AI 全景图：AI、机器学习、深度学习与大模型

用一张包含关系图分清 AI、机器学习、深度学习和大语言模型，并认清另一条老路线——专家系统。这是全课程的地基。

本课回答的业务问题：供应商和报告里满屏的“AI”“大模型”“智能体”到底指什么？它们是并列的几种技术，还是一层套一层？

前置课程：无，本课是起点。

读完本课你将能够：

画对包含关系图——大模型 ⊂ 深度学习 ⊂ 机器学习 ⊂ AI；
识别专家系统这条老路线，说清它为什么没被淘汰；
拿到一份平台功能清单，能逐项归层：写死的规则、数据学的规律，还是大模型；
听到“纯 AI 驱动”，能问出三个拆解问题。

一句话定义

人工智能（AI）是让机器表现出类人智能行为的技术总称；机器学习（ML）是 AI 中“不写死规则、让机器从数据里自己学规律”的分支；深度学习（DL）是机器学习中用多层神经网络自动提取规律的分支；大语言模型（LLM）是深度学习中处理与生成语言的模型。四者是包含关系，不是并列关系。

前两个术语是“总—分”关系。“人工智能（AI）“说的是目标，不是一种具体技术——认出巡检照片里缺了临边防护、判断投标文件是否满足资格，这类”看起来需要智能“的行为都算；至于怎么做到，写死规则算、统计规律算、神经网络也算，所以它是”总称”，就像“建筑行业”不指任何一栋楼。“机器学习（ML）“是其中一条实现路线，抓两个限定——“不写死规则”和“从数据里”。传统程序把判断条件一行行写死（“注册资本低于某个数就亮红灯”）；机器学习是把历史数据连同最终结果交给算法，算法自己统计出相关规律，再拿规律判断新项目。规律不是人写的条文，是从数据里“长”出来的——这是它与规则路线的根本分界。

后两个术语是这条路线的再细分。“深度学习（DL）“是机器学习中用”多层神经网络“自动提取规律的那一支。神经网络白话讲，是把大量简单计算单元层层堆叠的结构：什么特征有用不必人手工设计，结构自己从数据里学——图像、语音、语言这类”规律藏得深、写不成条文“的任务正是它的主场。“大语言模型（LLM）“再把范围收窄到语言：在海量文本上训练出来的深度学习模型，核心本领是理解与生成自然语言——读合同、抽条款、写摘要。它怎么”看“文本，第 1 阶段第 1 课专门讲；它是全课程的主角，但远不是 AI 的全部。

最后是关系词：包含，不是并列。AI 里不止机器学习——还有专家系统这条老路线；机器学习里不止深度学习——还有不少传统统计方法；深度学习里不止大语言模型——还有图像、语音等模型家族。把四个词画成四个并排的圈，是最容易被话术利用的理解错误。

一句话记法：AI 说的是“目标”（要智能），ML 说的是“路线”（从数据学），DL 说的是“工具”（神经网络），LLM 说的是“工具用在哪”（语言上）。从外圈到内圈，每进一层只是多回答一个“怎么做到”。

生活化类比（建筑行业版）

把 AI 想成整个建筑行业：机器学习是其中的房屋建筑这条大路线，深度学习是房屋建筑里的住宅建筑，大语言模型则像装配式住宅——近年爆发、抢尽眼球，但只是住宅建筑中的一种实现方式。

行业里还有另一条老路线——专家系统，相当于传统定额查表：老师傅把规则一条条写死（“梁高取跨度的 1/10”“资质不满足即否决”），机器照章执行。它没有从数据里学任何东西，但直到今天，你的资质审查清单、算量规则库仍然是这类系统——可靠、可解释、不会“学坏”，但遇到规则没写的情况就束手无策。

类比成立在哪。一是从属关系准确：装配式住宅再火，也还是“住宅建筑的一种”，正如大模型再热也只是 AI 的一个支系。二是“新老并存”的行业经验可以平移：现浇结构没有因为装配式出现而消失，专家系统也没有因为大模型出现而消失。三是“规则没写就束手无策”精确对应专家系统的能力边界。

类比失效在哪。建筑分类边界清晰稳定；AI 的四个圈按“实现路线”划分，边界是流动的——一套系统可以同时用规则、统计和大模型，没法整个塞进某一个圈。而且装配式“新”在施工组织，大模型“新”在训练方法，“从数据里学规律”这层意思工艺类比传递不了。类比用来建立直觉，别用它下结论。

本质与能力边界

1. 两条路线的分界：规律是谁写的

规则路线（专家系统）把人的判断事先写成条文，机器只是条文的执行器——它的智能在上线那天就冻结了。好处是确定性高：同样输入永远同样输出，每条结论都能翻到“依据第几条规则”，审计追责有据可查。代价是覆盖面窄：条文没写的情形一概不认，条款换了措辞、出现新组合，要么误放行，要么卡死等人。

