机器学习（Machine Learning, ML）与人工智能（Artificial Intelligence, AI）之间的关系，常用一句话概括就是：

AI 是目标，ML 是主要手段之一。

以下从定义、层级关系、方法和应用等角度总结两者的相同点与区别。

相同点

1. 目标一致：都致力于让计算机系统在某种意义上“更聪明”，能解决传统编程难以处理的复杂问题。
2. 数据驱动：现代 AI 绝大多数成果都依赖大量数据与统计方法；机器学习更是以数据为中心。
3. 数学基础相通：概率论、统计学、线性代数、优化等数学工具在两者中同样重要。
4. 应用领域重叠：计算机视觉、自然语言处理、语音识别、推荐系统等场景中，AI 系统通常由 ML 算法实现核心功能。

区别

1. 范围层级
   • AI（大集合）：任何让机器表现出智能行为的技术和系统——可包含符号推理、专家系统、搜索算法、规划、博弈、机器学习、机器人学等。
   • ML（子集）：通过从数据中自动学习规律以改进任务表现的算法与方法，属于实现 AI 的一条主流路线。

2. 方法论
   • AI 包括基于规则的符号主义方法（例如一系列推理规则、知识图谱推理）以及基于经验的连接主义方法（即各种 ML 算法）。
   • ML 专注于统计学习：监督学习、无监督学习、强化学习、深度学习等。

3. 依赖资源
   • 传统符号 AI 更依赖人工构建的知识与规则；
   • ML 更依赖数据、算力和模型参数。

4. 结果解释性
   • 符号 AI 规则透明，可解释性强；
   • 多数 ML 尤其深度学习模型在可解释性上更弱，需要额外技术（SHAP、LIME 等）辅助理解。

5. 应用角色
   • 在一个完整的 AI 系统中，ML 模型常提供感知与决策预测能力；
   • 规则引擎或规划模块可能负责约束、合规与高层策略。

一句话记忆
人工智能 =（机器学习 + 规则推理 + 规划 + 其他智能技术）
机器学习 ⊂ 人工智能