AI、机器学习、深度学习、生成式 AI 到底什么关系

2026-10-05 发布来源：我告诉你AI导航阅读

AI、机器学习、深度学习、生成式 AI，四个词天天一起出现，很多人以为是四种并列的技术，其实是一个大圈套两个小圈，再加一个应用方向：AI 包含机器学习，机器学习包含深度学习，生成式 AI 主要落在深度学习这一层里。把这张层级图装进脑...

AI、机器学习、深度学习、生成式 AI，四个词天天一起出现，很多人以为是四种并列的技术，其实是一个大圈套两个小圈，再加一个应用方向：AI 包含机器学习，机器学习包含深度学习，生成式 AI 主要落在深度学习这一层里。把这张层级图装进脑子，以后看到任何 AI 新闻都能立刻定位它在说哪一层。

一张表看清层级与时间线

概念	与上一层的关系	大致时间线	典型代表
AI（人工智能）	最大的圈：让机器表现出智能的一切技术	1956 年达特茅斯会议提出这个词	规则系统、专家系统、各类学习算法都在其中
机器学习	AI 的子集：从数据里学规律，不靠人工写规则	上世纪八十年代起成为主流路线	决策树、支持向量机、神经网络
深度学习	机器学习的子集：用多层神经网络做学习	2012 年图像识别大赛后迅速崛起	图像识别、语音识别、大语言模型
生成式 AI	主要落在深度学习层的应用方向	2020 年代大模型让它走进大众视野	对话模型、文生图、文生视频

读这张表的要点在第二列：生成式 AI 与前三行的关系，跟前三个之间的包含关系不一样。前三者是圈套圈，一层包一层；生成式 AI 是深度学习里长出来的一个应用方向，与它相对的还有判别式那一支，下面单说。

三层圈怎么一层层缩小

AI 的定义最宽：凡是让机器表现出智能的技术都算，包括早期完全不学习的规则系统——把专家知识写成一条条 if-else 的专家系统，就是没有机器学习的 AI。

机器学习往里收一层：不再人工写规则，让程序从数据里自己学规律。垃圾邮件过滤是典型场景，规则写不完，但给它看足够多的样本，它能自己总结出判断特征。

深度学习再收一层：学规律的方式限定为多层神经网络。神经网络的结构早就存在，但要数据和算力都够大之后才真正发挥威力，2012 年图像识别精度的大幅跃升就是转折点。今天 DeepSeek、豆包、Kimi 这些对话产品背后的语言模型，全部属于深度学习。

深度学习模型的规模用参数量衡量，参数量级不同，能力表现也不同。参数大了之后，模型怎么塞进有限的显存又是另一个问题，量化是常见的瘦身手段。这两条线都有专文展开。

生成式对判别式：一对真正的对立面

真正跟生成式 AI 相对的概念是判别式。判别式模型学的是输入到答案的映射：给一张照片，判断是不是猫；给一封邮件，判断是不是垃圾邮件。它只输出判断，不产出新东西。生成式模型学的是数据本身长什么样，学完之后能按这个分布产出新样本：写一段文字、画一张图、生成一段视频。

这个区分有两个实用推论。其一，生成式 AI 几乎都建立在深度学习上，因为要建模复杂内容的分布，浅层方法做不到；判别式任务则从传统机器学习到深度学习都有。其二，听到 AI 画图、AI 写作，说的都是生成式这一支；听到 AI 识别、AI 判定，多数时候是判别式。两支的技术重心不同，评估方法也不同。

为什么日常说的 AI 多指生成式 AI

对话、写作、画图这类体验太直观，ChatGPT、豆包这些应用把生成式能力包装成人人可用的界面，于是大众把 AI 和生成式 AI 划了等号。但严格说，AI 的范围大得多：工厂里的缺陷检测、地图的路线规划，多数是判别式或传统算法，它们也是 AI。

知道层级还有个实际好处：读产品宣传时能立刻识别偷换概念。宣传语说采用 AI 技术，可能只是十年前的规则系统；说基于深度学习的大模型，那才指向生成式这一支。权重是否公开、能否自己部署，是判断大模型产品开放程度的硬指标。另外，不少套壳应用只是换了界面的同一层模型，识别它们同样靠这张层级图。

这张层级图覆盖不到的地方

层级图是简化模型，有覆盖不到的情况。一是规则式 AI 至今仍在使用，客服系统里的固定话术树、办公软件里的宏，都算广义 AI，但既算不上机器学习，更算不上深度学习。二是同一款产品常常混合多层技术，一个画图应用可能同时用了深度学习模型、传统图像处理和人工审核，分层理解是为了看清结构，不等于产品只能属于某一层。三是生成式与判别式的边界在工程里是流动的，同一个模型往往先理解输入、再生成输出，两支能力可以在一个系统里共存。