Knowledge Atlas

AI 知识地图

从问题、方法、系统到社会影响,理解 AI 的不同分支如何相连。LLM 与 Agent 是其中的重要路线,不是整个学科。

10 个阅读领域更新 2026-10-24基础 · 方法 · 系统 · 社会
快递员对照时钟与街区地图,路线绕开施工路段。
图解 · 教学示意

一单配送,需要几种智能?

感知与预测
识别面单地址,是从图像取信息;估计何时送达,是根据历史与当前条件做预测。
规划与决策
道路封闭,需要在可通行路网中重新选路。地址有歧义,交给人确认。整个流程并不要求聊天模型。
进入搜索与规划 →
本页目录 13 节

本书讲到了哪里

这是一张编辑组织的导航地图,不是互斥的学科分类,也不代表各方向已经等量覆盖。领域框架参考 AIMA 的公开目录,覆盖状态按本站实际内容记录。

可检索术语
170 个
深度解释
36 个
术语专题
24 篇
研究导读
21 篇

以上层级有包含关系,不相加;134 个术语仍只有基础释义。当前重点是语言模型与应用工程,没有用词条数量代替学科完整度。

01

Search & Planning(搜索与规划)

目标明确时,怎样在可能的行动中找到可行方案?

关键方法
状态空间、启发式搜索、约束满足、规划
问题场景
在路径、资源和时间限制下制定配送方案。生成一段计划文字,不等于已经检验计划可执行。
本站覆盖
历史与基础导论
继续深化的方向

尚缺 A*、约束求解与规划算法的独立推导及可运行示例。

02

Knowledge & Uncertainty(知识与不确定性)

事实不完整甚至相互冲突时,怎样表达知识并推断?

关键方法
逻辑、知识表示、概率模型、因果问题
问题场景
有症状不代表唯一病因;相关性、条件概率和干预效果需要分开。语言流畅也不构成形式证明。
本站覆盖
概念概览
继续深化的方向

尚缺概率图模型、因果识别与形式推理专题;不能用 RAG 章节替代这些基础。

03

Statistical Learning(统计学习)

怎样从样本中学到能适用于新数据的规律?

关键方法
回归、分类、聚类、树模型、泛化与正则化
问题场景
预测需求量或筛选异常订单,先比较简单基线与复杂模型,再看数据漂移和错误代价。
本站覆盖
基础原理与深度词条
继续深化的方向

尚缺传统模型的成体系实训、统计推断和样本量设计。

04

Deep Learning(深度学习与表示)

如何学习输入的表示,并用优化目标塑造模型行为?

关键方法
神经网络、Embedding、Attention、Transformer
问题场景
同一模型中的向量距离取决于训练目标,不是现实世界中意义相同或因果相同的保证。
本站覆盖
专题正文与关联论文
继续深化的方向

已加入一维梯度算例;多层网络推导、可运行实验及 CNN/RNN/GNN 的系统比较仍待深化。

05

Reinforcement Learning(强化学习与决策)

行动会改变后续环境时,如何优化长期回报?

关键方法
状态、动作、策略、价值、探索与离线数据
问题场景
策略优化不只看一次回答是否好,也看后续结果;奖励指标选错,系统可能学会错误目标。
本站覆盖
学习信号与后训练案例
继续深化的方向

RLHF 只是交叉应用,本站尚未覆盖完整 MDP、动态规划与控制课程。

06

Perception & Robotics(感知与机器人)

系统如何从图像、声音和传感器理解环境,并作用于物理世界?

关键方法
视觉、语音、空间估计、运动规划、控制
问题场景
识别画面中的杯子、估计杯子位置、让机械臂拿起杯子,是不同层次的任务。
本站覆盖
多模态入门与行业概览
继续深化的方向

尚缺检测/分割、语音建模、SLAM、机器人控制与实机验证专题。

07

Foundation Models(基础模型与生成)

通用预训练怎样迁移到语言、图像及其他任务?

关键方法
预训练、后训练、语言建模、扩散与多模态
问题场景
聊天助手是在模型外叠加检索、工具、权限和界面的产品,不是模型权重本身。
本站覆盖
当前主要深读方向
继续深化的方向

以公开论文和产品资料为界,不掌握厂商未披露的数据及训练配方。

08

AI Systems(工程与运行系统)

如何把模型组成可观测、可验证、可恢复的服务?

关键方法
数据工程、检索、工具、Agent、部署与成本
问题场景
知识问答需要同时处理资料版本、用户权限、检索结果、生成质量和故障恢复。
本站覆盖
产品链路、深度词条与案例
继续深化的方向

尚缺分布式训练、GPU 性能剖析、服务压测及可复现端到端工程。

09

Evaluation(评测与科学证据)

一项能力主张在什么条件下成立,又在哪些情况下失效?

关键方法
数据划分、基线、消融、误差分析与复现
问题场景
换模型、提示、检索或工具都可能改变结果;总分必须与实验条件一起读。
本站覆盖
评测专题、论文导读与来源登记
继续深化的方向

尚无本站独立复现实验、统一对照数据与外部具名专家审稿。

10

AI & Society(产业、治理与人文)

能力落地后,收益、责任和人的自主性怎样分配?

关键方法
组织流程、任务变化、风险治理与职业发展
问题场景
岗位的一部分任务可以自动化,不等于整个职业会消失;业务收益也不等于基准得分。
本站覆盖
行业、趋势、治理与职业章节
继续深化的方向

企业一手访谈、长期成效研究及分行业专家评阅仍需建设。

怎样审读一项研究结论

先核对主张和实验条件,再判断能否迁移到自己的问题。以下是本站依据 NeurIPS Checklist 整理的阅读框架,不表示每篇导读已经完成实验复现。

  1. Claim(主张)

    先写清论文究竟声称改善了什么,以及没有声称解决什么。摘要中的目标不能自动当作已证实结果。

  2. Setup(实验条件)

    核对数据版本、划分、模型、提示、工具与计算预算。条件不同的两个分数不能直接当作同一场比赛。

  3. Comparison(比较)

    比较基线是否合理、资源是否可比;消融实验是否支持作者对改进原因的解释。

  4. Uncertainty(不确定性)

    检查样本量、重复实验、误差条和失败样本。一次最好成绩不能代替稳定表现。

  5. Reproduction(复现)

    查找代码、数据、运行配置与依赖。公开了代码不等于已被独立复现;没有材料也不等于结论必然错误。

  6. Transfer(适用范围)

    将任务、语言、时间、环境与使用成本逐项对照业务场景。研究中的效果需要新的证据才能推广到真实产品。

“作者报告”“本站核对原文”“本站复现实验”是不同证据层级;当前论文区提供原文导读,尚无本站独立复现结果。

地图依据与编辑记录

S1
Artificial Intelligence: A Modern Approach, Table of ContentsStuart Russell and Peter Norvig · 作者教材目录 · 查阅 2026-10-24
S2
Machine Learning GlossaryGoogle for Developers · 官方技术文档 · 查阅 2026-10-24
S3
NeurIPS Paper Checklist GuidelinesNeurIPS · 官方研究规范 · 查阅 2026-10-24

地图更新:2026-10-24。本页为本站维护者整理的教学导航;覆盖判断不是外部认证。具体知识按各页的核对日期和来源使用。