从 AI 到生成式 AI：一文看懂四层技术之间的包含与演进关系

很多人第一次接触AI，是从ChatGPT、智能音箱或者自动驾驶开始的，因此容易把AI理解成某种特别先进的软件。

但从计算机科学的发展历史来看，AI首先不是某一个具体模型，而是一个非常宽泛的研究领域。

它试图解决的是一个基本问题：

能不能让机器完成过去需要人类智能才能完成的事情？

比如识别一个人的脸，理解一句话的意思，在地图上规划路线，根据棋局选择下一步动作，判断一封邮件是不是垃圾邮件，预测某个人是否可能拖欠贷款，甚至生成一段文字、一张图片或者一段视频。

这些任务表面上差别巨大，但它们有一个共同点：过去，人们通常认为完成它们需要某种程度的“智能”。

于是，只要是在研究怎样让计算机具备感知、判断、推理、规划、学习或者决策能力，都可以被放进人工智能这个大框架中。

这也是为什么AI的范围远比很多人想象得大。

早期人工智能并不依赖今天意义上的机器学习。

例如，过去做一个棋类程序，开发者可能会把大量规则直接写进程序：

如果出现这种棋局，就优先走A；

如果对手采取这种行动，就进入B策略；

如果某个棋子的价值高于另一个棋子，则优先保护前者。

这种方式通常被称作基于规则的方法。

它的核心逻辑是：人先总结规则，再让机器按照规则行动。

这种系统同样属于人工智能。

所以从概念上说：

AI不等于机器学习。

机器学习只是后来成为AI领域非常重要的一种实现手段。

这一区别非常关键。

因为如果把AI直接等同于机器学习，就很难理解人工智能技术为什么在不同历史阶段呈现出完全不同的形态。

二、机器学习改变了一件事：不再把所有规则都写给机器

传统程序有一个很典型的运行方式：

人类先理解问题，然后总结规则，最后把规则写成代码。

例如判断一封邮件是不是垃圾邮件，可以设计很多规则：

包含“免费领取”加一分；

包含大量感叹号加一分；

发件地址异常加一分；

正文中存在某些敏感关键词再加两分。

总分超过某个阈值，就把邮件放进垃圾箱。

这种程序的问题在于，现实世界远比规则复杂。

垃圾邮件发送者会改变表达方式，正常邮件偶尔也可能出现“免费”两个字。规则写得太少，识别不准；规则写得太多，系统又会变得非常复杂。

于是机器学习提供了另一种思路：

人不再试图提前写出所有判断规则，而是给机器大量数据，让机器自己从数据中找规律。

例如给系统10万封已经标记好的邮件，其中一部分是正常邮件，一部分是垃圾邮件。

机器学习算法会分析这些样本，逐渐发现哪些文字组合、发件特征、链接结构以及邮件格式更容易与垃圾邮件相关。

最后，当一封新邮件出现时，模型就可以根据过去学到的模式做判断。

这里发生了一次很重要的变化。

传统编程大致是：

规则 + 数据 → 结果

机器学习更像是：

数据 + 已知结果 → 学出规则

这就是机器学习真正改变人工智能的重要地方。

它把“人总结规律”变成了“机器从数据中学习规律”。

今天很多我们已经习以为常的功能，其实都属于机器学习的典型应用。

例如电商推荐商品，短视频平台预测用户可能喜欢什么内容，银行识别异常交易，地图预测某条道路未来半小时是否拥堵，视频网站推荐下一部影片，企业预测客户是否可能流失。

这些系统未必能够和人聊天，也不会生成漂亮图片。

但它们仍然属于AI。

而且直到今天，这类机器学习系统依然大量存在。

因此，不能因为生成式AI突然走红，就认为以前的机器学习“过时了”。

