Artificial Intelligence AI
研究如何构建具有类人智能的机器与系统的科学。其核心在于模拟、延伸乃至超越生物智能（Biological Intelligence），通过形式化的方法赋予机器以感知、推理、学习、决策和行动的能力。
其最终目标是：构建具备自主性、适应性、泛化能力的智能体。
主要分支与关键术语
机器学习 Machine Learning：数据驱动的模式发现与泛化技术，是当前 AI 的核心方法论。
深度学习 Deep Learning：机器学习的子集，使用多层神经网络为基础的学习框架，支持复杂感知与高维数据处理。
计算机视觉 Computer Vision：赋予机器“视觉理解”能力，使其能够识别、解释和生成图像与视频信息。
大语言模型 Large Language Model： 具备强泛化与生成能力的语言理解与生成系统
扩散模型 Diffusion Model：基于概率生成的强大内容生成框架，已成为图像生成与视频生成的重要技术。
机器人 Robotics：将智能决策嵌入具身系统，实现感知-决策-执行闭环，推动自主行动体的发展。
具身智能 Embodied Intelligence：强调智能体必须依托身体与环境交互，突破传统脱离物理世界的AI架构。
世界模型 World Model：AI 内部构建的环境动态预测与因果建模体系，是未来推理型智能的核心。
发展路径（简要历史）
一切计算分为：形式逻辑、神经网络
逻辑推理、知识工程、机器学习
符号主义 Symbolicism
认为智能基于对符号的操纵和逻辑推理。通过预设的规则和知识库来解决问题。 图灵机 (Turing Machine) 奠定了计算理论基础； 专家系统 (Expert Systems) 是其在实践中的典型应用，通过IF-THEN规则模拟人类专家的决策过程。
局限: 难以处理模糊、不确定性信息，知识获取和维护成本高，泛化能力差。
连接主义 Connectionism
感知机、多层感知机、神经网络 认为智能来源于大量简单处理单元（神经元）之间的连接和交互，通过学习调整连接权重来识别模式。
机器学习 Machine Learning
机器通过数据而非明确编程来学习。 监督学习、无监督学习、强化学习
深度学习 Deep Learning
大模型，涌现 机器学习的子集，使用多层神经网络为基础的学习框架，支持复杂感知与高维数据处理。
大模型 (Large Models) 的兴起，展现出强大的涌现 (Emergence) 能力，推动了 AI 在图像、语音、自然语言等领域的突破性进展。
思维链
慢思考 Chain-of-Thought 核心思想: 引导大型语言模型进行多步骤推理，模拟人类的“慢思考”过程，提高复杂任务的解决能力。通过生成中间推理步骤，增强模型的可解释性和问题解决能力。
发展趋势
从大规模感知走向因果推理 从黑箱学习走向可解释性模型 从数据驱动走向知识与数据融合 从弱 AI 走向具身智能与世界模型 从人工训练走向自主学习与自主涌现