AI六大模型类型完整解读

1. 机器学习模型

定义：从带标签或无标签数据中学习规律，实现检测、分类、预测；包含监督、无监督、半监督学习。
代表算法：决策树、随机森林、SVM、XGBoost、K-means、DBSCAN、PCA。
流程：采集标注数据→清洗预处理→选择算法→训练模型→验证调优→预测新数据→持续监控迭代。

2. 深度学习模型

定义：依托多层神经网络学习复杂层次化特征，擅长图像、音频、文本等非结构化数据。
代表架构：CNN、RNN/LSTM、Transformer、GAN、自动编码器。
流程：海量数据采集→归一化输入→搭建神经网络→前向传播预测→计算误差→反向传播更新权重→多轮重复训练→输出预测结果。

3. 生成式模型

定义：学习原始数据分布，生成和样本风格近似的全新内容，覆盖文本、图像、音频、代码领域。
代表模型：GPT系列、DALL·E、Midjourney、MusicLM、AlphaCode。
流程：数据集训练学习分布模式→接收用户输入→模型推理处理→采样输出全新内容→依据反馈持续优化生成效果。

4. 混合模型

定义：融合多种AI技术（规则系统、各类模型），取长补短，适用于对准确率、可控性要求高的场景。
典型方案：RAG、带工具调用的Agent、机器学习+规则引擎、集成型聊天大模型。
流程：多种模型组件独立训练→搭建逻辑桥接层→冲突处理与数据汇总→按逻辑路由分发处理→整合输出最终结果。

5. 自然语言处理模型（NLP）

定义：理解、处理人类语言，支撑对话、翻译、摘要、文本分类等场景。
代表模型：BERT、RoBERTa、T5、GPT系列、Claude。
流程：原始文本清洗→分词→词向量嵌入→注意力层计算→模型输入推理→解码分类→后处理输出文本。

6. 计算机视觉模型（CV）

定义：解析图像、视频像素内容，提取特征，完成识别、检测、分割任务。
代表模型：ResNet、YOLO、VGGNet、EfficientNet、Mask R-CNN。
流程：加载图像数据→缩放归一化→像素特征提取→CNN网络运算→空间检测→分类定位→后处理输出识别框与结果。

层级关系小结

机器学习是大范围总称；深度学习属于机器学习的分支；
NLP、计算机视觉属于深度学习典型应用方向；
生成式模型是按任务能力划分的类别，大量基于Transformer深度学习架构；
混合模型属于工程落地方案，将以上各类模型相互组合，满足复杂业务需求。

AI模型分类 机器学习 深度学习 生成式AI