一、基础能力（机器学习）
机器学习的三大主流范式构成了人工智能的基础能力：
- 监督学习：通过“输入-标签”对进行训练，学习从数据到答案的映射
- 无监督学习：从无标注数据中发现隐藏模式或结构
- 强化学习：通过与环境的交互，基于奖励信号学习决策策略
这些是AI系统获取知识的基本方法。
二、核心技术（深度学习）
在经典机器学习基础上，深度学习提供了更强大的工具：
- 卷积神经网络（CNN） ：擅长处理网格状数据（如图像），通过局部连接和权值共享提取空间特征
- Transformer：基于自注意力机制，擅长捕捉序列数据中的长距离依赖关系，已成为自然语言处理乃至多模态任务的基石
这两者属于模型架构层面，是实现高级功能的“引擎”。
三、生成式人工智能
- 大语言模型：基于Transformer架构、在海量数据上预训练的超大规模模型，具备了强大的语言理解与生成能力，是当前生成式人工智能的核心
- 生成式人工智能：以大语言模型等为基础，能够生成文本、图像、代码等全新内容，代表了从“分析”到“创造”的能力跃迁
四、交互方式 —— 多模态融合
- 单模态输入：系统处理文字、语音、图像等单一形式的信息
- 多模态学习：融合文字、语音、图像等多种模态信息进行联合理解与生成，使AI能更全面、更接近人类感知地处理现实世界问题
简单来说，技术演进路径可以概括为：
机器学习范式（监督/无监督/强化）→ 深度学习架构（CNN/Transformer）→ 大规模预训练模型（大语言模型）→ 生成式能力涌现 → 多模态融合交互