学习路线（机器学习）把历史数据交给算法，规律从数据中统计得出。覆盖面广是本钱：数据里见过什么就能应付什么，措辞变了、情形新了，只要“长得像”历史样本都敢给判断。代价是输出是概率性的：它给的是“按统计规律最可能是这样”，不是“按条文第 X 条必然如此”——同一输入跑两次，结论细节可能不同，也无法逐条指出依据。这套代价在大模型身上同样成立（见第 1 阶段第 5 课）。

举个对照（虚构示例）：核查“项目经理是否同时挂在两个在建项目上”。规则写“同一姓名出现在两个在建项目项目经理栏即触发”，必中必报可解释，但重名、文件措辞不一时误报多；学习路线处理参差材料更从容，但“偶尔看走眼”且说不清依据。所以选路线先问：这个环节错一次，代价受不受得了？受不了，用规则兜底。

2. 大模型不等于全部生成式 AI

“生成式 AI”指能创造新内容的一大类模型：生成文本、图像、视频、合成语音，各有自己的模型家族。大语言模型只是其中管语言的那一支；反过来也成立——并非所有多模态模型（同时处理文字、图片等多种输入的模型）都是 LLM，尽管工程上不少多模态模型确实是在 LLM 之上“接”上视觉、听觉能力改造而来，家族边界本身也在流动。这个区分直接影响验收：文本抽取按文本准确率验，图像识别按识别指标验，混为一谈就写不出验收条款。

所以“我们用了大模型”信息量很低，要追问三件事：什么模型（语言、图像还是多模态）、做什么任务、用什么指标证明效果。比如“大模型自动识别安全隐患照片”，追问下去可能是图像方向的模型——家族不同，能力边界与验收方式都不一样。

3. 三种技术常常住在同一套系统里

一套合同审查系统里同时存在三种技术，不是堆砌，是按题型分工。硬规则守红线——“必须含法定代表人签字，缺了退回”，“有就是有、没有就是没有”的判断交给规则，零容忍零误差；传统机器学习做统计判断——基于历史数据算风险评分、预测成本偏差，输出“大概率”供人参考；大模型做语义理解——通读条款、标记冲突、草拟意见。核对题要零误差，预测题要历史规律，理解题要读懂语言——用一把钥匙开三把锁，必然有开不了的。

由此两句实务判断：“用了 AI”不代表“都是大模型”，方案书里的 AI 可能一半是写死的规则；反过来，“主要靠规则”的系统也可能嵌了大模型。判断方法很朴素：逐个功能问“判断依据是写死的条文、数据学的规律，还是读懂自然语言”。

4. 误解纠正：“传统方法落后该淘汰”说反了一半

听到“都什么年代了还用规则引擎”，要警惕。高风险、强合规的场景——付款审批、资质否决、红线校验——恰恰适合确定性规则：这些环节要“同一情况永远同一结论、依据可查、责任可落”，概率性输出天然给不了逐条保证。大模型在这些环节的正确角色是辅助定位与草拟：找问题条款、写初审意见，最终判定由规则和人把着。

拿合同数字举例（虚构示例）：主合同预付款为合同价 20%，一份补充协议写成 30%——“核对两处数字是否一致”是核对题，程序比对零误差，不需要模型；“发现补充协议与主合同冲突并说清冲突在哪”才是大模型的活，因为要读懂条款语义。先分清题型，再选工具。

5. 误解纠正：模型不会“越用越聪明”

供应商常讲“我们的系统会用得越多越聪明”。这句话要拆开听。模型出厂后，参数通常就冻结了——它读过的每一份合同、被纠正的每一次错误，都不会自动“长”回模型本体里去；你在对话里教它的东西，当前对话之外它并不记得（训练与使用是两回事，见第 1 阶段第 3 课）。那种“越用越聪明”的感觉，绝大多数来自模型之外的零件：系统把你确认过的条款、修正过的例子存进知识库或规则库，下次检索给它参考——学的是外围系统，不是模型本身。

这对验收和计价很实际：听到“越用越聪明”，就问一句——“进步存在哪里？“如果答案是”我们的数据飞轮会优化模型”，就继续追问多久重训一次、用你的数据训练会不会服务别的客户（数据归属问题，第 3 阶段第 3 课展开）；如果答案是“沉淀进知识库和规则库”，那才是可查、可验收、可交接的资产。前者你买到的是一个承诺，后者你买到的才是积累。

实战演练：给一份功能清单做“技术归层”

