1. 机器学习（ML）
AI最核心、最通用的技术底座，所有方向的基础。该分支是整个人工智能领域的技术根基，侧重系统性学习机器自主学习与迭代优化的底层逻辑，学生将全面掌握各类主流机器学习范式，包含监督学习、无监督学习、半监督学习与自监督学习的原理与落地用法。同时深入钻研深度学习核心体系，理解各类神经网络的搭建逻辑、训练方式与调优技巧，熟练掌握模型迭代、参数优化、过拟合解决等核心实操能力。
- 深度学习架构（CNN、Transformer、RNN、GNN）
- 大模型、小样本学习、零样本学习、持续学习
- 模型压缩、联邦学习、可解释AI（XAI）
- 时序预测、异常检测、推荐系统
- 多模态机器学习（文本+图像+语音融合）
2. 自然语言处理（NLP）
让机器理解、生成、交互人类语言。该分支聚焦于打通人类自然语言与计算机算法的交互壁垒，全方位学习自然语言的底层处理逻辑与工程落地技术。学生将系统掌握文本词法、句法、语义的解析方法，理解不同场景下人类语言的表达逻辑与歧义特征，学习各类文本向量表示、语义建模技术。
- 大语言模型（LLM）、提示工程（Prompt Engineering）
- 问答系统、聊天机器人、多轮对话
- 文本摘要、机器翻译、跨语言理解
- 知识图谱、信息检索、文本生成
- 医疗/法律/金融垂直领域NLP
3. 计算机视觉（CV）
让机器"看懂"图像、视频与视觉世界。该分支致力于赋予计算机感知、解析、创作视觉信息的能力，是落地场景最广泛的AI分支之一。学生将从基础的数字图像处理入手，学习图像降噪、特征提取、像素运算等底层技术，掌握图像分类、目标检测、语义分割、目标跟踪等核心视觉算法原理。
- 目标检测/分割/跟踪、人脸识别、行为识别
- 医学影像诊断（CT/MRI/病理）
- 自动驾驶感知、SLAM、三维重建
- 图像/视频生成、AIGC、超分辨率
- 多模态视觉-语言模型（如CLIP、文生图）
4. 机器人与智能体系统
构建能自主感知、决策、执行的实体/虚拟智能体。该分支融合人工智能算法、机械控制、环境感知与交互设计，主打打造可自主适配动态场景的智能系统。学生将系统学习强化学习的核心决策逻辑，掌握智能体根据环境反馈迭代优化行为的方法。
- 自主移动机器人、机械臂控制、无人机
- 强化学习决策、任务规划、导航
- 人机协作、智能体通信、群体智能
- 自动驾驶、仓储机器人、服务机器人
5. AI伦理、治理与负责任AI
确保AI安全、公平、透明、可控。该分支属于AI的交叉社科方向，聚焦人工智能落地后的风险管控与规范化发展，弥补纯技术学习的短板。学生将系统学习AI算法公平性判定标准，掌握数据偏见、算法歧视的检测与修正方法。
- 算法偏见与公平性、数据隐私
- 可解释AI（XAI）、模型审计
- AI法律合规、知识产权、伦理框架
- 数据安全、对抗鲁棒性
6. AI创新、产品与创业
把AI技术落地为产品、项目、创业公司。该分支是技术与商业深度结合的特色方向，跳出纯算法研发范畴，聚焦AI技术商业化落地能力培养。学生将学习AI行业市场调研方法，掌握精准识别人工智能市场缺口、挖掘产品落地机会的思路。
- AI产品需求分析、原型开发
- 创业法律、技术商业化路径
- 企业内部创新（内创业）
- 垂直行业AI解决方案设计
7. AI交叉应用分支（行业落地）
AI + 医疗健康：聚焦人工智能在医疗场景的专业化落地应用，结合医学基础常识与AI算法技术。涵盖医学影像分析、疾病预测、健康管理，医疗NLP、临床决策支持、精准医疗。
AI + 金融与运营：主打AI技术赋能金融行业风控、交易、运营全场景，信用评估、风控、量化交易、智能投顾、欺诈检测、供应链优化。
AI + 能源与可持续：专注人工智能在新能源、电网运维、节能减排领域的落地应用，风电/光伏预测、电网优化、碳排放管理、智能能源系统。
AI + 制造与工业：聚焦工业场景智能化升级，设备故障预测、质量检测、流程优化、工业视觉、智能制造、数字孪生。
AI + 基础设施/硬件：AI芯片适配、分布式系统、边缘计算、云原生AI、模型部署与工程化。
- 医学影像分析 / 临床决策支持 / 精准医疗
- 量化交易 / 风控 / 欺诈检测
- 风电光伏预测 / 电网优化 / 储能调度
- 设备故障预测 / 工业视觉 / 数字孪生
- AI芯片 / 边缘计算 / 模型工程化
微信扫一扫