在很多业务场景里，传统机器学习反而更加稳定、成本更低，也更容易解释。

三、深度学习解决的是机器学习中的“特征”难题

如果机器学习已经可以让机器从数据中学习，那么为什么后来还需要深度学习？

原因之一，就是现实世界的数据实在太复杂。

假设现在需要让计算机判断一张图片里有没有猫。

传统机器学习通常需要先完成一个步骤：提取特征。

什么叫特征？

简单理解，就是人们认为能够帮助机器判断的重要信息。

比如猫可能具有：

尖耳朵；

胡须；

某种眼睛形状；

毛发纹理；

特定身体轮廓。

工程师先想办法把这些信息从图片中提取出来，再交给机器学习算法进行分类。

问题是，现实中的猫不会乖乖按照标准照片出现。

有的猫趴着，有的猫侧着身子，有的只露出半张脸，有的被家具挡住，还有的照片光线很暗。

如果所有特征都依靠人工设计，任务越复杂，工程量就越大。

深度学习的重要意义就在这里体现出来。

它试图让模型不仅学习“如何根据特征做判断”，还进一步学习：

哪些特征本身是重要的。

也就是说，过去很多需要工程师手工完成的特征提取工作，也可以交给神经网络。

这也是“深度”二字的重要含义之一。

一个深度神经网络通常包含很多层。

以图片识别为例，较前面的网络层可能学习边缘、颜色变化和纹理，中间层逐渐形成局部结构，更深层则可能形成更加抽象的对象特征。

当然，真实神经网络内部并不会真的按照“第一层识别耳朵、第二层识别胡须”这样整齐工作，但用这种方式理解其层层抽象的信息处理过程并没有问题。

于是，三者之间的第一层关系也就出现了：

人工智能是更大的领域，机器学习是人工智能的重要实现方法，深度学习又是机器学习中的一种重要技术路线。

如果用集合关系表示，大致可以写成：

AI ＞ 机器学习 ＞ 深度学习。

也正是深度学习的发展，推动了过去十多年计算机视觉、语音识别、自然语言处理等领域的快速进步。

但故事还没有结束。

因为能够“识别”世界，和能够“创造”内容，是两件不同的事。

四、生成式AI的关键，不只是判断，而是“生成”

理解生成式AI之前，可以先比较两个问题。

第一个问题：

这张图片里是一只猫还是一只狗？

第二个问题：

请画一只戴着宇航员头盔、坐在月球上的橘猫。

它们看起来都和图片有关，但机器需要完成的任务完全不同。

第一个任务是在已有类别中作出判断。

第二个任务则需要创造一个此前并不存在的新内容。

再比如：

“这条评论是正面还是负面？”属于分类问题。

“帮我写一条产品评论。”属于生成问题。

“这段程序有没有错误？”可以是识别和判断问题。

“根据需求写出一段完整程序。”则属于生成问题。

所谓Generative AI，也就是生成式人工智能，最鲜明的特点就在于：

它不仅分析已有信息，还能够根据输入条件生成新的文本、图片、声音、视频、代码或者其他内容。

这是近年来普通用户对AI感受发生巨大变化的重要原因。

以前很多AI其实早已存在于生活中，只是它们在后台工作。

推荐算法不会主动和你聊天。

信用风险模型不会为你写诗。

图像分类模型也不会主动给你画一张海报。

因此人们虽然长期使用AI，却不一定有很强的“我正在和人工智能交互”的感觉。

生成式AI不一样。

人可以直接输入一句自然语言：

“写一封请假邮件。”

“帮我设计一个Logo。”

“把这段代码改成Python。”

“生成一张未来城市的概念图。”

“把这篇3000字文章压缩成300字。”