场景（虚构）：青柏产业园一期“合约数字化”试点选型，供应商发来平台功能清单。任务：谈价之前弄清每项功能背后是什么技术。

输入：功能清单 8 项（虚构示例节选）——①营业执照有效期校验；②投标资格条件否决项核查；③供应商履约风险评分；④合同必含条款检查（法定代表人签字等）；⑤付款与违约条款冲突标记；⑥审查意见初稿生成；⑦进度款支付比例核对；⑧“智能预警：自动发现异常合同”。

第 1 步：逐项问两个问题。判断依据是写死的条文，还是数据学的规律？要不要读懂自然语言？只有前者且不涉语言理解——规则；靠历史数据出评分预测——传统机器学习；要通读理解语言——大模型；两者都沾——组合。

第 2 步：归层并写明理由。①规则（字段比对）；②规则为主（否决项逐条比对，命中即否决）；③传统机器学习（评分来自历史数据）；④规则（有没有签字是核对题）；⑤大模型（要读懂条款的语义冲突）；⑥大模型（生成自然语言初稿）；⑦规则（数字比对——如进度款支付已完工程量的 80%，虚构示例）；⑧说不清——归入追问清单。

第 3 步：数一数，定议价重点。8 项里规则 4 项、传统机器学习 1 项、大模型 2 项、说不清 1 项（示例数字）。“智能审查”平台一半是写死的规则，账要分开算：规则项主要是一次性配置成本，模型项随用量走，验收方式也不同。

第 4 步：按归层定验收与追问。规则项按“测试用例全对”验收，一条不能错；模型项按抽样准确率验收，抽多少、谁判定，写进条款（见第 3 阶段第 1 课）；第⑧项发函追问判断依据，答不出就不列入付款里程碑。

输出：一张三栏表（功能 / 归层判断 / 验收或追问方式）——清单的“AI 含量”是 3/8 加 1 项待澄清（示例数字），谈判重点落在模型项的效果指标上。

建工案例：三种技术各守一段

背景（虚构）：青柏产业园一期是“智慧工地 + 合约数字化”试点，总包华岭建设的合约部承接“合约风控模块”。信息部的初版方案口号是“全面 AI 化”，评审会上没人说得清每个环节的判断依据。

做法：合约部按“要确定性还是要泛化”把高频环节分成三段。招标否决项核查走规则：资格条件逐条比对，命中即否决，结论附规则编号，必须可解释。成本偏差预测走传统机器学习：用近五年类似厂房项目的历史结算数据训练，输出成本偏差区间。分包合同条款审查走大模型：通读条款，标记与主合同冲突的付款与违约约定，输出原文依据供法务复核。

踩坑：初版方案踩过两个坑。其一，“进度款支付比例核对”交给过大模型——主合同约定按月计量、支付已完工程量的 80%（虚构示例），试运行时模型在汇总表里把 80% 誊成了 8%，进了汇报材料被当场问倒。其二，一份把预付款写成 30% 的补充协议（与主合同 20% 冲突，虚构示例）夹在一摞材料里，模型审过但没报——概率性输出不保证逐条命中。

修复：两个坑一个修法——题型分开，工具分开。数字与比例核对退回程序规则，比对零误差；大模型只承担“标记冲突 + 引用原文”，标记经人工复核才进台账；否决项核查保持纯规则。试点口径从此固定：“AI 辅助初审，人做终审。”

结论：三种技术各守一段，谁也不替代谁。写进制度的判断只有一句：评审任何方案，先问这个环节要的是确定性，还是泛化能力。

供应商话术拆解

话术：“我们的平台是纯 AI 驱动的。”

这句话把三种技术搅在一起，让你无从核价、无从验收。拆解三问：

“平台里哪些环节是写死的规则、哪些是模型判断？”——合格回答：对着功能清单逐项说明判断依据，规则项给规则库说明，模型项讲能力边界；不合格回答：“都是 AI”。这一问直接决定验收条款：规则项验“全对”，模型项验“准确率”。
“模型判断的环节，错了谁来兜底、怎么发现？”——合格回答：给出错误率的统计口径、人工复核流程（抽检比例、谁终审）、损失责任条款；不合格回答：“我们模型很准，不会错”——概率性输出必有错误率，说“不会错”的要么不懂，要么不打算负责。
“训练数据从哪来、多久更新一次？”——学习路线的天花板由数据决定：数据旧，规律就旧。合格回答：说清数据来源、更新机制、客户数据的处理方式（会不会进模型、会不会给别人用——下一课展开）；不合格回答：“海量优质数据”这类无法核验的空话。

三问答清，“纯 AI 驱动”要么落成一份可验收的分工表，要么露馅。答不清的公司，“AI”多半只是界面上的一个词。收口还是那句：模型负责建议，程序负责把关——先把分工表拿到手，再谈价钱。

