概论

人工智能是一个宽泛的交叉学科领域，其核心目标是让机器模拟人类的智能行为，包括但不限于感知、推理、学习、决策、自然语言理解、问题解决等。

• 本质：通过技术手段使机器具备“类人智能”，实现自主适应环境、处理复杂任务的能力。
• 范围：涵盖所有试图实现“智能”的技术、方法和系统，无论其技术路径如何（如基于规则、基于数据、基于神经模拟等）。

子领域分支

[[机器学习 MOC]]

机器学习是人工智能的一个子领域，或许是最重要的子领域， 其核心方法是让机器通过“数据学习”自动总结规律（而非依赖人类手动编写规则），并利用这些规律完成预测、分类、决策等任务。

• 本质：通过数据驱动的算法，使机器具备“从经验中学习”的能力（类似人类通过观察总结规律的过程）。
• 范围：聚焦于“从数据中学习”的算法和模型，如监督学习、无监督学习、强化学习等，核心是“自动优化模型参数以拟合数据规律”。

[!note]+ 人工智能和机器学习概念对比 人工智能和机器学习概念对比

维度	人工智能（AI）	机器学习（ML）
核心目标	模拟人类智能（感知、推理、学习等）	让机器通过数据自动学习规律（聚焦“学习”能力）
技术路径	包含规则驱动、数据驱动、神经模拟等多种路径	仅数据驱动（通过算法从数据中学习）
历史阶段	1950年代提出（图灵测试），涵盖AI的全周期	1980年代后逐渐成为AI的主流技术（随数据量增长）
典型案例	专家系统（规则驱动）、ChatGPT（数据驱动）、逻辑推理机	线性回归、决策树、神经网络、强化学习算法

符号主义（Symbolism）/ 逻辑推理

• 核心思想：基于明确的规则和逻辑符号表示知识，通过演绎推理解决问题，不依赖数据驱动的学习。
• 典型应用：
  • 早期专家系统（如医学诊断系统MYCIN、化学分析系统DENDRAL），通过预定义的规则库模拟人类专家决策。
  • 定理证明器（如自动证明数学定理的程序）。
  • 逻辑编程（如Prolog语言，基于一阶谓词逻辑进行问题求解）。
• 特点：适用于规则明确、结构化的问题，但难以处理模糊、复杂或无明确规则的场景。

知识表示与知识图谱

• 核心思想：将人类知识形式化、结构化，以便计算机存储和利用，是实现智能推理的基础。
• 关键技术：
  • 知识表示方法：如本体（Ontology）、语义网络、框架系统等，用于定义概念及概念间的关系（如“人”与“动物”的“属于”关系）。
  • 知识图谱：以图结构（节点表示实体，边表示关系）存储大规模知识（如谷歌知识图谱、百度百科的结构化知识），支撑搜索、问答等应用（如“姚明的妻子是谁”可通过知识图谱直接查询）。
• 应用：智能问答、推荐系统、语义搜索等。

自然语言处理（NLP）的非机器学习分支

虽然现代NLP多依赖机器学习（如Transformer模型），但早期及部分基础技术属于非学习范畴：

• 规则式方法：基于语法规则（如乔姆斯基的生成语法）进行分词、句法分析（如早期机器翻译依赖人工编写的双语语法规则）。
• 词典与模板匹配：如简单的聊天机器人通过关键词匹配预设回复（如“你好”对应“你好呀”）。

计算机视觉（CV）的传统方法 数字图像处理

与NLP类似，计算机视觉早期也有非机器学习的经典技术：

• 特征工程：通过人工设计的特征提取算法处理图像，如边缘检测（Canny算子）、角点检测（Harris算子）、轮廓分析等。
• 基于规则的识别：如通过几何形状规则识别特定物体（如工业质检中检测零件的尺寸是否符合标准）。

规划（Planning）与决策

• 核心思想：在给定目标和约束条件下，计算机自动生成一系列动作序列以达成目标，不依赖数据学习，而是基于逻辑和优化。
• 典型场景：
  • 路径规划（如机器人导航中避开障碍物的最短路径计算，A* 算法是经典方法）。
  • 任务规划（如工厂机器人的装配步骤规划、物流调度中的车辆路线安排）。
• 技术基础：状态空间搜索、启发式算法（如A*）、博弈论（如极小极大算法用于棋类AI）。

机器人学（Robotics）

• 核心内容：研究机器人的设计、控制、感知与交互，融合了机械工程、控制论、传感器技术等，不完全依赖机器学习。
• 非学习技术：
  • 运动控制：如 PID 控制算法（使机器人关节稳定运动到目标位置）。
  • 传感器融合：将激光雷达、摄像头等多传感器数据结合，实现环境感知（如SLAM即时定位与地图构建的早期方法）。
• 与AI的结合：现代机器人常结合机器学习（如强化学习训练机器人抓取），但底层控制和规划仍依赖传统技术。

进化计算（Evolutionary Computation）

• 核心思想：模拟生物进化过程（变异、选择、交叉），通过迭代优化求解复杂问题，属于“无监督”的优化方法，不依赖数据标注。
• 典型算法：
  • 遗传算法（Genetic Algorithm）：用于函数优化、参数调优（如优化神经网络的超参数）。
  • 粒子群优化（Particle Swarm Optimization）：模拟鸟群觅食行为，用于求解全局最优问题。
• 应用：复杂工程设计（如飞行器外形优化）、调度问题等。

模糊逻辑（Fuzzy Logic）

• 核心思想：突破传统“非真即假”的二值逻辑，允许命题具有“部分为真”的模糊性（如“温度有点高”），更贴近人类的模糊认知。
• 应用：家电控制（如洗衣机的模糊控制，根据衣物脏污程度自动调整洗涤时间）、工业自动化（如化工反应的温度调节）。

人工生命（Artificial Life）

• 核心思想：模拟生命系统的动态演化过程，研究“生命”的本质特征（如繁殖、进化、自适应），探索非碳基生命的可能性。
• 典型研究：
  • 数字有机体：在计算机中模拟具有繁殖和变异能力的“虚拟生物”。
  • 群体智能：模拟蚁群、蜂群等生物群体的协作行为（如蚁群算法用于路径优化）。

总结

机器学习（尤其是深度学习）是当前AI领域的主流技术，但人工智能的内涵远不止于此。从早期的符号逻辑、专家系统，到知识图谱、规划决策，再到模糊逻辑、进化计算等，这些分支共同构成了AI的完整体系。不同分支适用于不同场景：规则明确的问题可依赖符号主义，复杂优化问题可借助进化计算，而需要从数据中学习规律的场景则依赖机器学习。随着技术发展，这些分支也在不断融合（如知识图谱与深度学习结合的“知识增强学习”），推动AI向更通用的方向发展。