一张图看懂AI知识体系关系图

一张图看懂AI技术谱系

一、AI 的总目标

人工智能（AI）：让机器像人一样聪明。

实现“智能”的路径大致可以分为三大流派：

1. 符号主义：靠“背规则”，典型代表是专家系统。
2. 行为主义：像“训狗”，通过奖惩训练行为，典型是强化学习。
3. 连接主义：模拟大脑神经网络，是当前主流方向。

可以记成一句话：

符号主义背规则，行为主义训行为，连接主义模拟大脑。

二、连接主义：当前主流

连接主义的核心是“模拟大脑”，下面主要分为两大块：

• 传统机器学习（ML）：从数据中找规律。
• 深度学习（DL）：使用多层神经网络。

三、传统机器学习（ML）

传统机器学习的基本思路是：从数据中找规律。

1. 监督学习

监督学习就像“有答案的练习题”：数据既有输入，也有标准答案。

常见方法包括：

• 线性回归：画趋势线做预测。
• 决策树：像“20 个问题猜答案”，一步步分支判断。
• SVM：找最优分界线，把不同类别分开。
• 集成学习：多人投票，综合多个模型的结果。随机森林：100 个专家独立投票。
• XGBoost：层层纠错，不断改进。

无监督学习就像“自己分组”：数据没有标准答案，模型自己发现结构。

• 聚类：自动归类。
• 降维：化繁为简，把高维数据压缩成更简洁的形式。

半监督学习是“少量带动的”：用少量标注数据带动大量未标注数据。

深度学习可以理解为“多层神经网络”，擅长处理复杂数据。

常见网络类型：

• CNN：看图专用，擅长图像处理。
• RNN / Transformer：看文字专用，擅长序列和文本处理。
• LSTM：记很久的事，擅长处理长序列依赖。
• GAN / Diffusion：凭空创造，用于生成图像等内容。

可以按下面的逻辑记忆：

AI → 三大主义：符号主义、行为主义、连接主义。

连接主义 → 传统机器学习 + 深度学习。

传统机器学习 → 监督学习、无监督学习、半监督学习。

监督学习 → 线性回归、决策树、SVM、集成学习。

集成学习 → 随机森林、XGBoost。

深度学习 → CNN、RNN/Transformer、LSTM、GAN/Diffusion。