?强化学习：通过试错学习策略，优化长期回报（如围棋AI AlphaGo）。

?深度学习（Deep Learning）：基于人工神经网络，模拟人脑神经元的连接关系处理复杂问题。

?卷积神经网络（CNN）：擅长图像处理。

?循环神经网络（RNN）：擅长处理时间序列和语言数据。

?变换器（Transformer）：处理语言建模任务的核心架构，如GPT模型。

(4) 模型训练

?目标：通过数据训练算法，使其能够从输入数据中学习模式，并优化模型参数。

?方法：基于损失函数（Loss Function），通过梯度下降法（Gradient Descent）调整模型的权重。

?验证与测试：用验证集和测试集评估模型性能，避免过拟合或欠拟合。

(5) 推理与预测

训练完成后，模型使用新数据进行推理。

?预测结果可以是分类（如“猫”或“狗”）、数值（如房价预测）或生成（如文本、图像）。

(6) 模型更新

AI系统需要不断更新：

?在线学习：实时更新模型，适应环境变化。

?重新训练：用新数据重建模型，提升长期性能。

3. 支撑技术

?数学基础：线性代数（矩阵运算）、微积分（优化）、概率统计（不确定性建模）。

?计算资源：GPU、TPU等高性能硬件支持深度学习的并行计算。

?数据基础设施：大数据技术（如Hadoop、Spark）用于存储和处理海量数据。