【人工智能学习笔记 一】 AI分层架构、基本概念分类与产品技术架构

一级概念二级概念三级概念说明应用知识理解与学习机器学习（ML）监督学习- 分类算法：依据已标注数据将新数据归入不同类别，决策树、SVM等是常用算法

– 回归算法：预测连续数值，借助线性回归、决策树回归等构建自变量与因变量关系模型- 分类算法：用于垃圾邮件过滤，精准区分正常与垃圾邮件；助力疾病诊断，依据症状等判断病症

– 回归算法：实价预测，综合多种因素预估价；进行股票价格预测，为投资提供参考。在AIGC方面，可对生成内容如图片、文本质量分类评估，优化生成模型无监督学习- 聚类算法：把数据划分成不同簇，使簇内数据相似性高，K – means是经典算法

– 降维算法：在保留关键信息前提下降低数据维度，PCA常用于图像压缩等- 聚类算法：应用于市场细分，按消费者特征划分群体；用于图像分割，分离不同区域。

– 降维算法：实现数据可视化，以直观形式展示高维数据；用于生物信息学数据处理，简化基因数据等。在AIGC图像生成中，聚类算法助力特征生成多样图像，降维算法减少训练数据维度，提升效率深度学习（DL）神经网络架构- 多层感知机（MLP）：基础前馈神经网络，通过层间全连接学习复杂非线性关系，用于图像、任务

– 卷积神经网络（CNN）：针对网格结构数据，利用卷积、池化操作提取特征，应用于计算机视觉领域

– 循环神经网络（RNN）及变体：擅长处理序列数据，LSTM和GRU解决长序列依赖问题，用于、翻译等任务- MLP：实现手写数字识别，精准分类手写数字；用于识别特征提取，助力内容理解

– CNN：应用于人脸识别，实现身份认证；用于视频监控目标检测，保障公共安全

– RNN及变体：完成机器翻译，实现语言转换；进行股票市场预测，价格走势。LLM基于Transformer架构，Transformer与RNN变体相关，在自然语言生成（AIGC文本方向），如智能写作、对话系统等方面广泛应用深度学习框架- TensorFlow：灵活性与扩展性强，支持多设备，在工业界广泛应用

– PyTorch：代码简洁，采用动态计算图，受学术界青睐- TensorFlow：用于工业界图像识别、识别项目，如智能安防实时监控、智能助手交互。

– PyTorch：常用于学术界自然语言处理、计算机视觉研究，助力新算法验证。两者为AIGC和LLM模型提供基础框架支持强化学习（RL）-智能体与环境交互，依据奖励学习最优策略，如AlphaGo通过与环境（棋局）交互提升棋艺- 用于机器人控制，实现路径规划、物体抓取等复杂任务；应用于游戏领域，如AlphaGo下棋展现高超智能。在AIGC内容生成中，通过强化学习使生成模型与环境（如用户反馈）交互，优化生成策略新兴学习技术迁移学习将在一个任务上学到的知识迁移到相关任务，减少训练数据与时间- 用于医疗影像，借助公开数据集预训练模型，降低特定领域数据需求；应用于自然语言处理跨领域文本分类，提升模型泛化能力多模态学习整合图像、文本、音频等多种模态数据进行学习，提升模型理解与处理能力- 应用于智能客服，结合文本与交互，提供更便捷服务；用于智能驾驶，融合视觉与雷达数据，提升驾驶安全性联邦学习在数据不共享前提下，各参与方联合训练模型，保护数据隐私- 用于金融机构联合风控模型训练，在保护数据隐私同时提升风控能力；应用于医疗数据隐私保护下的联合研究，促进医疗领域协作知识处理与训练自然语言处理（NLP）词法- 分词：将文本按单词或词素划分，中文分词需特定方法

– 词性标注：为单词标注词性，辅助理解句子语法结构- 分词：用于搜索引擎查询语句处理，精准匹配搜索结果；助力文本编辑软件实现自动纠错等功能

– 词性标注：应用于机器翻译，提升翻译准确性；用于文本分类，辅助判断文本类别。在AIGC文本生成中，为生成文本提供基础预处理，提升语法准确性句法- 句子语法结构，构建句法树，如依存句法明确词语间依存关系- 用于智能客服系统，准确理解用户问题意图；应用于信息抽取，提取关键信息。在AIGC生成文本时，辅助生成符合语法规则的连贯句子语义理解- 词向量表示：将单词映射到低维向量空间，捕捉语义相似性，如Word2Vec算法

– 语义角色标注：确定句子中谓词的语义角色，理解句子深层语义- 词向量表示：用于文本推荐系统，依据语义相似性推荐相关文本；进行文本相似度计算，衡量文本间关联程度

– 语义角色标注：应用于信息检索，精准理解用户需求；用于文本摘要，提取关键语义信息。为AIGC文本生成提供语义支持，使内容更具逻辑性和准确性。LLM基于语义理解，实现更深入的文本生成与交互文本生成- 机器翻译：将一种语言文本翻译成另一种语言，基于神经网络方法显著提升质量

