人工智能领域的核心导航文件，涵盖机器学习、深度学习、大语言模型、计算机视觉等方向。
目录结构
02 Artificial Intelligence/
├── 01 ML Foundation/ # 机器学习基础
├── 02 Deep Learning/ # 深度学习
├── 03 Diffusion Models/ # 扩散模型
├── 04 Large Language Models/ # 大语言模型
├── 05 Computer Vision/ # 计算机视觉
├── 06 Multimodal/ # 多模态
├── 07 Video Generation/ # 视频生成
└── 08 Frameworks/ # 框架与工具概论
人工智能的核心目标：让机器模拟人类智能行为（感知、推理、学习、决策）。
子领域分支
机器学习 MOC
机器学习是 AI 最重要的子领域，通过数据驱动让机器自动学习规律。
| 维度 | AI | ML |
|---|---|---|
| 目标 | 模拟人类智能 | 数据自动学习 |
| 路径 | 规则/数据/神经模拟 | 仅数据驱动 |
| 典型 | 专家系统、ChatGPT | 神经网络、决策树 |
符号主义/逻辑推理
基于规则和逻辑符号推理，不依赖数据学习。典型：专家系统、定理证明器、Prolog。
知识图谱
形式化存储知识，支撑问答、推荐。典型：谷歌知识图谱。
规划与决策
自动生成动作序列达成目标。典型：A* 路径规划、博弈论。
机器人学
设计、控制、感知与交互。非学习技术：PID 控制、SLAM。
进化计算
模拟生物进化优化。典型：遗传算法、粒子群优化。
模糊逻辑
突破二值逻辑，允许部分为真。应用：家电控制、工业自动化。
人工生命
模拟生命系统演化。典型：群体智能、蚁群算法。
总结
机器学习是当前主流，但 AI 还包括符号逻辑、知识图谱、规划决策、进化计算等分支，共同构成完整体系。