1.1 人工智能概述：定义、范畴与AI-ML-DL关系

1.1 人工智能概述：定义、范畴与 AI-ML-DL 关系

本节摘要：人工智能是构建能够执行通常需要人类智能的任务的系统的科学与工程。本节讲清 AI 的四种定义视角（像人一样思考、像人一样行动、理性地思考、理性地行动）、它的交叉学科属性与主要分支，并画准人工智能、机器学习、深度学习三者的包含关系——这是初学者最容易混淆、也是后续所有讨论的概念前提。

学习目标

阅读完本节，你应当能够：

1. 用两三句话向非技术背景的人解释什么是人工智能；
2. 说出四种 AI 定义视角及其代表性判据（如图灵测试）；
3. 列举 AI 的主要分支领域及其典型任务；
4. 准确描述 AI、ML、DL 的层级包含关系并解释"深度"的含义。

一、定义为什么这么难

"人工智能"这个词每天都在新闻里出现，但你要问十个从业者"什么是 AI"，大概率得到十种答案。原因不奇怪：智能本身没有公认的定义。经典教材《人工智能：一种现代方法》给了一个实用的分析框架——用两个维度（思维过程对比行为表现）和两个标准（类人对比理性）划分出四种视角：

1. 像人一样思考：关注机器内部的思维过程是否与人类认知相似，对应认知建模路线，研究者会用脑成像实验验证算法与人脑处理方式的相似性；
2. 像人一样行动：关注行为是否与人类无法区分，判据就是 1950 年图灵提出的图灵测试——如果机器在对话中让提问者无法分辨它不是人，即视为具有智能；
3. 理性地思考：遵循逻辑推理规则，构建能做逻辑演绎与知识表示的系统，这是早期符号主义的主战场；
4. 理性地行动：在给定信息下采取最大化预期目标的行动，即构建"智能体"。

当前主流研究与产业落地几乎都押在第四种视角上。原因很务实：类人思维难以度量，而"在给定约束下把目标做得足够好"可以直接用指标衡量。你刷到的推荐、通过的贷款审批、识别出的车牌，背后都是理性行动的智能体。

二、交叉学科与主要分支

AI 不是计算机科学的孤岛，它融合了数学、统计学、神经科学、心理学、语言学与哲学——神经科学贡献了神经网络的原始启发，统计学贡献了机器学习的理论底座，语言学则催生了自然语言处理。

图：AI 七十年关键里程碑时间线

在众多分支中，机器学习是当前当之无愧的发动机，其他分支与它的关系如下表：

三、AI、ML、DL：三层同心圆

三个词在媒体上经常被混用，但它们是严格的包含关系。用一个交通比喻：AI 是"让交通工具自动行驶"的整个愿景；ML 是其中"让车通过大量行驶数据自己学会开"的技术路线；DL 则是这条路线里"用多层神经网络学开车"的具体车型。

• 人工智能（AI）：最外层的目标，制造能展现智能的机器，历史可追溯到 1950 年图灵之问与 1956 年达特茅斯会议（麦卡锡在此首次提出"人工智能"一词）；
• 机器学习（ML）：实现 AI 的主要途径，让机器从数据中提升任务表现，而不是依赖人写死的规则；
• 深度学习（DL）：ML 的子集，使用多层神经网络从数据中学习更抽象的表示，"深度"指的就是隐藏层的层数。

理解成代码层级的话：

人工智能
 └── 机器学习
      ├── 传统算法：线性回归、决策树、SVM、K-Means
      └── 神经网络
           ├── 浅层网络：单隐藏层的感知机
           └── 深度学习：多个隐藏层 —— CNN / RNN / Transformer / GAN ...
​

💡 关键直觉：包含关系意味着"深度学习能做的，都算机器学习；但机器学习能做的，深度学习未必做得好"。表格数据上的梯度提升树至今常胜深度网络，这正是第二章存在的理由。

⚠️ 常见坑：把"用了大数据"等同于"人工智能"，或者把任何 if-else 规则系统称作 AI。判别标准很简单——系统的行为是否随经验（数据）积累而自动改进；不满足这一条的，再复杂的规则引擎也只是传统软件。