– 文本摘要：从长篇文本提取关键信息，生成简短摘要，分抽取式和生成式- 机器翻译：服务跨国交流，打破语言障碍；用于文档翻译，提高翻译效率

– 文本摘要：应用于新闻媒体，快速提炼新闻要点；用于信息检索，帮助用户快速获取关键信息。这是AIGC在自然语言处理领域典型应用，LLM提升机器翻译和文本摘要质量与效果计算机视觉（CV）图像分类- 判断图像所属类别，CNN是常用模型- 应用于图像搜索引擎，快速分类检索图像；用于农业病虫害图像分类，及时防治病虫害。AIGC图像生成后，通过图像分类评估生成图像类别，判断生成效果目标检测- 识别图像中物体类别并确定其位置，Faster R – CNN等算法实现此功能- 用于智能交通系统，检测车辆、行人等目标；应用于工业检测，识别缺陷产品位置。在AIGC生成的图像或视频内容中，检测特定目标物体语义分割- 标注图像每个像素所属类别，实现图像精细化理解- 用于医学图像，分割器官组织；应用于遥感图像，识别土地利用类型等。AIGC生成的图像可用于语义分割研究，同时语义分割技术辅助AIGC图像生成精细化音频处理（AP）音频分类- 判断音频所属类别，如、音乐、环境声音等分类- 应用于智能助手，识别指令类别；用于音频内容审核，过滤不良音频识别- 将转换为文本，实现人与机器交互- 用于输入设备，如智能音箱、输入法；应用于会议记录，自动转录内容音频生成- 利用人工智能生成、音乐等音频内容- 用于合成，实现文本转功能；应用于音乐创作，辅助生成旋律、和声等视频处理（VP）视频分类- 判断视频内容所属类别，如电影、新闻、体育等分类- 用于视频平台内容分类推荐，提升用户体验；应用于视频监控场景分类，提高监控效率视频目标检测与跟踪- 识别视频中物体类别并确定位置，跟踪物体运动轨迹- 用于智能交通监控，跟踪车辆、行人轨迹；应用于视频，理解视频中物体行为视频生成- 利用人工智能生成视频内容，如动画、虚拟场景视频等- 用于影视制作，辅助生成特效、虚拟角；应用于虚拟现实内容创作，生成沉浸式视频场景知识表达与决策知识表示逻辑表示- 用逻辑符和规则表示知识，如一阶谓词逻辑，实现知识精确表达与推理- 用于专家系统决策支持，依据逻辑规则提供决策依据；应用于定理证明，严谨推导数学定理。在AIGC知识引导生成中，作为规则约束生成内容语义网络- 以节点和边表示概念及关系，直观展示知识结构，便于知识检索与理解- 用于知识图谱构建，奠定知识关联基础；应用于智能教育系统，帮助学生理解知识结构。为AIGC提供结构化知识基础，辅助生成关联、逻辑性内容框架表示- 用框架结构存储知识，包含槽和侧面，描述具有固定结构的知识- 用于机器人任务规划，明确任务目标与步骤；应用于产品设计知识表示，记录产品结构与功能。在AIGC相关应用中，组织利用特定领域知识知识图谱- 以结构化形式描述实体及实体间关系，整合多源知识，用于智能问答、知识推理等领域- 用于智能问答系统，准确回答复杂问题；应用于智能推荐系统，基于知识关联推荐产品或内容。为AIGC提供丰富知识来源，提升生成内容准确性和实用性。LLM与知识图谱结合，增强语言理解与生成能力知识推理演绎推理- 从一般原理推出特殊情况结论，如三段论保证结论必然性- 用于法律推理，依据法律条文推导案件结论；应用于数学证明，严谨论证数学命题。在AIGC涉及逻辑推理的内容生成中，确保内容逻辑严谨归纳推理- 从特殊情况归纳出一般规律，结论具有或然性- 用于市场调研消费者趋势，从个体行为总结普遍规律；应用于科学研究提出假设，基于实验数据归纳理论。为AIGC提供数据驱动的规律总结能力，辅助生成创新性内容不确定性推理- 处理具有不确定性的知识，如贝叶斯网络考虑知识概率和不确定性因素- 用于医疗诊断风险评估，综合症状概率判断病情；应用于金融风险预测，考量多种不确定因素评估风险。在AIGC生成涉及不确定性场景内容时，如生成风险评估报告，发挥重要作用基于知识图谱的推理- 利用知识图谱中实体和关系进行推理，如通过人物关系图谱推理亲属关系- 用于智能问答系统回答复杂关系问题，如“某人和某人的复杂亲属关系”；应用于智能推荐系统基于关系推荐，如推荐相关知识内容。结合LLM，使AIGC在处理复杂知识关系问题上更智能可解释人工智能（XAI）使人工智能模型决策过程和结果可解释，增强模型信任度- 用于医疗诊断解释模型诊断依据，帮助医生理解决策；应用于金融风险评估解释风险评估原因，提升决策透明度