然后系统直接输出结果。

AI第一次如此直观地进入普通人的内容生产过程。

这也是为什么生成式AI的社会影响远比过去很多AI应用更加明显。

五、生成式AI和深度学习到底是什么关系？

这里是最容易混淆的地方。

很多文章会直接画出这样一个关系：

AI包含机器学习，机器学习包含深度学习，深度学习包含生成式AI。

作为入门理解，这样画并不是完全错误，但如果严格一点，就需要增加一个说明。

因为前面三个概念主要是在回答：

技术是怎样实现的？

而“生成式AI”更多是在回答：

AI能够产生什么样的结果？

也就是说，它们并不完全处于同一个分类维度。

机器学习、深度学习更偏向技术路线。

生成式AI则更偏向能力和应用类型。

今天最强大的生成式AI系统，确实绝大多数依赖深度学习。

例如大型语言模型依赖大规模神经网络训练，很多文生图系统依赖扩散模型，视频生成、语音生成和多模态模型也普遍建立在深度学习基础之上。

所以从现实技术体系来看，现代生成式AI和深度学习高度重合。

但理解它们时，最好不要机械地把四个词理解成四个完全相同维度的嵌套盒子。

更准确的说法应该是：

AI是总领域；机器学习和深度学习描述实现智能的方法，而生成式AI描述一种以内容生成为核心的AI能力。现代生成式AI的主要技术基础恰好又是深度学习。

这样理解，很多问题就会变得清楚。

六、大模型又处于什么位置？

讨论生成式AI时，还有一个经常出现的词：大模型。

大模型并不是与AI、机器学习、深度学习完全平行的第五个概念。

所谓“大”，通常指模型拥有非常庞大的参数规模，并通过海量数据进行训练。

以大型语言模型为例，它通过训练学习大量文本中的语言规律、知识关联和上下文关系。

用户输入一句话之后，模型会根据已经学习到的模式预测接下来最可能出现的内容，并不断重复这个过程。

当模型规模、训练数据和训练方法达到一定程度后，它表现出来的能力会远远超过简单的“句子接龙”。

它可以总结文章、进行翻译、写程序、解释概念、整理资料、模拟角色，还可以完成一定程度的推理任务。

今天大家熟悉的许多AI聊天工具，本质上都属于生成式AI应用，而它们背后的核心通常是大型语言模型。

因此可以把几个常见概念串起来：

大型语言模型属于深度学习模型的一类，它支撑了大量生成式AI应用，而生成式AI又属于人工智能发展的重要方向。

这样一来，整个技术地图就逐渐完整了。

七、为什么这一轮AI爆发得这么快？

如果深度学习已经发展多年，为什么生成式AI偏偏在最近几年迅速进入大众生活？

不是因为某一天突然出现了一种“真正的人工智能”。

更准确地说，是几个长期积累的条件同时成熟了。

第一个条件是数据。

互联网几十年的发展积累了大量文本、图像、音频、视频和代码数据，为训练大型模型提供了基础。

第二个条件是算力。

GPU以及各种AI加速芯片的发展，让训练拥有数十亿甚至更大参数规模的神经网络成为可能。

第三个条件是算法和模型架构不断进步。

Transformer、扩散模型以及后续大量训练技术，使模型能够处理更长的上下文、更复杂的数据，并表现出更强的生成能力。

第四个条件则是产品形态发生了变化。

以前使用AI往往需要专业知识，而现在人们只要会打字，就能通过自然语言使用模型。

这看似只是交互方式改变了，实际上意义非常大。

因为自然语言本身就是普通人最熟悉的人机接口。

过去学习软件，是人适应机器。

今天使用生成式AI，在很多情况下变成了机器理解人的表达。

AI的使用门槛因此突然下降。

这也是为什么生成式AI能够如此迅速地从实验室技术变成大众产品。

八、传统机器学习并没有被大模型淘汰

生成式AI火起来之后，经常有人提出一个问题：

既然大模型什么都能做，以后是不是所有机器学习模型都没有用了？

答案是否定的。

大型模型能力很强，但并不是所有问题都值得使用大型模型解决。

比如一个工厂需要根据设备温度、转速、压力和振动数据预测设备是否可能故障。

输入可能只有几十个结构化变量，任务只是输出一个风险概率。

这种情况下，一个成熟的传统机器学习模型可能已经足够。

它训练快、部署成本低、输出稳定，而且更容易解释变量和结果之间的关系。

再比如银行信用评分、客户流失预测、销售预测、工业质量检测以及某些医学统计任务，传统机器学习至今仍然拥有大量应用。

这就像交通工具的发展。

高铁出现以后，城市里的自行车并没有消失。

飞机越来越先进，也不会有人因此坐飞机去两公里外的便利店。

技术不是简单按照“新技术淘汰旧技术”的方式发展。

更常见的情况是：

不同技术找到更加适合自己的问题。

生成式AI擅长处理开放性、非结构化和内容生成任务。

传统机器学习则非常适合大量结构化预测、分类、排序和风险分析问题。

两者会长期共存。

九、四类概念放进一个实际场景，就更容易看懂

假设现在有一家电商公司。

它可能同时使用多种AI技术。

后台有一个系统，根据用户年龄、购买记录和浏览行为预测谁更可能购买某个商品。

这可能使用传统机器学习。

另一个系统需要识别用户上传的商品图片是否存在违规内容。

它可能使用深度学习视觉模型。

客服系统需要自动生成回答，理解用户的问题并组织自然语言回复。

它可能使用大型语言模型，也就是典型的生成式AI。

市场部门则输入一句提示词：

“生成一张夏季户外露营主题的促销海报。”

