企业官网建设流程全解析

Python后端AI专题02：别再混用术语：机器学习、深度学习与大模型是什么关系

“这个系统用了 AI。”

这句话听起来没错，实际几乎没有提供信息。它可能表示程序按黑名单拦截支付，也可能表示模型根据历史数据预测客户流失，还可能表示大语言模型正在生成回答。这三类系统的输入、错误方式、测试方法和上线成本完全不同。

这一篇不训练模型，也不急着调用大模型 API。我们先完成一件更基础、也更实用的事：看见一个业务需求时，能判断它更接近规则程序、传统机器学习、深度学习识别，还是大语言模型应用，并说清楚判断依据。

先交作业：第 01 篇练习的完整答案

上一篇要求把“会 AI”改写为可验收能力。下面是一份完整答案，不是唯一答案，但每一行都可以运行、观察和追问。

怎么判断这份答案比“我会调用大模型”更有价值？看最后两列：

• 可运行证据回答“你怎么证明做过”；
• 能解释的取舍回答“你是否理解为什么这样设计”。

表里出现了一些后文才会实现的名词，例如“向量搜索”和“Compose”。现在不用提前记住它们，只要先建立一个判断标准：技能不是名词，技能是能够解决的业务问题、写下的代码以及可以重复运行的证据。

AI、机器学习、深度学习不是升级关卡

最常见的错误图是这样：

规则程序 → 机器学习 → 深度学习 → 大语言模型

它暗示每个系统都必须一级一级升级，最后变成大语言模型。事实不是这样。

例如，支付金额不得为负数、用户不得读取其他租户数据，这些约束就应该由确定性规则完成。把它们“升级”为大模型判断，结果反而更慢、更贵、更难保证一致。

更准确的关系是：

人工智能：让机器完成看起来需要智能的任务 ├─ 经典方法：规则、搜索、规划等 └─ 机器学习：从样本中学习参数 ├─ 传统机器学习：线性模型、决策树、Boosting 等 └─ 深度学习：使用多层神经网络 ├─ 图像识别 ├─ 语音识别 └─ 语言模型 └─ 大语言模型

这里有五个容易混淆的词。

1. 人工智能（AI）是大范围目标

AI 关心的是“机器能否完成某种智能任务”，不限定必须使用哪种技术。早期的棋类搜索、专家规则系统都属于 AI 的经典方法，它们不一定从数据中学习。

所以，“规则程序不是机器学习”是对的；“规则系统绝不属于 AI”则太绝对。课程里的分类会把它叫作“规则程序”，因为后端工程师更需要知道它如何执行和失败，而不是争论宣传口径。

2. 机器学习（ML）从样本中学参数

普通规则由人直接写出：

ifcountryinblacklistandamount>5000:reject_payment()

机器学习不要求开发者写出每一条判断。开发者准备历史样本和目标，训练过程从样本中找到一组参数。例如，用客户最近登录次数、消费金额、投诉次数等 30 个数值特征，预测客户是否可能流失。

“从数据中学习”不等于“代码自己获得了意识”，只是部分判断参数由训练过程拟合出来。

3. 深度学习（DL）是机器学习的一部分

深度学习同样从样本中学习，区别是它使用多层神经网络。图片、语音和现代自然语言处理大量使用深度学习，因为神经网络善于从复杂原始输入中学习表示。

一张发票图片含有像素、角度、光照和版式变化。手写全部识别规则很困难，使用大量标注图片训练神经网络通常更合适。

但深度学习并不天然优于传统机器学习。在数据量较小的表格任务中，树模型可能更便宜、更稳定，也更容易解释。

4. 生成式 AI 描述“生成内容”这类任务

分类模型从已有标签中选择一个结果；生成模型产生新的文本、图片、音频或代码。

“生成式 AI”不是“大语言模型”的同义词，因为图像生成、音乐生成也属于生成式 AI。它更像按任务能力划分的名称，而 ML、DL 更像按技术方法划分的名称，两套分类角度不能硬塞进一棵绝对严格的树。

5. 大语言模型（LLM）是语言模型中的一类

大语言模型使用神经网络从大量文本中学习 Token 之间的规律，可以根据上下文继续生成语言。它属于深度学习，也常被用于生成式 AI。

不过，使用 LLM 的系统不一定只做“自由聊天”。它也可以分类、抽取字段、改写问题或决定是否调用工具。因此，后面程序里的generates_language只是用来区分本课给定的四个案例，不是一个适用于全世界产品的万能定义。

把四个业务案例放在同一张表里

先不写代码，逐个问三个事实问题。

为什么使用这三个问题？因为它们分别切开三个容易混淆的边界：

1. 是否从样本学习，把“开发者直接写规则”和“训练得到参数”分开；
2. 是否使用神经网络，把本课的传统机器学习和深度学习分开；
3. 是否生成语言，把本课的图片识别案例和大语言模型案例分开。

这张表不是凭产品名称猜分类，而是先记录事实，再根据事实得出结论。

写程序前，先设计输入和输出

本篇实验位于labs/ai_landscape.py。它不是 AI 模型，也不读取任意产品说明书。它只做一件可以验证的小事：把上表四个已知案例的事实转成分类、依据和上线风险报告。

