父级：AI 基础导读 · 支柱页面：从 AI 入门到 AI Context Workspace。
关键要点
- AI 是研究和构建能够完成识别、推理、学习、生成等智能任务的系统的领域。
- AI 不等于某个聊天产品，也不意味着系统拥有人的意识。
- 机器学习是 AI 的重要分支，深度学习属于机器学习，生成式 AI 强调生成内容这一能力。
- 生成式 AI 只是 AI 中的一类技术，识别、排序等任务同样属于 AI。
- “会生成回答”不等于“每句话都有事实依据”，流畅表达不等于事实正确。
先给出答案
人工智能，即 AI，是研究和构建能够完成识别、推理、学习、生成等智能任务的系统的领域。它不是某个聊天产品的名字，也不意味着系统拥有人的意识。
例如，识别垃圾邮件是在分类，推荐文章是在排序，生成文章草稿是在创作内容。它们都可能使用 AI，但解决的问题不同。
AI 如何走到今天？
理解 AI 的发展，不必先背完整年表。可以先看几种重要思路如何扩展了机器能做的事。
| 阶段或节点 | 核心变化 | 对使用者的意义 |
|---|---|---|
| 1950 年，图灵讨论机器智能 | 将机器能否表现出智能变成可讨论的问题 | 智能的定义并不只有一种 |
| 1956 年，达特茅斯研讨会 | 成为人工智能研究的重要历史节点 | AI 远早于今天的聊天应用 |
| 规则系统与专家系统 | 把人的知识表达为规则 | 规则清楚时有效，维护复杂例外较困难 |
| 机器学习的发展 | 从数据中学习模式，而不只依赖手写规则 | 数据质量会影响结果 |
| 深度学习的发展 | 使用多层神经网络学习复杂表示 | 图像、语音、语言处理能力得到推进 |
| 生成式 AI 的普及 | 根据输入生成文本、图像等内容 | 普通人可以用自然语言参与更多任务 |
这些路线不是整齐替代的关系。规则、传统机器学习和深度学习仍然可以在同一系统中共同工作。
从这张表可以看出，AI 的能力范围一直比“生成内容”更宽。今天的生成式 AI 之所以显眼，是因为它让普通人也能用自然语言参与更多任务，但这并不改变 AI 作为领域的事实。
从这条脉络能读出什么？
发展脉络的作用不是记住年份，而是理解不同思路各自解决了什么、又留下了什么问题。
规则系统把人的知识写成规则，规则清楚时有效，但例外一多就难以维护。机器学习改为从数据中学习模式，于是数据质量开始直接影响结果。深度学习用多层神经网络学习复杂表示，让图像、语音和语言处理能力得到推进。到生成式 AI 普及，普通人得以用自然语言参与更多任务。
这条线索也解释了一个常见现象：AI 并非只有一种实现方式，不同思路回答的是不同问题。把其中任何一种当成 AI 的全部，都会造成预期偏差。
几个容易混淆的概念
机器学习是 AI 的重要分支，强调从数据中学习。深度学习属于机器学习，主要使用多层神经网络。生成式 AI 强调“生成内容”这一能力，当前主流系统大量使用深度学习。
大语言模型主要处理和生成语言，也有模型能同时处理图片、音频等输入。但“会生成回答”不等于“每句话都有事实依据”。在缺少资料或问题存在歧义时，模型可能给出看似合理但不正确的答案。
为了把关系看得更清楚，可以用一张表说明它们的层次与侧重点。
| 概念 | 与 AI 的关系 | 侧重点 | 对应的任务示例 |
|---|---|---|---|
| 人工智能（AI） | 领域本身 | 完成识别、推理、学习、生成等智能任务 | 分类、排序、生成 |
| 机器学习 | AI 的重要分支 | 从数据中学习模式，而不只依赖手写规则 | 数据质量影响结果 |
| 深度学习 | 属于机器学习 | 使用多层神经网络学习复杂表示 | 图像、语音、语言处理 |
| 生成式 AI | AI 中强调生成内容的一类技术 | 根据输入生成文本、图像等内容 | 生成文章草稿 |
| 大语言模型 | 生成式 AI 中主要处理语言的模型 | 处理和生成语言 | 许多文本应用的能力基础 |
理清这层关系后，很多争论会变得具体：说“AI 做不了这件事”之前，先确认指的是整个领域，还是其中某一类技术。
为什么要区分这些概念？
区分这些概念不是为了学术严谨，而是为了让讨论和验收变得具体。说“AI 做不了这件事”时，如果指的是整个领域，可能忽略了它早已用于分类和排序；如果指的是生成式 AI，问题可能只是本次缺少资料。
对使用者来说，概念的层次也决定了预期的层次：你不必要求 AI 拥有它没有的信息，也不必因为它能生成文字就相信每个事实。把领域、分支、能力类型和具体模型分开，才能对结果提出恰当的验收要求。
对日常使用有什么影响？
以写技术文章为例，AI 可以解释概念、比较结构、生成草稿。涉及版本、性能数字或产品政策时，应提供可靠资料，并检查原始来源。
这里需要区分三件事：模型擅长什么，模型本次知道什么，你如何确认它做对了。后两件事，正是后续 上下文学习和任务验收要解决的问题。
遇到不确定的结论时，先回到这条分层去判断：它属于模型能力的限制，还是本次资料不足造成的。
把概念真正用起来，还需要从“聊天”转向“任务”。相关方法见 什么是 AI 应用：模型、工具与工作流 与 AI 应用导读。
常见问题
AI 和机器学习、深度学习、生成式 AI 是什么关系？
AI 是领域；机器学习是 AI 的重要分支，强调从数据中学习；深度学习属于机器学习，主要使用多层神经网络；生成式 AI 强调生成内容这一能力，当前主流系统大量使用深度学习。
生成式 AI 就是 AI 的全部吗？
不是。生成式 AI 只是其中一类技术。识别垃圾邮件属于分类，推荐文章属于排序，这些任务同样属于 AI，只是不强调“生成内容”。
大语言模型就是 AI 吗？
不完全等同。大语言模型主要处理和生成语言，是生成式 AI 中的一类模型，也是当下许多文本应用的能力基础；它不能代表整个 AI 领域。
为什么 AI 会给出流畅但错误的内容？
在缺少资料或问题存在歧义时，模型可能给出看似合理但不正确的答案。文字流畅不等于事实正确，涉及重要事实时应提供可靠资料并回查原始来源。
AI 意味着机器拥有人的意识吗？
不是。AI 是研究和构建能够完成识别、推理、学习、生成等智能任务的系统的领域，系统可以表现出智能行为，但这不等于拥有人的意识。
参考资料
- IBM：What is artificial intelligence?：AI 概念及历史概览。
- 《动手学深度学习》：引言：机器学习与深度学习的基本思路。