本文从工程角度系统梳理AI算法的主要类别，包括经典搜索与规划、优化算法、概率模型、传统机器学习、深度学习以及强化学习。通过示意图和表格说明不同算法家族的典型任务和应用场景，适合作为超过4页的技术参考资料。

图1：常见AI算法家族的数量分布示意。

图2：不同算法家族在可解释性和精度之间的示意性权衡。

图3：数据驱动AI/ML系统中的典型阶段及工程投入分布示意。

算法家族	典型算法	典型任务	说明
搜索/规划	BFS、DFS、A*、启发式搜索、蒙特卡洛树搜索	路径规划、任务规划、博弈AI	通常结合领域启发式以提升效率。
优化算法	梯度下降、SGD、Adam、进化算法	模型训练、超参数搜索、控制问题	大部分机器学习训练过程的核心。
概率模型	贝叶斯网络、HMM、卡尔曼滤波	推理、跟踪、处理不确定性	显式刻画条件概率关系与不确定性。
监督学习	线性/逻辑回归、SVM、k-NN、决策树、随机森林	分类与回归任务	在表格数据与众多业务场景中非常常见。
深度学习	MLP、CNN、RNN/LSTM/GRU、Transformer	视觉、语音、NLP、信号处理	通过多层神经网络进行端到端特征学习。
强化学习	Q-learning、SARSA、DQN、策略梯度	序贯决策与控制	从奖惩信号中学习策略，而非使用标注样本。

表1：主要AI算法家族、典型算法以及常见任务示意。

领域	代表算法	目标	说明
计算机视觉	CNN、基于Transformer的视觉模型	目标检测、分割、识别	利用卷积和注意力结构处理空间信息。
自然语言处理	RNN/LSTM、Transformer、序列到序列模型	机器翻译、摘要生成、问答系统	当前主流系统多基于Transformer和大型语言模型。
时间序列预测	ARIMA、RNN/LSTM、时序CNN	业务需求预测、网络流量预测	需兼顾数据量、可解释性与预测精度。
控制与机器人	强化学习(DQN、策略梯度、actor-critic)	复杂动态系统的策略学习	仿真到实物迁移与安全性是工程挑战。
推荐系统	矩阵分解、深度排序模型	个性化推荐与排序	通常结合协同过滤与内容特征。

表2：典型应用领域与代表性算法示例（非完整列表）。

指标	含义	适用场景	说明
准确率/F1	在测试集上的预测正确程度	分类模型评估	需根据类别不均衡和业务代价选择合适指标。
MSE/MAE	预测值与真实值之间的误差	回归任务	常结合误差分布与校准分析进行综合评估。
平均回报	在一个episode中的平均奖励	强化学习策略评估	需与基线策略和不同环境条件进行对比。
时延/吞吐量	推理耗时和处理能力	上线AI服务	直接影响用户体验与资源成本。
鲁棒性/公平性	在扰动和不同人群下的表现	可信任AI评估	需要专门的数据集和分析方法支撑。

表3：评估AI算法常用的指标与KPI示意。

1. 经典搜索与规划算法

经典搜索算法如BFS、DFS和Dijkstra将问题抽象为状态图或树结构，其中节点表示状态、边表示状态转移。启发式搜索(如A*)在此基础上引入领域知识，以启发式函数的方式指引搜索更快地靠近目标区域。

规划算法在搜索基础上进一步描述动作的前提条件与效果，形成结构化的动作序列。机器人路径规划、制造流程规划和博弈AI中，搜索与规划仍然是核心工具，并常与优化和学习方法结合以处理高维连续空间和复杂约束。

2. 优化算法及其在训练中的作用

优化算法为大部分AI模型的训练提供数学基础。以梯度为基础的优化方法如梯度下降、SGD、Adam等，通过损失函数对参数的偏导数更新模型参数，需要精心选择学习率、正则化和调度策略。

当目标函数难以求导或不光滑时，可以采用进化算法、模拟退火、贝叶斯优化等无梯度方法。超参数搜索、结构搜索和某些控制问题中，这类方法在梯度方法不适用时提供了可行路径。

3. 概率模型与推理方法

概率模型通过概率分布显式描述不确定性及变量之间的依赖关系。贝叶斯网络、马尔可夫随机场和隐马尔可夫模型等图模型，通过结构刻画条件依赖，并使用推理算法计算后验分布或边缘分布。常见推理方法包括置信传播、变分推断等。

卡尔曼滤波和粒子滤波在导航、传感器融合和目标跟踪中广泛应用，用于在噪声环境下估计系统状态。当数据存在噪声、标签不确定或决策需要考虑风险和置信度时，概率推理往往是不可或缺的工具。

4. 监督学习算法

监督学习算法利用带标签的数据学习从输入特征到输出标签或数值的映射。线性回归与逻辑回归模型可解释性较好，通常具有闭式或凸优化解。SVM在此基础上通过间隔最大化和核技巧处理更复杂的非线性关系。

决策树及其集成方法(如随机森林、梯度提升树)通过多层划分规则构造复杂的非线性决策边界。在结构化表格数据、风险评估和许多工业场景中，这类算法是非常实用的选择。

5. 深度学习结构

深度学习通过多层神经网络学习数据的层次化表示。多层感知机(MLP)由多层全连接网络构成，适合处理低维或表格类型的数据。

卷积神经网络(CNN)利用局部连接和权重共享特性处理图像等网格结构数据，是计算机视觉中的基础算法。循环结构如RNN、LSTM和GRU通过时间步之间的循环连接刻画序列依赖关系，适用于语言、时间序列等任务。Transformer架构则通过自注意力机制捕捉序列中任意位置之间的关系，是当前大型语言模型和多模态系统的主导结构。

6. 强化学习算法

强化学习关注在环境交互下的序贯决策问题，智能体通过观察状态、采取动作并获得奖励，学习最大化累计回报的策略。基于价值的方法如Q-learning和DQN学习某一状态-动作组合的价值函数；基于策略的方法如策略梯度、actor-critic等，直接或间接学习策略本身。

强化学习已经在棋类博弈、机器人控制、资源调度和推荐系统中取得成功。实际部署时，奖励设计、安全性、探索策略以及从仿真到现实环境的迁移能力都是需要重点关注的工程问题。

7. 复合与分层算法设计

在真实系统中，往往需要多种算法家族协同工作。例如使用深度学习模型学习启发式函数，指导搜索和规划；将概率推理与监督学习结合，用于不确定性感知的预测；分层强化学习通过任务分解引入子策略，提升可扩展性和可解释性。

工程实践中，模型集成、级联结构和多阶段流水线也十分常见，用于在可解释性、性能和成本之间取得平衡。设计这类复合系统需要理解各类算法的优势和局限，并结合数据规模、时延要求和可靠性约束做出取舍。

8. 工程实践与负责任AI

选择具体AI算法时，除了精度，还需综合考虑数据质量、计算资源、可解释性、鲁棒性、公平性以及后续维护成本。传统算法通常更易解释和调试，而深度模型在获得高精度的同时，对资源和工程能力提出更高要求。

负责任AI强调公平、隐私、透明和鲁棒性等原则，需要在算法设计和部署中系统考虑。模型审计、对抗测试、校准分析和后验解释等技术帮助团队更好地理解和控制模型行为，尤其是在医疗、金融和公共服务等关键领域。