【AI主要分支】

人工智能（AI）的主要分支可根据技术方法和应用领域划分为以下几类，每种分支解决不同层面的智能问题：

---

1. 按技术方法划分

(1) 机器学习（Machine Learning, ML）

• 核心：通过数据训练模型，让机器自动学习规律。
• 子领域：
  • 监督学习（分类、回归，如垃圾邮件识别）
  • 无监督学习（聚类、降维，如客户分群）
  • 半监督学习（少量标注数据+大量未标注数据）
  • 强化学习（RL，通过环境反馈优化行为）

(2) 深度学习（Deep Learning, DL）

• 核心：基于多层神经网络的机器学习，自动提取特征。
• 典型模型：
  • CNN（图像处理，如ResNet）
  • RNN/LSTM（时序数据，如语音识别）
  • Transformer（NLP，如GPT、BERT）

(3) 强化学习（Reinforcement Learning, RL）

• 核心：通过试错和奖励机制学习最优策略。
• 应用：游戏AI（AlphaGo）、机器人控制、自动驾驶决策。

(4) 符号主义 AI（Symbolic AI）

• 核心：基于逻辑规则和知识表示（如专家系统、知识图谱）。
• 特点：可解释性强，但依赖人工规则。

---

2. 按应用领域划分

(1) 计算机视觉（Computer Vision, CV）

• 任务：图像分类、目标检测（YOLO）、人脸识别、医学影像分析。
• 技术：CNN、Transformer（ViT）。

(2) 自然语言处理（Natural Language Processing, NLP）

• 任务：机器翻译、情感分析、聊天机器人。
• 技术：词向量（Word2Vec）、大语言模型（LLM，如GPT-4）。

(3) 语音处理（Speech Processing）

• 任务：语音识别（ASR）、语音合成（TTS）。
• 技术：RNN、WaveNet。

(4) 机器人学（Robotics）

• 任务：运动控制、环境感知、人机交互。
• 技术：SLAM（同步定位与建图）、强化学习。

(5) 生成式 AI（Generative AI）

• 任务：文本生成（ChatGPT）、图像生成（Stable Diffusion）、视频生成（Sora）。
• 技术：GAN、Diffusion模型、自回归模型。

(6) 多模态 AI（Multimodal AI）

• 任务：跨模态理解（如图文匹配、视频描述生成）。
• 技术：CLIP、Flamingo。

---

3. 其他重要分支

• 知识表示与推理（Knowledge Representation & Reasoning）：
  构建知识图谱（如Google知识图谱），用于逻辑推理。
• 规划与决策（Planning & Decision Making）：
  路径规划（如A*算法）、动态决策（如马尔可夫决策过程）。
• 联邦学习（Federated Learning）：
  分布式机器学习，保护数据隐私。
• 神经符号 AI（Neural-Symbolic AI）：
  结合神经网络与符号推理（如DeepMind的AlphaFold）。

---

分支关系图

---

总结

• 基础技术：ML、DL、RL、符号AI是核心方法论。
• 热门应用：CV、NLP、生成式AI、多模态AI是当前主流方向。
• 前沿融合：神经符号AI、具身智能（Embodied AI）是未来趋势。

不同分支常交叉使用，例如自动驾驶融合了CV（感知）、RL（决策）、NLP（语音交互）。