AI技术路径全解析：除了生成式AI还有哪些核心方向？

1次阅读

共计 2392 个字符，预计需要花费 6 分钟才能阅读完成。

很多刚接触 AI 的开发者容易陷入一个误区，认为 AI 就等于生成式 AI（比如最近大火的 ChatGPT、Stable Diffusion 等）。但实际上，AI 技术路径非常丰富，生成式 AI 只是其中一种。今天我们就来系统梳理一下 AI 的其他核心方向，帮助大家建立完整的技术认知框架。

判别式 AI（Discriminative AI）可以说是 AI 领域最基础也最广泛应用的技术路径。与生成式 AI 不同，判别式 AI 的目标不是生成新数据，而是对已有数据进行分类或预测。

判别式模型直接学习输入特征与输出标签之间的映射关系，可以简单理解为 ” 学习如何区分不同类别 ”。常见的算法包括：

逻辑回归
支持向量机（SVM）
决策树
随机森林

垃圾邮件分类
信用卡欺诈检测
医疗诊断
用户流失预测

# 使用 scikit-learn 实现简单的分类器
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成示例数据
X, y = make_classification(n_samples=1000, n_features=4, n_classes=2, random_state=42)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 创建随机森林分类器
clf = RandomForestClassifier(n_estimators=100)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
predictions = clf.predict(X_test)

强化学习（Reinforcement Learning）是一种通过与环境交互来学习最优策略的技术路径。

强化学习系统包含三个核心要素：

智能体（Agent）
环境（Environment）
奖励信号（Reward）

智能体通过尝试不同的动作，观察环境反馈的奖励信号，逐步调整策略以获得最大累积奖励。

强化学习的训练通常遵循以下流程：

观察当前状态
选择并执行动作
接收环境反馈的奖励
更新策略
重复直到收敛

# 使用 OpenAI Gym 实现简单的强化学习
import gym
import numpy as np

# 创建环境
env = gym.make('CartPole-v1')

# Q-learning 参数
learning_rate = 0.1
discount_factor = 0.95
episodes = 10000

# 初始化 Q -table
state_space_size = env.observation_space.shape[0]
action_space_size = env.action_space.n
q_table = np.zeros((state_space_size, action_space_size))

# 训练过程
for episode in range(episodes):
    state = env.reset()
    done = False

    while not done:
        # 选择动作
        action = np.argmax(q_table[state])

        # 执行动作
        new_state, reward, done, info = env.step(action)

        # 更新 Q -table
        q_table[state, action] = q_table[state, action] + learning_rate * (reward + discount_factor * np.max(q_table[new_state]) - q_table[state, action])

        state = new_state

知识图谱（Knowledge Graph）是一种以图结构表示知识的技术路径。

知识图谱构建通常包含以下步骤：

数据采集
实体识别
关系抽取
知识融合
知识存储

知识图谱可以支持多种推理任务，如：

实体链接
关系预测
路径推理

# 使用 RDFlib 构建简单知识图谱
from rdflib import Graph, Literal, Namespace, URIRef
from rdflib.namespace import RDF, RDFS

# 创建图谱
g = Graph()

# 定义命名空间
ex = Namespace("http://example.org/")

# 添加三元组
g.add((ex.John, RDF.type, ex.Person))
g.add((ex.John, ex.livesIn, ex.NewYork))
g.add((ex.NewYork, RDF.type, ex.City))

# 查询
for stmt in g:
    print(stmt)

迁移学习（Transfer Learning）利用已训练模型的知识来帮助解决新问题。

联邦学习（Federated Learning）允许多个设备协作训练模型而不共享原始数据。

技术路径	优点	缺点	计算需求	数据依赖
判别式 AI	简单高效，解释性强	需要标注数据	低到中	高
强化学习	适合决策问题，不需标注数据	训练不稳定，收敛慢	高	低
知识图谱	可解释，支持推理	构建成本高	中	高