AI的学习能力是其“进化”的核心，从Supervised（监督）到Unsupervised（无监督），再到Reinforcement Learning（强化学习），学习机制的升级让AI从“被动执行”到“主动优化”。
1. Supervised Learning（监督学习）：依赖Labeled Dataset（标注数据集），模型学习“输入→输出”的映射关系。核心任务包括Classification（分类，如识别猫狗）与Regression（回归，如预测房价），Loss Function（损失函数）衡量预测与真实值的差距，Gradient Descent（梯度下降）通过最小化损失实现模型优化。
2. Unsupervised Learning（无监督学习）：无标注数据，模型自主挖掘数据的Hidden Structure（隐藏结构）。Clustering（聚类，如用户分群）通过Distance Metric（距离度量，如欧氏距离）将相似数据归为一类；Dimensionality Reduction（降维，如PCA）则压缩数据维度，保留核心信息，解决“维度灾难”问题。
3. Reinforcement Learning（强化学习，RL）：智能体通过与Environment（环境）交互学习，核心要素包括Agent（智能体）、State（状态）、Action（行动）、Reward（奖励）。目标是最大化Cumulative Reward（累积奖励），Q-Learning通过Q-Table（Q表）存储状态-行动价值，Policy Gradient（策略梯度）直接优化行动策略，适合Sequential Decision-Making（序列决策，如游戏AI、机器人控制）。
4. Self-Supervised Learning（自监督学习）：无人工标注，通过数据自身生成Pseudo-Labels（伪标签）训练模型，例如用句子中缺失的词预测上下文，是大模型预训练的核心，让AI从海量无标注数据中学习通用特征。
学习机制的升级，本质是让AI摆脱对人工标注的依赖，实现“从数据中自主学习规律”，这是AI能适配复杂多变现实场景的关键。