ML vs AI vs 深度学习 vs 数据科学

这是被问得最多、也最容易答混的一组概念。先给结论：人工智能是目标，机器学习是手段之一，深度学习是机器学习的一个分支，数据科学是更大的流程。四者是"包含"关系，不是并列关系。

一、一张图看懂包含关系

                人工智能 AI（让机器表现智能）
                 ├── 符号主义：规则系统、知识图谱、专家系统、搜索
                 ├── 机器学习 ML（从数据中学习规律）
                 │    ├── 经典机器学习：线性模型、树、SVM、聚类…
                 │    ├── 深度学习 DL（多层神经网络）
                 │    │    ├── CNN / RNN / Transformer / GNN…
                 │    │    └── 生成式模型：GAN、VAE、扩散模型
                 │    └── 强化学习 RL（学决策序列）
                 └── 其他：感知、机器人控制、规划…

            数据科学（用数据支撑决策的完整流程）
                 ├── 数据采集与清洗
                 ├── 数据分析与可视化          ← 机器学习常嵌入于此
                 ├── 机器学习建模              ← 本手册重点
                 ├── 实验设计（AB 测试）
                 └── 业务报告与决策支持

关键判断：不是所有 AI 都是机器学习（下棋的 minimax 搜索、医疗的规则诊断系统都是 AI 但不是 ML）；也不是所有机器学习都是深度学习（XGBoost、逻辑回归不是深度学习）；更不是所有数据科学都涉及机器学习（画一张销售趋势图也是数据科学）。

二、四个概念逐一拆解

人工智能（Artificial Intelligence, AI）

定义：让机器完成"需要人类智能才能完成"的任务的研究与工程，目标词。

AI 的范畴远大于机器学习，包含几十个子领域：知识表示、自动推理、搜索与规划、自然语言处理（NLP）、计算机视觉（CV）、机器人学、语音识别、多智能体系统……机器学习只是让机器获得智能的一条路径——而且历史上不是主流。1950s–1980s 的主流是符号主义（symbolic AI）：把人类知识编码成显式规则，让机器按规则推理。专家系统（如 1980 年代医疗诊断系统 MYCIN）就是那个时代的代表。

转折点在 1990s–2010s：人们发现"手写规则"在感知类任务（图像、语音）上根本写不出来——你怎么用规则描述"这是一只猫"？于是统计学习、机器学习接管，并最终由深度学习在感知任务上取得突破。今天，"AI" 一词在媒体语境下几乎特指"机器学习/深度学习驱动的系统"，但学术意义上它始终是更大的伞。

机器学习（Machine Learning, ML）

定义：让计算机从数据中自动发现规律并用于预测/决策的学科（详见什么是机器学习）。

与 AI 的关系：ML ⊂ AI，且是当前最成功、占比最大的子领域。AI 的其他分支（规则系统、搜索）与 ML 的区别在于"知识从哪来"：规则系统由人写规则，ML 由数据生成规则。

深度学习（Deep Learning, DL）

定义：用多层神经网络（deep neural networks）做表征学习的机器学习分支。核心思想是端到端表征学习：传统 ML 依赖人手工设计特征（feature engineering），深度学习让网络自己从原始数据中逐层学习特征——浅层学边缘/笔画，中层学部件/短语，深层学对象/语义。

与 ML 的关系：DL ⊂ ML。DL 的特点与代价：

维度	经典机器学习	深度学习
特征	人工设计（特征工程）	自动学习（表征学习）
数据需求	相对少（千~十万级）	很大（十万~十亿级）
计算需求	笔记本可跑	GPU/TPU 集群
适用数据	表格数据为主	图像、文本、语音、序列
可解释性	较好（树、线性）	差（黑箱）
代表	线性回归、SVM、XGBoost	CNN、Transformer、LLM

重要提醒：DL 不是"更好的 ML"，而是"另一类数据上的 ML"。Kaggle 的长期经验是：表格数据上梯度提升树（XGBoost/LightGBM）经常打败神经网络；非结构化数据（图像、文本、音频）上深度学习碾压经典方法。选型逻辑详见框架与工具怎么选。