每个案例用一个字典表示：

{"name":"支付黑名单拦截","learns_from_examples":False,"uses_neural_network":False,"generates_language":False,"unique_failure":"规则冲突或规则版本发布错误",}

三个布尔值记录刚才分析过的事实，unique_failure则记录这类系统特有的失败方式。它们不是装饰字段，后面的classify_system()和analyze_system()都会真正读取。

程序最终返回这样的字典：

{"name":"支付黑名单拦截","category":"规则程序","reason":"判断条件由开发者直接编写，不从历史样本拟合参数","unique_failure":"规则冲突或规则版本发布错误","common_backend_problem":"输入校验、超时、日志、监控与版本记录",}

这里故意同时保留category和reason。只输出“规则程序”容易变成背答案；保留判断依据，才方便日志排错、代码评审和面试解释。

四个函数各自为什么存在

先看程序实际调用链：

直接运行 ai_landscape.py │ ▼ print_report() │ 遍历 CASES ▼ analyze_system(case) │ ├── classify_system(case) → 得到类别，同时检查矛盾事实 │ └── explain_reason(category) → 得到人能读懂的分类依据

没有任何函数是为了“以后也许有用”而放在这里。

classify_system(case)：根据事实做判断

它由analyze_system()调用，输入一个案例字典，输出分类字符串。

判断顺序不能随意调换：

不从样本学习 → 规则程序 从样本学习，但本案例不用神经网络 → 传统机器学习 使用神经网络，并且在本案例中生成语言 → 大语言模型应用 使用神经网络，但不生成语言 → 深度学习识别

函数还会拒绝两种自相矛盾的事实。例如，已经声明“使用神经网络”，却又声明“完全不从样本学习”。如果继续给出分类，坏数据就会悄悄流入后面的报告。

explain_reason(category)：把类别翻译成判断依据

它只需要类别，不需要整个案例，所以参数中没有多余的case。它由analyze_system()调用，输出一段可读说明。

这个函数与分类函数分开的原因不是追求“架构感”，而是两个结果用途不同：类别适合程序比较，说明适合报告和教学展示。

analyze_system(case)：组装一份完整分析结果

这是本实验真正对外使用的入口。测试代码和print_report()都调用它。它先取得分类，再补上依据、特有失败模式和所有系统都要处理的后端问题，最后返回一个完整字典。

print_report()：让学习者直接看到结果

当文件被直接运行时，if __name__ == "__main__":会调用它。它遍历四个案例，把analyze_system()的返回值打印出来。

如果别的 Python 文件只是导入analyze_system，报告不会自动打印。这就是末尾if判断存在的实际作用。

本篇完整代码

下面代码与labs/ai_landscape.py完全一致，可以直接复制成一个文件运行。

"""把四个真实业务案例转换成可解释的 AI 类型与后端风险。"""CASES=[{"name":"支付黑名单拦截","learns_from_examples":False,"uses_neural_network":False,"generates_language":False,"unique_failure":"规则冲突或规则版本发布错误",},{"name":"客户流失预测","learns_from_examples":True,"uses_neural_network":False,"generates_language":False,"unique_failure":"训练数据分布变化后，预测准确率下降",},{"name":"发票图片识别","learns_from_examples":True,"uses_neural_network":True,"generates_language":False,"unique_failure":"图片模糊或拍摄角度变化导致识别错误",},{"name":"知识库客服回复","learns_from_examples":True,"uses_neural_network":True,"generates_language":True,"unique_failure":"资料不足时仍生成看似合理的错误回答",},]defclassify_system(case):"""根据本课讲过的三个事实分类，而不是根据产品宣传词猜测。"""learns=case["learns_from_examples"]uses_neural_network=case["uses_neural_network"]generates_language=case["generates_language"]# 神经网络的参数来自样本训练。若两个事实互相矛盾，继续分类只会掩盖坏数据。ifuses_neural_networkandnotlearns:raiseValueError("神经网络模型必须通过样本学习")ifgenerates_languageandnotuses_neural_network:raiseValueError("本课讨论的语言生成模型必须使用神经网络")ifnotlearns:return"规则程序"ifnotuses_neural_network:return"传统机器学习"ifgenerates_language:return"大语言模型应用"return"深度学习识别"defexplain_reason(category):"""把分类依据翻译成人能在代码评审或面试中说清楚的话。"""ifcategory=="规则程序":return"判断条件由开发者直接编写，不从历史样本拟合参数"ifcategory=="传统机器学习":return"从样本学习参数，但本案例不使用多层神经网络"ifcategory=="深度学习识别":return"从样本训练神经网络，输出识别或分类结果"return"从大量文本训练神经网络，并根据上下文生成语言"defanalyze_system(case):"""返回分类结果、分类依据以及上线时真正需要关注的失败边界。"""category=classify_system(case)return{"name":case["name"],"category":category,"reason":explain_reason(category),"unique_failure":case["unique_failure"],"common_backend_problem":"输入校验、超时、日志、监控与版本记录",}defprint_report():"""逐个分析案例；运行本文件时，学习者可以直接核对完整结果。"""forcaseinCASES:result=analyze_system(case)print(f"系统：{result['name']}")print(f"分类：{result['category']}")print(f"依据：{result['reason']}")print(f"特有失败：{result['unique_failure']}")print(f"共同问题：{result['common_backend_problem']}")print("-"*54)if__name__=="__main__":print_report()

