人工智能

人工智能研究方向/子领域的基本介绍。

核心基础理论与技术（偏底层）

构建AI系统的基石，侧重于理论、模型和算法。

机器学习
- 简介：AI的核心驱动力，研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
- 关键子方向：
  - 深度学习：基于神经网络的技术，是当前AI发展的主力。
  - 监督学习：如分类、回归。
  - 无监督学习：如聚类、降维。
  - 强化学习：智能体通过与环境交互获得奖励来学习策略。
  - 迁移学习：将在一个任务中学到的知识应用到另一个相关任务中。
计算机视觉
- 简介：研究如何让计算机“看懂”图像和视频，包括识别、检测、分割、跟踪等任务。
- 典型应用：人脸识别、自动驾驶中的环境感知、医疗影像分析、工业质检。
自然语言处理
- 简介：研究计算机与人类自然语言之间的交互，使计算机能够理解、解释和生成人类语言。
- 典型应用：机器翻译、智能客服、情感分析、文本摘要、大语言模型（如ChatGPT）。
知识表示与推理
- 简介：研究如何将人类知识形式化地表示成计算机可处理的结构，并基于这些知识进行逻辑推理。
- 典型应用：知识图谱、专家系统、语义网。
机器人学
- 简介：集成了CV、NLP、ML、控制理论等多个领域，研究如何设计和控制能够与环境进行物理交互的智能体（机器人）。
- 典型应用：工业机器人、服务机器人、无人机、自主导航系统。

交叉与应用学科（偏上层）

将核心AI技术应用于特定领域或问题，或与其他学科深度交叉。

语音识别与合成
- 简介：研究如何让计算机“听懂”人类的语音并将其转为文本，以及如何生成自然流畅的语音。
- 典型应用：智能音箱、语音输入法、有声读物、虚拟助手。
数据挖掘与知识发现
- 简介：从大量数据中通过算法自动地发现隐藏的、有价值的模式和知识。与机器学习紧密相关，但更侧重于应用和流程。
- 典型应用：商业智能、推荐系统、金融风控、科学研究。
人工智能安全与伦理
- 简介：一个新兴但至关重要的领域，研究如何确保AI系统的安全性、可靠性、公平性和透明度，并应对其带来的社会伦理挑战。
- 研究问题：对抗性攻击、算法偏见、可解释性AI、AI对齐、数据隐私。
多智能体系统
- 简介：研究多个智能体如何在一个共享环境中协同工作、竞争或协商，以实现个体或集体的目标。
- 典型应用：交通调度系统、分布式控制系统、电子市场、多机器人协作。
规划与决策
- 简介：研究智能体如何根据当前状态和目标，制定一系列行动步骤以达到最优或满意的结果。
- 典型应用：游戏AI（如AlphaGo）、物流路径规划、资源调度。
信息检索与推荐系统
- 简介：研究如何从大规模非结构化数据（如网页、文档）中快速找到用户所需信息，并主动向用户推荐他们可能感兴趣的内容。
- 典型应用：搜索引擎、电商推荐、新闻推送。

新兴与前沿方向

随着技术的发展，一些跨领域的综合性方向也日益突出。

具身智能：强调智能体需要通过与物理环境的实时交互来学习和进化，而不仅仅是从数据中学习。
因果推理：超越相关性，探索变量之间的因果关系，被认为是实现更强AI的关键。
AI for Science：利用AI技术加速科学研究，如在药物发现、材料科学、天文学等领域的应用。
脑机接口：在大脑与外部设备之间创建直接连接通路，实现信息交换，AI在其中扮演信号解码和编码的关键角色。