人工智能入门：从机器学习到大模型

June 23, 2026 1 分钟阅读时间

AIAI 编程机器学习神经网络深度学习大模型

Edit

先把几个概念摆正

很多人第一次接触人工智能时，最容易被几个词绕晕：

机器学习
人工神经网络
深度学习
大模型

它们不是四个并列概念，而是一组层层递进、又有一点历史交叉的关系。

严格说，人工智能（AI）是最大的概念。早期 AI 里也有规则系统、搜索算法、专家系统等不依赖机器学习的方法。但如果只看今天最主流的 AI 技术路线，那么我们主要讨论的就是机器学习，以及机器学习下面的神经网络、深度学习和大模型。

可以先用一张简单的关系图理解：

人工智能（AI）
└── 机器学习（Machine Learning）
    ├── 传统机器学习方法
    │   ├── 线性回归
    │   ├── SVM
    │   ├── 随机森林
    │   └── KNN
    └── 基于神经网络的方法
        ├── 浅层人工神经网络
        └── 深度学习
            ├── CNN
            ├── RNN
            ├── Transformer
            └── 大模型

机器学习：让机器从数据中学习规律

机器学习是今天主流 AI 的基础。

传统的软件是人把规则写进程序里：如果满足 A 条件，就执行 B 操作。机器学习不完全是这样。它更像是把大量数据交给算法，让算法自己从数据里总结规律，然后用这些规律去判断新问题。

比如：

根据房屋面积、位置、楼层预测房价
根据一封邮件的文字判断是不是垃圾邮件
根据用户行为判断他可能喜欢什么商品
根据图片内容判断里面是不是一只猫

从方法上看，机器学习大致可以分成两类。

第一类是传统机器学习方法，比如线性回归、SVM、随机森林、KNN 等。它们通常不依赖多层神经网络，而是通过人工设计的特征和相对明确的统计模型来完成预测或分类。

第二类是基于神经网络的方法。这类方法模仿人脑神经元之间的连接方式，用大量节点和参数来学习数据里的复杂规律。今天我们熟悉的深度学习和大模型，都属于这条路线的发展结果。

监督学习：机器如何找到正确答案

理解机器学习，可以从最经典的监督学习开始。

监督学习的特点是：训练数据里不只有输入，还有标准答案。比如我们给模型看很多套房子的面积、位置、楼层和成交价格，模型要学习的是：以后看到一套新房子时，应该如何预测它的价格。

它背后的最小模型，可以先写成一个非常简单的形式：

f(x) = wx + b

这个公式可以看作机器学习的一个原子单元。

x 是变量，也叫特征。它是现实世界业务对象的数字化抽象。
w 是模型参数。它是机器从数据中学到的知识载体。
b 是偏置项。它可以理解为模型的基础倾向或默认修正量。
f(x) 是模型输出，也就是模型根据输入给出的预测结果。

如果 x 只有一个特征，比如房屋面积，那么 w 就是一个数字。如果 x 有很多特征，比如面积、楼层、城市、地铁距离、房龄，那么 x 和 w 都会变成一组数字，也就是向量。

这时公式可以更准确地理解为：

f(x) = w1x1 + w2x2 + w3x3 + ... + b

模型训练的本质，就是让机器不断调整这些 w，找到一组最合适的参数，让模型预测尽可能接近训练数据里的真实答案。

所以，监督学习里有三个核心要素。

第一，特征。特征是对现实世界对象的数字化描述。一个用户、一件商品、一张图片、一段文本，机器都不能直接“理解”，必须先被表示成数字。

第二，参数。参数是模型真正学到的东西。我们平时说模型有多少参数，本质上就是在说这个模型内部有多少可以被训练出来的数值。比如 70B 参数的大模型，意思是它大约有 700 亿个参数。参数量越大，模型的知识容量上限通常越高，但这不等于参数越多就一定越聪明，数据质量、训练方法和模型结构同样重要。

第三，训练数据集。训练数据集是很多个具体 case 及其结果的集合。每一条数据都像是在告诉模型：“看到这样的输入时，正确答案应该接近这个结果。”

从过程上看，监督学习大致包括三步。

第一步是特征工程，也就是把业务对象变成数字。比如把用户注册时间转成“注册天数”，把商品类型转成 One-hot 编码，把用户最近 30 天的购买次数转成一个数值特征。