数据科学（Data Science）

定义：用数据（通常是大规模、多来源、脏数据）回答业务问题、支持决策的完整流程学科。

数据科学的四个环节：采集与清洗 → 分析与探索（EDA）→ 建模（可能用 ML）→ 沟通与决策。机器学习和统计建模只是其中一环。数据科学家与机器学习工程师（MLE）的分工差异：

	数据科学家（DS）	机器学习工程师（MLE）
重心	业务问题 → 分析 → 洞察 → 建议	模型 → 系统 → 部署 → 监控
日常	写 SQL、做 EDA、跑模型、画图汇报	写训练管道、调优、上线服务、监控漂移
交付物	报告、看板、可解释的结论	稳定运行的模型服务（API/批处理）
编程	Python/R + SQL	Python + 工程化（Docker、CI/CD、分布式）

国内岗位现实中 DS 和 MLE 经常重叠，但理解这条分界线有助于你对照 JD 判断岗位偏重。

三、再补两个常被混用的词

数据分析（Data Analytics）：数据科学的子集，特指"描述性分析"——回答"发生了什么"（同比涨跌、漏斗转化、用户分层），一般不涉及预测建模。分析是数据科学的起点，建模是延伸。

统计建模（Statistical Modeling）：用统计工具（回归、假设检验、贝叶斯）刻画数据生成机制。它与机器学习共享大量数学工具，但目标不同：统计求"推断"（因果、显著性），机器学习求"预测"（泛化误差）。两者互补：统计保证你理解数据怎么来的，机器学习保证你能规模化地用数据。参见什么是机器学习中"机器学习 vs 统计学"一节。

四、判据速查表

问题	答案
AI 一定是机器学习吗？	不是。规则系统、搜索、知识图谱都是 AI 但不是 ML
机器学习一定是 AI 吗？	是。ML 是 AI 的子领域
深度学习是机器学习吗？	是。DL 是 ML 用深度神经网络的子分支
数据科学一定是机器学习吗？	不是。DS 是更大流程，ML 常作为其中一环
数据分析是机器学习吗？	通常不是。分析是描述性的，ML 是预测性的
用了神经网络就是深度学习吗？	是（多层即深度）。单层感知机不算深度模型
大语言模型属于什么？	AI → ML → DL → Transformer 架构的预训练模型，详见大语言模型

五、对从业者的实际意义

求职方向选择：这四个词直接对应四种岗位画像——

• 想做"AI 科学家"：需要 ML + DL + 数学功底，偏研究与论文；
• 想做"机器学习工程师"：需要 ML + 工程化（训练管道、部署、监控），偏落地；
• 想做"数据科学家"：需要 SQL + 统计 + 分析 + 可视化 + 沟通，业务敏感度要求高；
• 想做"深度学习/算法研究员"：需要 DL + 论文阅读 + 复现实验能力，门槛最高。

岗位与 JD 的具体拆解见求职与 JD 分析。

技术选型意义：理解这四个概念的分层，能帮你快速定位"我的问题属于哪一层"。面试官问"你们为什么用 XGBoost 不用深度学习"，期望的答案不是"深度学习更高级"，而是："这是表格数据、样本量有限、需要特征重要性解释，所以选择树模型——深度学习更适合非结构化数据。" 判断依据详见树模型与集成学习。

延伸阅读

• 什么是机器学习——本文的上游概念，四要素定义
• 演进简史——AI/ML/DL 三代范式如何交替登场
• 深度学习基础——DL 子集的技术内核
• 数据与数据工程——数据科学流程的工程底座
• 术语表——更多易混术语对（如 ML vs DL vs RL）

参考资料

• Artificial Intelligence: A Modern Approach (AIMA), Russell & Norvig —— AI 学科最权威教材，AI 范畴的完整地图
• Andrew Ng. AI is the new electricity（斯坦福演讲） —— 对 AI/ML 分层关系的通俗讲解
• Kaggle: XGBoost vs Neural Network 实践讨论 —— 表格数据上树模型强于神经网络的经验证据
• Data Science: A Comprehensive Overview, UC Berkeley —— 数据科学流程的经典教材