以下是人工智能领域的完整层次展开：
一、人工智能（AI）
| 分类 | 说明 |
|---|
| 符号主义AI | 基于逻辑推理和知识表示，如专家系统、知识图谱 |
| 连接主义AI | 基于神经网络和机器学习，模拟大脑神经元连接 |
| 行为主义AI | 基于感知-动作，强调与环境交互，如强化学习、机器人 |
| 混合AI | 结合多种方法，如神经符号AI |
二、连接主义AI → 机器学习（Machine Learning）
| 分类 | 说明 | 典型算法 |
|---|
| 监督学习 | 有标签数据训练 | 线性回归、SVM、决策树、随机森林、神经网络 |
| 无监督学习 | 无标签数据，发现隐藏结构 | K-means、PCA、聚类、自编码器 |
| 半监督学习 | 少量标签+大量无标签数据 | 自训练、协同训练 |
| 强化学习 | 通过与环境交互学习最优策略 | Q-learning、DQN、PPO、A3C |
| 迁移学习 | 将已学知识迁移到新任务 | 领域自适应、预训练-微调 |
三、机器学习 → 神经网络（Neural Network）
| 分类 | 结构特点 | 典型网络 |
|---|
| 前馈神经网络 | 信息单向传播，无循环 | 感知机、多层感知机（MLP） |
| 卷积神经网络（CNN） | 局部连接、权值共享，适合图像 | LeNet、AlexNet、VGG、ResNet |
| 循环神经网络（RNN） | 具有记忆能力，适合序列 | RNN、LSTM、GRU、Bi-LSTM |
| 图神经网络（GNN） | 处理图结构数据 | GCN、GAT、GraphSAGE |
| 生成对抗网络（GAN） | 生成器与判别器对抗训练 | DCGAN、StyleGAN、CycleGAN |
| 自编码器（AE） | 编码-解码结构，学习数据表示 | 普通AE、变分自编码器（VAE） |
| Transformer | 基于自注意力机制，并行处理 | BERT、GPT、T5、ViT |
四、神经网络 → 深度学习（Deep Learning）
| 分类 | 层数特点 | 典型架构 |
|---|
| 浅层神经网络 | 1-2个隐藏层 | 传统感知机、简单MLP |
| 深度神经网络（DNN） | ≥3个隐藏层 | 深层MLP |
| 深度卷积网络 | 深层CNN结构 | ResNet（152+层）、DenseNet |
| 深度循环网络 | 深层RNN/LSTM结构 | 深层LSTM、Stacked RNN |
| 深度生成模型 | 深层生成结构 | VAE、GAN、扩散模型（Diffusion） |
| 预训练模型 | 大规模预训练+微调 | BERT、GPT系列、T5、RoBERTa |
五、深度学习 → 大模型（Large Model / Foundation Model）
| 分类 | 规模特点 | 典型代表 |
|---|
| 大语言模型（LLM） | 数十亿至数千亿参数，处理自然语言 | GPT-3（175B）、GPT-4、PaLM、LLaMA、ChatGLM、文心一言 |
| 视觉大模型 | 大规模视觉预训练 | ViT-G/14、SAM、CLIP、DALL-E、Stable Diffusion |
| 多模态大模型 | 融合文本、图像、音频、视频 | GPT-4V、Gemini、Flamingo、BLIP-2 |
| 科学计算大模型 | 面向特定科学领域 | AlphaFold（蛋白质结构）、GraphCast（天气预报） |
| 代码大模型 | 代码生成与理解 | GitHub Copilot、CodeT5、CodeLlama、StarCoder |
六、大模型 → 具体应用形态
| 应用形态 | 功能特点 | 代表产品 |
|---|
| 聊天机器人 | 对话交互、问答 | ChatGPT、Claude、文心一言、通义千问 |
| AI Agent | 自主规划、工具调用、任务执行 | AutoGPT、GPT-4 with Tools、智谱AutoGLM |
| 代码助手 | 代码补全、生成、解释 | GitHub Copilot、Cursor、Codeium |
| AI搜索 | 结合大模型的智能搜索 | Perplexity、秘塔AI搜索 |
| AI绘画/视频 | 文生图、文生视频 | Midjourney、DALL-E 3、Sora、可灵 |
| 嵌入式AI（端侧大模型） | 轻量化、本地化部署 | Llama.cpp、Phi-3、Qwen-1.8B |
完整层次结构图
人工智能（AI）
├── 符号主义AI
│ └── 专家系统、知识图谱、逻辑推理
├── 连接主义AI
│ └── 机器学习（ML）
│ ├── 传统机器学习
│ │ ├── 监督学习：SVM、决策树、随机森林、KNN
│ │ ├── 无监督学习：K-means、PCA、聚类
│ │ ├── 强化学习：Q-learning、DQN、PPO
│ │ └── 集成学习：AdaBoost、XGBoost、LightGBM
│ └── 神经网络（NN）
│ ├── 前馈网络：感知机、MLP
│ ├── 卷积网络（CNN）：LeNet→AlexNet→VGG→ResNet→EfficientNet
│ ├── 循环网络（RNN）：RNN→LSTM→GRU→Bi-LSTM
│ ├── 图网络（GNN）：GCN、GAT、GraphSAGE
│ ├── 生成网络：GAN、VAE、扩散模型
│ ├── 注意力机制：Transformer
│ └── 深度学习（DL）
│ ├── 浅层网络（1-2层）
│ ├── 深层网络（3+层）
│ ├── 深度CNN、深度RNN
│ ├── 预训练模型（PTM）：ELMo→BERT→GPT
│ └── 大模型（Foundation Model）
│ ├── 大语言模型（LLM）：GPT系列、LLaMA、ChatGLM
│ ├── 视觉大模型：ViT、SAM、CLIP、DALL-E
│ ├── 多模态大模型：GPT-4V、Gemini
│ ├── 科学大模型：AlphaFold、GraphCast
│ ├── 代码大模型：Copilot、CodeLlama
│ └── 应用形态
│ ├── 聊天机器人（ChatBot）
│ ├── AI Agent（智能体）
│ ├── 代码助手
│ ├── AI搜索
│ ├── AIGC（文生图/视频）
│ └── 端侧大模型
└── 行为主义AI
└── 机器人、自主系统、进化算法
关键演进路线
| 阶段 | 时间 | 标志性技术 | 核心突破 |
|---|
| 符号主义 | 1950s-1980s | 专家系统 | 知识表示与推理 |
| 机器学习兴起 | 1990s-2000s | SVM、随机森林 | 统计学习理论 |
| 深度学习复兴 | 2012-2017 | AlexNet、ResNet、Transformer | 大数据+GPU+深层网络 |
| 预训练时代 | 2018-2022 | BERT、GPT-3 | 无监督预训练+微调 |
| 大模型时代 | 2022至今 | ChatGPT、GPT-4、多模态模型 | 涌现能力、指令遵循、RLHF |