四点延伸：把概念地图钉牢

延伸一：智能体的正式表述。 "理性地行动"视角下的 AI 系统被称作智能体：它持续感知环境、依据内部策略选择行动、行动改变环境并带来新的感知。这个"感知-决策-行动"的闭环是比"算法"更完整的分析单元——第四章讲强化学习时，智能体就是字面意义的主角；而即便在监督学习里，一个上线的风控模型加上它的数据回流与更新机制，同样构成一个智能体。用智能体的眼光看系统，会逼着你考虑纯算法视角容易漏掉的东西：延迟、反馈回路、环境变化。

延伸二：符号主义与联结主义的百年之争。 AI 七十年的历史可以用两条路线的交替叙述（1.4 节展开细节）：符号主义相信智能来自逻辑与规则操作，联结主义相信智能来自大量简单单元的连接与调整。今天的深度学习是联结主义的巅峰，但符号主义并未出局——知识图谱、规则引擎仍在生产系统里服役，而"神经加符号"的混合路线被认为是通往更可靠 AI 的候选路径之一。初学者不必站队，但要知道这两条路线的存在：它们对应两种对"智能本质"的不同信念。

延伸三：为什么图灵测试不再是唯一标尺。 图灵测试衡量的是对话行为与人类的不可区分性，但"表现得像人"与"真正解决问题"是两回事——一个能流利闲聊却算不对账的系统可以通过部分对话场景的考验，却毫无实用价值。现代 AI 评估更倾向任务导向：翻译看双语评估得分、下棋看胜率、医疗看诊断符合率。从"像人"到"有用"，这个评估哲学的转变本身就说明了产业对 AI 的期待已经从奇观走向工具。

延伸四：普通软件、自动化与 AI 的边界。 一段定时备份数据的脚本属于普通软件；一条"温度超阈值即报警"的逻辑属于自动化；只有行为会随数据积累而系统性改进的系统才叫 AI。边界判断还有一层实用价值——许多被冠以"智能"的产品其实是固定规则，采购或立项时按"经验从哪来、如何更新"两问即可验明正身。

常见问题

AI 会取代程序员或分析师吗？ AI 取代的是任务而不是职业。重复性的样板代码、初筛类的报表分析正在被快速自动化，而问题定义、方案取舍、结果问责这些环节对人的依赖反而在上升。第一章反复强调的"问题定义决定一切"，正是人不可让渡的那一环。

机器学习、深度学习、大模型是什么关系？ 逐层包含：大模型是深度学习的一个新阶段（超大规模参数加超大规模预训练），深度学习是机器学习的子集，机器学习是实现人工智能的主要途径。媒体语言常把四者混用，读者按这个包含链一换算即可对上号。

从事 AI 工作一定要读博吗？ 研究新算法需要系统的学术训练，但应用现有算法解决业务问题，需要的是本教程这样的原理功底加工程能力。产业岗位的大多数日常在数据、评估与部署，而非发明新模型。

AI 概念有七十年历史，为何近十余年才真正渗透进日常？## 五、为什么"现在"是 AI 的时代

三个条件在 2010 年前后同时成熟：

1. 大数据：互联网与数字化让标注数据从稀缺变过剩，机器学习模型的性能上限主要由数据质量与数量决定；
2. 算力：GPU 的并行计算能力恰好匹配神经网络训练中大规模矩阵运算的形态，训练时间从月缩到天；
3. 算法：反向传播的高效实现、ReLU 激活函数缓解梯度消失、残差连接让上百层网络可训练等改进持续累积。

三者的关系不是加法而是乘法——缺任何一项，另外两项的价值都会大打折扣。这个判断反过来也提醒我们：在数据与算力受限的场景（如某些工业与医疗场景），选择"数据效率更高"的传统算法往往是更理性的工程决策。

要点速记

• 定义四视角：像人一样思考、像人一样行动、理性地思考、理性地行动，当前主流是构建"理性行动"的智能体；
• 判据：图灵测试属于"像人一样行动"视角，衡量行为与人的不可区分性；
• 学科属性：AI 是融合计算机科学、数学、神经科学、语言学等的交叉学科；
• 层级关系：人工智能 ⊃ 机器学习 ⊃ 深度学习，混淆层级是初学者第一错误；
• 历史锚点：1950 图灵之问、1956 达特茅斯会议命名、2012 前后深度学习爆发；
• 当下繁荣三因素：大数据、GPU 算力、算法进步，三者相乘而非相加。

下一节我们把"从数据中学习"这句话拆开，看机器学习的范式与传统编程究竟差在哪里。