AI 知识分类学
人工智能是什么
人工智能（Artificial Intelligence, AI）研究如何构造能够感知环境、表示问题、推理、决策并执行行动的智能系统。
从经典人工智能的角度看，许多核心问题都可以表述为 agent 如何在状态空间中寻找合适行动。例如，搜索关注如何从初始状态到达目标状态；约束满足问题（CSP）关注如何在变量、取值和约束之间找到一致解；博弈和多智能体问题关注其他 agent 存在时的策略选择；马尔可夫决策过程和强化学习进一步把不确定性、奖励和长期决策纳入统一框架。这些内容构成了传统 AI 中关于“问题表示、搜索、规划与决策”的主线。
机器学习则从另一个角度推进 AI：它不再主要依赖人工写出的规则和状态转移模型，而是让模型从数据、反馈或交互经验中学习规律。监督学习从带标签样本中学习输入到输出的映射；无监督学习发现数据内部结构；自监督学习从数据自身构造训练信号；强化学习让 agent 通过奖励反馈学习行动策略。现代深度学习、大语言模型、多模态模型和智能体系统，基本都建立在这种数据驱动的范式之上。
本篇分类学主要从机器学习视角组织 AI 知识。这样做的意义在于：为算法、模型、任务和系统提供稳定的位置；说明同一模型为什么可能同时属于多个维度；帮助读者从“名词列表”转向“概念关系图”。后续分类并不是要覆盖人工智能的全部历史分支，而是为学习现代 AI、机器学习、深度学习和大模型系统建立一套清晰的导航框架。
传统的AI
。。。
现代机器学习与深度学习
这一部分留在ML部分展开，详见。
自然语言处理 NLP
自然语言处理板块用于组织语言建模、文本表示、序列建模、句法分析与语义理解等核心主题。