一、基础概念与核心框架

人工智能（Artificial   Intelligence，AI）

人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门交叉学科，涉及计算机科学、数学、心理学、神经科学、语言学等多个领域。其核心目标是使机器具备类似人类的感知、学习、推理、决策等智能行为，目前已形成弱人工智能、强人工智能、超人工智能三个理论发展阶段， 其中弱人工智能（专用 AI） 已在各行业广泛落地。

弱人工智能（Narrow AI）

弱人工智能又称窄人工智能或专用人工智能，指仅能在特定领域或任务中展现智能行为的系统，其能力被严格限定在预设范围内，不具备自主意识和跨领域迁移能力。例如语音识别系统仅能处理语音转文本任务，无法自主切换到图像识别领域。目前市场上的AI产品（如Siri、推荐算法）均属此类，是当前技术落地的主要形态。

强人工智能（General AI）

强人工智能又称通用人工智能，指具备与人类相当的通用智能，能理解，学习任何人类可完成的智力任务，拥有自主意识、情感和跨领域推理能力的系统。其核心特征是“通而不专”，可像人类一样灵活应对复杂环境和未知任务。目前强人工智能仍处于理论研究阶段，尚未有实际产品问世，是AI领域的长期目标。

超人工智能（Super AI）

超人工智能指在所有领域远超人类智能水平的系统，不仅能理解人类知识，还能在创新、创造等方面实现指数级超越，甚至可能引发技术奇点。这一概念目前仅存在于科幻作品和理论探讨中，其实现可能性与潜在风险（如伦理危机、生存威胁）是学术界争议的焦点。

符号主义（Symbolism）

符号主义是人工智能早起的主流流派，又称逻辑主义或规则主义，核心思想是通过符号表示知识，通过逻辑规则实现推理。其典型应用是专家系统，将领域知识转化为“if-then”规则，通过匹配规则进行决策。但符号主义难以处理模糊信息和大规模知识，在深度学习兴起后影响力减弱，但其思想仍在知识图谱等领域发挥作用。

连接主义（Connectionsim）

连接主义又称神经网络学派，通过模拟人脑神经元的连接方式构建人工神经网络，实现对数据的分布式表示和并行处理。其核心是“从数据中学习”，无需人工设计特征，在图像识别、自然语言处理等领域取得突破性进展。深度学习是连接主义的现代形态，已成为当前AI技术的核心框架。

行为主义（Behaviorism）

行为主义又称进化主义，强调智能来源于环境交互与试错学习，通过“感知-动作”循环优化行为策略。其典型模型是强化学习，智能体通过与环境的互动获取奖励信号，不断调整行为以最大化积累奖励。行为主义在机器人控制、自动驾驶等领域应用广泛，与连接主义结合形成的深度强化学习是当前研究热点。

机器学习（Machine Learning，ML）

机器学习是人工智能的核心子领域，研究如何使计算机从数据中自动学习规律并用于预测和决策。其核心是构建可从数据中迭代改进的算法模型，无需人工编写具体规则。根据学习方式的不同，可分为监督学习、无监督学习、半监督学习、强化学习四大类。是实现弱人工智能的主要技术手段。

深度学习（Deep Learning，DL）

深度学习是机器学习的子集，基于深层神经网络（通常含3层以上隐藏层）实现特征的自动提取与表示。与传统机器学习相比，其优势在于处理高维数据（如图像、文本）时无需人工设计特征，通过多层非线性变化自动学习数据的抽象特征。卷积神经网络、循环神经网络、Transformer等模型推动了计算机视觉、自然语言处理等领域的技术革命。

神经网络（Neural Network，NN）

神经网络是模拟人脑神经元连接结构的计算模型，由输入层、隐藏层、输出层组成，每层包含多个神经元（节点），节点间通过权重连接传递信息。其工作原理是：输入数据经隐藏层的线性变换与非线性激活后，由输出层产生预测结果。通过反向传播算法调整权重，使模型输出逼近真实标签，是深度学习的基础架构。