常见问答

Q1：AI、大数据、数字化，是不是一回事？ 不是。数字化是把业务从纸上搬进系统；大数据侧重数据本身的采集、治理和利用；AI 是“让机器表现智能”的技术总称。三者常同时出现，因为互相成就——机器学习要靠数据喂养。看立项书按“先有数据、再谈智能”的顺序审视。

Q2：我手机里的 AI 聊天助手，就是大模型吗？ 你看到的是应用产品，大模型是它背后调用的能力。产品还包含界面、规则、知识库这些零件，同一个产品背后也可能换不同的模型。这就像楼盘不等于设计院——产品与能力的分层，正是下一课的主题。

Q3：“智能体（Agent）“是什么？在包含关系图里占哪一格？ 智能体不是新的基础技术，而是把大模型与工具、规则、流程组合起来的一种应用形态：让模型不只是回答，还能查台账、写表格、按流程办事。它在图里没有独立一格，按”应用层的组合方式“理解即可，展开见第 2 阶段第 6 课。听到”智能体”，按组合系统去评审，别按新魔法去期待。

Q4：大模型这么强，专家系统为什么还没被淘汰？ 因为两者优化的指标不同：专家系统优化确定性与可解释性，大模型优化泛化与灵活。付款审批、否决项核查这类“必须每次都一样、每条都能查依据”的环节，确定性就是刚需，规则路线没有替代者。淘汰论混淆了“新”和“万能”。

Q5：“生成式 AI”和“大模型”可以画等号吗？ 不可以，两头都不等。生成式 AI 是“能创造新内容”的模型大类，文本、图像、视频、语音各有各的家族，大语言模型只是语言这一支；同时也有不生成内容、只做判断的模型，比如本课的成本偏差预测。听到“生成式”，先问生成的是什么。

Q6：我们公司历史数据不多，是不是就用不了 AI？ 分两种情况。传统机器学习确实要足量历史数据，不够就先补数字化的功课。大模型不同——它的“学”在出厂前的训练阶段已由模型厂商完成（第 1 阶段第 3 课），你直接采购现成能力即可。但要让模型贴你的业务，自己的合同、制度、清单怎么交给它，是另一门功课（第 2 阶段第 3、4 课）。

Q7：AI 这么发展下去，合约、造价这些岗位会被取代吗？ 被替代的是“任务”，不是“岗位”。核对题、誊抄题、初稿题——比对数字、整理台账、起草初稿——这类重复、规则明确的任务确实在快速交给机器。但合同谈判里的让步判断、争议中的取舍、对着不完整的现场信息拍板，这类“责任落在谁头上”的决策仍然要人来做，AI 给的是建议，担责的是签字的人。本课那句收口反过来用也成立：凡是错一次代价巨大的环节，人和规则永远在最后把关。与其担心岗位消失，不如先想清楚自己工作里哪些任务是核对题——那才是会被先交出去的部分。

自测

用 100 字以内向不懂技术的领导解释：AI、机器学习、深度学习、大模型是什么关系？为什么合同审批系统里“全用大模型”反而是危险的说法？

参考要点（先自己作答，再展开对照）

答题骨架（三句话，缺一句就补）：

关系：四者是包含关系——大模型 ⊂ 深度学习 ⊂ 机器学习 ⊂ AI（“⊂“读作”是……的一种”）。顺着讲：AI 是总称；机器学习是“不写死规则、从数据里学规律”的路线；深度学习是机器学习中用多层神经网络的一支；大语言模型是深度学习中管语言的一种模型。
另一条路线：AI 家族里还有专家系统——人把规则写死、机器照章执行（审查清单、定额规则都是），确定性高、可解释，适合否决项和审批红线。
为什么“全用大模型”危险：大模型输出是概率性的——同一输入可能得到不同输出，且无法保证逐条可解释；合同审批恰恰要求同一情况同一结论、依据可查。正确做法是关键判定环节用规则兜底，大模型做辅助定位与草拟。

加分点：能举出“否决项核查用规则、条款冲突标记用大模型”的分工实例；能说出收口那句——“先问这个环节要的是确定性，还是泛化能力”。

概念卡片

名词	一句话定义
人工智能（AI）	让机器表现出类人智能行为的技术总称
机器学习（ML）	AI 的分支：不写死规则，让机器从数据中自己学规律
深度学习（DL）	机器学习的分支：用多层神经网络自动提取复杂规律
大语言模型（LLM）	处理与生成语言的深度学习模型，以预测下一个 token 为基础并结合后训练
专家系统	AI 的另一条路线：人把规则写死、机器照章执行（如审查清单、定额规则）
生成式 AI	能创造新内容的模型大类：文本、图像、视频、语音各有家族，大语言模型只是语言这一支
多模态模型	能同时处理文字、图片等多种输入的模型；未必都是 LLM，但不少以 LLM 为核心改造而来