系统自动生成一张新图片。

这同样属于生成式AI。

站在企业角度看，这些系统全部都可以被统称为：

AI应用。

但它们背后的技术并不完全相同。

这就是为什么现实讨论中不能看到“AI”两个字，就默认指的是ChatGPT这样的模型。

AI是一座城市，机器学习、深度学习、大模型和生成式AI只是这座城市里的不同区域和道路。

十、真正值得关注的，不再只是“AI会不会做”

过去评价一项AI技术，人们经常问：

它能不能做到？

例如：

AI能不能识别人脸？

AI能不能听懂语音？

AI能不能翻译文章？

AI能不能生成图片？

随着能力不断提高，问题正在逐渐改变。

未来越来越重要的问题可能会变成：

AI做得准不准？

结果是否可靠？

模型为什么得出这个结论？

生成内容有没有事实错误？

训练数据是否合法？

AI生成的作品版权如何界定？

个人隐私如何保护？

企业是否愿意把核心数据交给模型？

模型运行成本是否可以接受？

如果AI参与医疗、金融、自动驾驶等高风险决策，责任应该由谁承担？

这意味着人工智能竞争已经开始从单纯追求“模型更大、能力更强”，逐步走向更加复杂的系统竞争。

模型能力只是其中一部分。

数据、算力、应用场景、行业知识、安全机制、产品体验以及监管规则都会共同决定AI最终能够走多远。

十一、生成式AI真正改变的，是人与软件之间的关系

如果只把生成式AI理解成“自动写文章的软件”，其实低估了它的影响。

过去几十年的软件基本遵循一个共同逻辑：

开发者提前设计功能，然后用户寻找功能。

要做表格，就点击表格功能。

要修图片，就找到对应工具。

要搜索资料，就输入关键词。

用户必须理解软件的操作逻辑。

生成式AI正在尝试改变这种模式。

未来的软件可能越来越像这样：

用户直接描述目标。

“把过去三个月销售数据整理出来，找出下降最明显的地区，分析可能原因，然后做成一份汇报。”

系统再去调用数据、分析工具、图表工具甚至其他软件完成任务。

在这种模式里，人不一定需要知道每一个按钮在哪里。

人更多负责表达目标、提供背景、判断结果。

软件负责把目标拆解成一系列操作。

如果这种趋势继续发展，那么生成式AI真正深刻的影响，也许不是“机器会写文章”，而是：

计算机正在从一个需要人学习操作方法的工具，逐渐变成一个可以通过自然语言进行协作的系统。

这可能比单纯的文本生成重要得多。

十二、最后再把四者关系讲清楚

如果读到这里仍然觉得几个概念有些绕，可以用四句话重新记一遍。

人工智能AI，是最大的范围。

它研究的是怎样让机器完成具有智能特征的任务。

机器学习，是实现AI的重要方法。

它的特点是让机器从数据中学习规律，而不是把所有规则都由人提前写好。

深度学习，是机器学习的重要分支。

它利用多层神经网络从大量数据中学习更加复杂的特征和模式，也是今天视觉、语音、自然语言处理以及大模型的重要技术基础。

生成式AI，则强调AI创造新内容的能力。

它可以生成文字、图片、声音、视频和代码。今天主流的生成式AI基本建立在深度学习和大模型技术之上。

因此，如果非要画一张最简单的关系图，可以写成：

人工智能（AI）

→ 机器学习（Machine Learning）

→ 深度学习（Deep Learning）

→ 大型神经网络与基础模型

→ 支撑今天大量生成式AI应用

但同时要记住，生成式AI并不只是“第四层技术名称”，它更代表一种能力方向。

理解这一点非常重要。

因为未来AI世界真正值得关注的，已经不只是某一个模型参数有多大，而是谁能够把算法、数据、算力和真实需求真正连接起来。

生成式AI可能是这一轮技术浪潮中最耀眼的部分，但它并不是人工智能的全部。

推荐系统仍然在决定我们看到什么内容，机器学习仍然在预测风险，深度学习仍然在识别图像和语音，而生成式AI则开始参与写作、设计、编程、搜索和知识工作。

它们并不是四个彼此竞争的概念。

更准确地说，它们共同构成了今天人工智能不断扩张的技术版图。

而我们现在看到的，可能还只是这张版图刚刚展开的一角。返回搜狐，查看更多