：AI 判断“西红柿炒鸡蛋”

为什么叫“深度”？

6. 大模型：深度学习的规模化

7. 按数据模态：计算机视觉常见任务

8. 总结

1. 人工智能：让机器表现出智能

人工智能（Artificial Intelligence，AI）是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门科学。

AI 的本质是对人类智能的模拟。无论是简单规则 if-else，还是复杂神经网络，只要展现出“聪明”的决策行为，都可以归入 AI 范畴。

学界通常分两类：

当前 AI 大多属于弱人工智能，例如语音助手、机器人、DeepSeek 等。它们模仿的是智能的“行为”，而非复制智能的“本质”。

2. 机器学习：从人工规则到数据找规律

机器学习（Machine Learning，ML）是 AI 的子领域。它的核心不再是手动编写规则，而是通过数据训练算法，让计算机从历史样本中自动总结规律。

本质可以写成：

text

给定输入 x 和输出 y，让机器自动找到函数 f(x) ≈ y

例如打车费用：

text

y = 2x + 10

传统方式是人类直接写出公式。机器学习则是给出数据：

机器自动求出参数 a=2, b=10，得到模型 y=2x+10。当 x=20 时，预测费用为 50 元。

关键术语：

3.1 监督学习

模型通过带标签数据学习输入到输出的映射。典型任务：分类、回归。
例：鸢尾花数据集通过花萼、花瓣特征预测花的品种。

3.2 无监督学习

没有标签，让算法自行发现隐藏结构。
例：电商把“买尿不湿的女性”聚为“宝妈群体”，并推荐婴儿湿巾、奶粉等。

3.3 半监督学习

利用少量有标签数据和大量无标签数据训练。
例：500 张医生标注 X 光片 + 大量未标注 X 光片，通过伪标签提升模型准确率。

3.4 自监督学习

让数据“自己标注自己”。模型隐藏数据一部分，再尝试预测这部分。
例：扩散模型通过“加噪—去噪”学习图像规律，最终能从随机噪声生成图像。
自监督学习也是当前大模型预训练的核心范式。

3.5 强化学习

通过与环境交互，根据奖励或惩罚优化策略。
例：AlphaGo 先监督学习人类棋谱，再通过自我对弈强化学习，最终超越人类。

4. 常见机器学习任务

序列预测常见模型：RNN、LSTM、GRU、Transformer。

5. 深度学习：自动特征与多层嵌套

深度学习（Deep Learning，DL）是机器学习的分支，通过构建多层神经网络实现自主学习与预测。

传统机器学习常需要人工设计特征；深度学习则能自动从原始数据中逐层构建抽象特征：

text

像素 → 边缘 → 轮廓 → 物体部件 → 物体

神经网络通常包括：

• 输入层：接收原始数据

• 隐藏层：逐层处理，可有多个

• 输出层：产生最终结果

数学本质不再是简单 y=f(x)，而是多层嵌套：

text

y = f_n(...f_2(f_1(x)))

每一层都在上一层结果上继续加工，信息越来越抽象。

例子：AI 判断“西红柿炒鸡蛋”

隐藏层之所以“隐藏”，是因为用户只看到最终结果，看不到中间特征报告。

为什么叫“深度”？

深度 = 层数多。常见模型层数：

6. 大模型：深度学习的规模化

大模型通常指参数规模巨大、网络层数很深、训练数据与算力需求极高的深度学习模型，典型代表如 GPT、DeepSeek 等。

它不是一种全新算法，而是深度学习在规模上的跃迁：

text

大模型 ≈ 深度神经网络 + 海量参数 + 海量数据 + 大算力 + 自监督预训练

大模型的核心能力来自：

1. 大规模自监督预训练，从无标签数据中学习通用规律；

2. 多层 Transformer 结构，具备强大表示能力；

3. 参数规模达到数十亿甚至数千亿，涌现出复杂能力。

7. 按数据模态：计算机视觉常见任务

计算机视觉（Computer Vision，CV）目标是让机器“看懂”世界。

8. 总结

• AI：让机器表现出智能，是目标。

• ML：从数据中自动找规律，是实现 AI 的主要手段。

• DL：用多层神经网络自动学习特征，是 ML 的主流分支。

• 大模型：深度学习在参数、数据、算力上的规模化产物。

• 学习范式：监督、无监督、半监督、自监督、强化学习。

• 任务类型：分类、回归、聚类、关联规则、序列预测等。