第二步是准备训练数据集，也就是收集很多已经知道答案的样本。比如一万套房子的特征和成交价格，十万封邮件的文本和“是否垃圾邮件”的标签。

第三步是模型训练。训练的过程，就是通过优化算法不断寻找更好的 w。如果模型预测错了，就根据误差调整参数；反复很多次之后，模型就会逐渐学到输入和答案之间的规律。

这也解释了为什么机器学习可以被理解为：

机器如何找到正确答案的过程。

特征表示：从人工设计到模型自己学习

传统机器学习和深度学习，一个非常大的差别在于：特征到底由谁来设计。

在传统机器学习里，模型高度依赖人工特征工程。业务专家和算法工程师需要先判断哪些信息有用，再把这些信息设计成模型能理解的数字。

比如做用户增长预测时，人工特征可能包括：

用户注册天数
最近 7 天登录次数
最近 30 天购买次数
用户所在城市
用户设备类型

再比如做商品推荐时，人工特征可能包括：

商品类目
商品价格区间
商品历史销量
用户是否收藏过同类商品
用户是否购买过相似商品

这些特征设计得好，传统机器学习模型就可能表现不错；特征设计得不好，模型再努力也很难学到真正有价值的规律。所以在传统机器学习时代，经常会说一句话：特征工程决定了模型上限。

深度学习和大模型的变化在于，它们拥有更强的自主学习特征表示的能力。

也就是说，模型不再完全依赖人提前把所有特征设计好，而是可以在训练过程中自己学习：哪些局部模式重要，哪些组合关系重要，哪些上下文信息重要。

这也是为什么大模型可以直接处理原始文本和图像。

一段文本进入模型后，会先被转换成 token 和向量；一张图片进入视觉模型后，也会被切分、编码成向量。模型会在一层又一层计算中，自己学习这些向量背后的结构和关系。

所以可以这样理解：

传统机器学习把特征工程放在模型外面，主要由人来完成；深度学习和大模型把特征工程内化到模型训练中，让模型自己学习更复杂的特征表示。

人工神经网络：从浅层网络到深度学习

人工神经网络（Artificial Neural Network, ANN）是机器学习中的一类模型。

它的基本思想是：把很多简单的计算单元连接起来，每个单元接收输入、做一次计算，再把结果传给下一层。模型训练的过程，就是不断调整这些连接上的参数，让最终输出越来越接近正确答案。

人工神经网络比较特殊，因为它横跨了两个时代。

在早期，由于数据量、算力和训练方法都有限，神经网络通常比较浅，层数不多，能解决的问题也相对有限。这类浅层神经网络经常被放在传统机器学习的语境里讨论。

后来，随着互联网积累了海量数据，GPU 提供了更强算力，训练方法也不断成熟，神经网络开始变得更深、更大、更复杂。这时就进入了深度学习阶段。

所以可以这样理解：

不是所有神经网络都是深度学习，但深度学习基本上都是深层神经网络。

深度学习：更深的神经网络

深度学习的“深”，主要指神经网络的层数更深。

浅层神经网络可能只有一两层隐藏层，而深度学习模型可以有很多层。层数变深以后，模型可以逐层提取更复杂的特征。

以图像识别为例，模型的前几层可能先识别边缘、颜色和纹理；中间层开始识别局部形状；更高层再组合出眼睛、耳朵、轮廓，最后判断整张图是不是一只猫。

深度学习里有几类经典模型：

CNN（卷积神经网络）：常用于图像识别和视觉任务
RNN（循环神经网络）：曾经常用于文本、语音等序列任务
Transformer：后来成为大模型时代最重要的基础架构之一

深度学习真正爆发，不只是因为模型更深，还因为它同时遇到了三个条件：

足够多的数据
足够强的 GPU 算力
更有效的训练方法和模型结构

这三件事凑在一起，才让深层神经网络从“理论上可行”，变成了“工程上好用”。

大模型：深度学习的特定分支

大模型不是凭空出现的新物种，而是深度学习发展到一定规模后的结果。

今天我们说的大模型，通常有几个特征：

参数规模非常大
使用海量数据进行预训练
以 Transformer 架构为主
具备比较强的泛化能力
可以在多种任务之间迁移

这里的关键是预训练。

过去很多机器学习模型是为某一个具体任务训练的，比如专门做垃圾邮件识别，或者专门做图片分类。而大模型会先在海量通用数据上学习语言、知识、模式和推理方式，然后再通过提示词、微调、工具调用等方式适配具体任务。

这也是为什么 ChatGPT 这类模型看起来更“通用”：它不是只会做一道题，而是先学到了大量通用模式，再根据你的问题临时组织答案。

有时我们会说大模型具备“涌现能力”。这个说法可以简单理解为：当模型规模、数据规模和训练规模变大以后，一些在小模型上不明显的能力开始变得明显，比如更好的上下文理解、多步骤推理、代码生成和跨领域迁移。

但入门阶段不需要把“涌现”想得太神秘。更朴素地说就是：规模变大以后，模型能学到的模式更多，组合能力也更强。

小结

这几个概念的关系可以概括成一句话：

机器学习是今天主流 AI 的基础；神经网络是机器学习中的一类方法；当神经网络变得足够深，就进入深度学习；当深度学习模型继续变大，并通过海量数据预训练，就形成了今天的大模型。

理解这条主线之后，再去看 ChatGPT、Claude、Gemini、Sora 或各种 AI Agent，就不会觉得它们是完全不同的东西。它们本质上都建立在这条技术演进路径上，只是在模型规模、训练数据、交互方式和应用场景上继续扩展。