代码里没有使用dataclass、slots或类型注解。不是因为这些语法不好，而是本实验根本不需要它们。现在最重要的是看清数据如何进入函数、函数如何被调用、结果如何被使用。为了显得“高级”而提前堆语法，只会遮住本篇真正要学的东西。

运行并核对真实结果

在课程根目录python-backend-ai-course执行：

$env:PYTHONIOENCODING='utf-8'.\project\.venv\Scripts\python.exe.\labs\ai_landscape.py

实际输出如下：

系统：支付黑名单拦截 分类：规则程序 依据：判断条件由开发者直接编写，不从历史样本拟合参数 特有失败：规则冲突或规则版本发布错误 共同问题：输入校验、超时、日志、监控与版本记录 ------------------------------------------------------ 系统：客户流失预测 分类：传统机器学习 依据：从样本学习参数，但本案例不使用多层神经网络 特有失败：训练数据分布变化后，预测准确率下降 共同问题：输入校验、超时、日志、监控与版本记录 ------------------------------------------------------ 系统：发票图片识别 分类：深度学习识别 依据：从样本训练神经网络，输出识别或分类结果 特有失败：图片模糊或拍摄角度变化导致识别错误 共同问题：输入校验、超时、日志、监控与版本记录 ------------------------------------------------------ 系统：知识库客服回复 分类：大语言模型应用 依据：从大量文本训练神经网络，并根据上下文生成语言 特有失败：资料不足时仍生成看似合理的错误回答 共同问题：输入校验、超时、日志、监控与版本记录 ------------------------------------------------------

结果里有两类风险：

• 特有失败随系统类型变化。规则会冲突，传统模型会因数据变化而失准，图片识别怕输入质量变化，大语言模型还可能生成没有证据的答案；
• 共同问题仍是后端基本功。无论背后是否使用模型，请求都可能非法、超时，系统都需要日志、监控和版本记录。

这也是 Python 后端学习 AI 的落点：既要认识模型带来的新失败方式，也不能丢掉已有的工程纪律。

主动制造一次错误：为什么要拒绝矛盾事实

在课程根目录进入 Python 交互环境：

$env:PYTHONPATH=(Resolve-Path'.\labs').\project\.venv\Scripts\python.exe

然后输入：

fromai_landscapeimportanalyze_system bad_case={"name":"自相矛盾的案例","learns_from_examples":False,"uses_neural_network":True,"generates_language":False,"unique_failure":"未知",}analyze_system(bad_case)

你会看到异常最后一行：

ValueError: 神经网络模型必须通过样本学习

这里不能返回一个貌似合理的类别。输入事实已经互相冲突，越早报错，越容易找到数据来源；如果容忍它，后面的报告、监控甚至决策都会建立在坏数据上。

测试不是检查列表最后一项

本实验对应的测试会真正调用四次analyze_system()，检查四个类别、四种不同失败模式、分类依据和共同后端问题；还会构造上面的矛盾案例，确认程序抛出异常。

运行：

cd.\project$env:PYTHONPATH=(Resolve-Path'..\labs').\.venv\Scripts\python.exe-m pytest..\labs\test_labs.py-k ai_landscape-q

测试的意义是保护教学承诺：如果以后有人把分析逻辑删掉，只留下硬编码的名称列表，这些测试就必须失败。

面试时，把概念落到工程差异

如果面试官问“机器学习、深度学习和大模型有什么区别”，不要只背层级。可以这样回答：

机器学习的核心是从样本拟合参数，深度学习是使用多层神经网络的机器学习方法，大语言模型则是深度学习中的语言模型类型。工程上我还会区分失败边界：规则系统关注规则冲突和审计，传统模型关注特征与数据漂移，视觉模型关注输入分布与推理资源，LLM 应用还要处理上下文、幻觉、引用和 Token 成本。权限、金额校验等确定性约束不会交给模型决定。

这段回答比“LLM 是 AI 的最高阶段”更准确，也更接近 Python 后端岗位真正要做的工作。

本篇课后练习：先判断事实，再写结论

不要只在脑中回答。复制下面表格，为四个案例填写完整答案：

再完成两个代码动作：

1. 把知识库客服回复的generates_language临时改成False，运行程序，记录分类为什么变成“深度学习识别”；然后恢复文件。
2. 构造“生成语言为True，使用神经网络为False”的案例，记录完整异常信息，并用一句话解释为什么程序不应该继续分类。

下一篇会先给出这张表和两个代码动作的完整答案，再从“机器怎样处理一句话”出发，解释 RNN、LSTM 为什么曾经重要，以及 Transformer 到底解决了什么问题。