2022年ChatGPT横空出世，AI一夜之间爆火，各种新技术新概念层出不穷，更是时不时登上全球热搜。于是，「机器学习（ML）」、「深度学习（DL）」、「大语言模型（LLM）」、「AI智能体（Agent）」、「计算机视觉（CV）」、「自然语言处理（NLP）」……这些AI概念，不管你愿不愿意，都会时不时的进入你的视线。

但它们具体指啥、有啥区别、啥关系，不知你脑子里是不是时常一团浆糊？别说你了，即使很多科技公司的宣传文案，用的都不一定对。

今天我们用两篇文章，把AI最核心的技术讲清楚。本文是第一篇，聚焦三项基础技术：机器学习、深度学习、计算机视觉。读完这篇，相信你会对AI最底层的技术逻辑有一个清晰的认知框架。

机器学习（Machine Learning，ML）—— 让机器从数据中自己找规律

它是怎么实现的呢？

传统AI靠程序员手把手教机器：这是尖耳朵、嘴上有胡须、全身毛茸茸的东西，就是猫。机器按程序员用代码写的这些规则，遇到符合条件的就说是猫。现实世界千变万化，根本没法把所有"猫"的特征都写成代码。

一旦遇到规则没覆盖或没写清楚的情况，机器就傻了。

机器学习的思路完全不同：与其让人教机器，不如让机器自己从数据里找规律。怎么做？给它看一百万张猫的图片，让它自己总结出猫长什么样。这个过程就像小孩认识世界，见过足够多的猫之后，自然就知道什么是猫了，不需要特意给他列出"尖耳朵""胡须""毛"这些抽象特征。

目前，机器学习主要有三类学习方式：

监督学习：就像考试有标准答案。告诉机器哪些是垃圾邮件、哪些不是，这套房子多少钱、那套多少钱，机器从这些"正确答案"里学习规律，遇到新邮件、新房子，就能自己作出判断。垃圾邮件过滤、房价预测，用的都是这个套路。

无监督学习：没有标准答案的情况。给机器一堆数据，但不告诉它答案，让它自己去找规律。比如把一百万个网购用户的数据扔给机器，让它自己发现"这群人经常买母婴用品，那群人专门买数码产品"。电商的精准营销，就是基于此实现的。

强化学习：就像训练宠物。机器做对了，给它奖励；做错了，不给奖励甚至惩罚。反复试错之后，机器自己就知道什么策略能得到更多奖励。AlphaGo就是用强化学习训练出来的，下了几千万盘棋之后，它的棋力超过了所有人类。

可以说，今天我们碰到的抖音推荐、语音转文字、刷脸支付等AI应用，都是机器学习思想在不同场景下的延伸。它是整个AI大厦的地基，后续要介绍的深度学习、计算机视觉、自然语言处理，都是以它为基础。

深度学习（Deep Learning，DL）—— 多层神经网络的威力

普通的机器学习模型，处理问题就是"输入数据，输出结果"，方式直接且单一。但深度学习不一样，它在模仿人脑的思考模式，用几十层甚至上百层的人工神经元层层叠加来处理信息。每一层对信息做一次抽象，越往上，理解就越深入。

深度学习本质上是机器学习的高阶形态，把单层模型换成多层结构，让机器能够自动从海量数据中提取越来越抽象的特征。

就拿识别一张脸来说，深度学习是这么做的：

• 第1层：识别哪里有轮廓、哪里是阴影的边缘线条

• 第2层：从边缘组合出眼睛、鼻子、嘴巴的轮廓

• 第3层：从五官的位置关系判断这是谁

每往上一层，信息就抽象一分，理解就深入一层。这种层层堆叠的结构，让深度学习能捕捉极其复杂的规律，这是单层模型根本做不到的。

深度学习能真正爆发，背后是三件事凑到了一起：

先是海量数据出现了。互联网二十年积累了几十亿张图片、语音、文字，这些数据足够喂饱这些"大胃王"模型。

然后算力也跟上了。GPU（图形处理器）本来是为游戏设计的，但它的并行计算能力恰好适合训练深度学习模型，这让以前要跑好几周的训练任务，几天就能完成。

更重要的是，算法突破了。2012年的ImageNet图像识别比赛，深度学习模型一出场就把错误率从26%砍到15%，从此一发不可收拾。这个节点，就是深度学习时代的起点。

微信语音转文字、高铁刷脸进站、医院CT片AI辅助诊断、ChatGPT的语言理解等等我们今天习以为常的应用，背后都是深度学习在驱动。

计算机视觉（Computer Vision，CV）—— 让机器能"看"

"看"这件事，对人来说太自然了，自然到你几乎不会意识到它有多难。但对机器来说，"看见"或许很容易，只要有摄像头，就能捕捉到真实的世界。但"看见"和"看懂"是两码事。摄像头能捕捉像素，但想要理解这张图片里有什么，在发生什么，就需要极强的智能。

计算机视觉要解决的，就是让机器从图像和视频中提取有意义的信息。具体包括几类核心任务：

物体识别：给机器一张图，让它说出图里有什么，有猫、有狗，还是有汽车。

图像分割：不只知道图里有什么，还要精确定位每个物体在哪里、边界在哪。自动驾驶用的就是这项技术，需要知道道路在哪里、行人站在哪里、车辆有多远。

人脸识别：在茫茫人海中找到特定的人。高铁刷脸进站、手机解锁、门禁系统，用的都是这套能力。

目标追踪：在视频中持续跟踪一个物体的移动轨迹。比如交通监控里追踪车辆行驶轨迹，或者体育赛事中追踪运动员的移动。

这些能力能真正落地，关键在于CNN（卷积神经网络）的突破。它是深度学习在视觉领域的核心架构，让机器能够自动从海量图片中学习视觉特征，识别准确率才有了质的飞跃。也正因为如此，这项技术才从学术研究走进了日常生活：高铁闸机刷脸、手机解锁、工厂里用AI检测产品缺陷，这些场景正在改变我们的日常。

说到这里，第一篇就讲完了。

我们聊了三项当前AI，最底层也是最核心的技术：机器学习让机器从数据中自己找规律，是整个AI的地基；深度学习用多层神经网络模仿人脑思考，让机器能处理极其复杂的规律；计算机视觉让机器能"看懂"图像和视频，打开了AI感知物理世界的大门。

这三项技术有一个共同特点：它们更多是在"幕后"工作。你刷抖音时，是机器学习在决定推什么内容；你用高铁刷脸进站时，是计算机视觉在认你的脸；你问AI问题时，是深度学习在理解你的意思。它们不直接和你对话，但无处不在。

下一篇，我们会走进更贴近日常交互的技术：自然语言处理、语音识别、语音合成、可解释AI。如果你对AI怎么"听懂人话"、"开口说话"感兴趣，欢迎继续读下去。