企业官网建设流程全解析

EAI：Embodied Artificial Intelligent

人工智能（AI）中，机器学习（ML）领域有多个密切相关但各有侧重的“专业类别”或子领域。它们常常被并列讨论，有时还会交叉融合。下面系统梳理这些相似或相邻的专业名词类别，并说明它们之间的关系与区别：

1. 机器学习（Machine Learning, ML）

定位：总纲性概念，深度学习和强化学习都属于它的子集。 定义：让计算机从数据中自动学习规律，而无需显式编程。 三大经典范式： 监督学习（Supervised Learning） → 有输入-输出对（标签），如分类、回归。 例子：垃圾邮件识别、房价预测 无监督学习（Unsupervised Learning） → 只有输入，无标签，目标是发现结构。 例子：聚类（K-means）、降维（PCA）、异常检测 强化学习（Reinforcement Learning） → 通过奖励信号学习策略（如前所述） 深度学习 ≈ 使用深度神经网络的机器学习方法，可应用于监督、无监督、强化等场景。

2. 表示学习（Representation Learning）

核心思想：自动学习数据的有效特征表示（而不是人工设计特征）。 与深度学习关系：深度学习本质上是一种强大的表示学习方法（如 CNN 自动学图像特征）。 例子：自编码器（Autoencoder）、Word2Vec、对比学习（Contrastive Learning）

3. 迁移学习（Transfer Learning）

目标：将在一个任务上学到的知识迁移到另一个相关任务上。 典型用法：用 ImageNet 预训练的 ResNet 微调做医学图像分类。 与深度学习结合紧密，是现代 DL 实践的标准流程之一。

4. 元学习（Meta-Learning / “Learning to Learn”）

目标：让模型学会如何快速适应新任务（通常只需少量样本）。 应用场景：小样本学习（Few-shot Learning） 例子：MAML（Model-Agnostic Meta-Learning）

5. 自监督学习（Self-Supervised Learning）

特点：无标签，但通过设计“预文本任务”（pretext task）自动生成监督信号。 优势：可利用海量无标注数据（如所有网页文本、视频）。 代表工作：BERT（掩码语言建模）、SimCLR（图像对比学习） 地位：被视为通向通用人工智能的重要路径之一。

6. 在线学习（Online Learning）

特点：数据逐条到达，模型实时更新（而非批量训练）。 对比：传统 ML 是“离线/批量学习”。 应用：广告点击率预测、金融风控

7. 因果推断（Causal Inference）

目标：不只是找相关性，而是推断因果关系（A 是否导致 B？） 与 ML 区别：传统 ML 关注预测，因果推断关注干预效果（如“吃药是否真的治病？”） 新兴方向：因果机器学习（Causal ML）

8. 生成模型（Generative Models）

目标：学习数据分布，生成新样本。 方法包括： GAN（生成对抗网络） VAE（变分自编码器） 扩散模型（Diffusion Models） 自回归模型（如 PixelRNN、GPT） 注意：生成模型可以基于深度学习，也可不用（如高斯混合模型）。

关系图（简化版）

人工智能(AI)└── 机器学习(ML)├── 监督学习 │ └── 深度学习（CNN, Transformer...） ├── 无监督学习 │ ├── 聚类 │ ├── 降维 │ └── 自监督学习 / 表示学习 ├── 强化学习 │ └── 深度强化学习（DQN, PPO...） ├── 迁移学习 ├── 元学习 └── 在线学习

总结：常见“XX学习”术语速查表

在做机器人轨迹生成、仿真控制等任务，未来可能会接触到：

模仿学习（Imitation Learning）：从专家示范中学习（介于监督学习和强化学习之间） 逆强化学习（Inverse RL）：从行为反推奖励函数

这些也都是 RL 的重要变体。