算法的层级与类型：一文读懂AI算法的族谱与选用之道

文章主旨：企业AI算法选型应以业务问题、数据特征和实际约束为导向，遵循“基线先行、逐步升级”原则，在精度、延迟、成本、可解释性之间权衡，而非盲目追捧大模型或深度学习。

关键要点：

• AI算法分为三个层级（传统机器学习、深度学习、前沿大模型），三者是叠加而非替代关系。
• 七大算法类型按学习方式划分：监督学习、无监督学习、半监督学习、强化学习、自监督学习、迁移学习、元学习，各有典型场景。
• 选型受三维约束：数据量、性能（延迟SLA）、治理（可解释性）。传统模型（如XGBoost）在结构化数据、低延迟、高可解释场景下性价比最高。
• 必须“基线先行”：先用简单模型建立基线，若差距大则逐步升级，并先做小规模PoC。
• 隐性成本（训练、维护、团队、数据依赖）常被忽视，但决定项目成败。

内容结构：

1. 导语：指出常见误区——不是所有问题都需要大模型或深度学习，选算法应类比选工具。
2. 01 先搞清楚：算法的三个层级
   - 基础算法（传统ML）：线性回归、决策树等，性价比高，适合结构化数据。
   - 进阶算法（深度学习）：CNN、RNN、Transformer，擅长非结构化数据。
   - 前沿算法（大模型）：LLM、多模态、Agent，推动认知智能。三者是叠加关系。
3. 02 七大算法类型
   - 监督学习：分类/回归，代表XGBoost（信用评分案例）。
   - 无监督学习：聚类、降维、关联规则（客户分群）。
   - 半监督学习：医学图像等标注成本高的场景（20%标注达80%效果）。
   - 强化学习：连续决策，适合游戏、仿真，现实落地难。
   - 自监督学习：大模型预训练核心（掩码语言建模、对比学习），解决标注瓶颈。
   - 迁移学习：预训练+微调，少量数据即可（工业缺陷检测）。
   - 元学习：少样本学习，快速适应新任务（制造业长尾场景）。
4. 03 一张表看懂：什么场景用什么算法
   提供7条映射规则，如结构化分类→XGBoost/LightGBM，图像分类→ResNet/预训练微调，文本生成→大语言模型API等。
5. 04 三维约束：数据量、性能、治理
   - 数据量：小（<1万）→传统ML，中（<100万）→梯度提升或小深度学习，大→深度学习。
   - 性能：SLA要求低延迟→传统ML，可接受高延迟→深度学习。
   - 治理：金融医疗需要可解释→决策树、逻辑回归。三者交集确定算法空间。
6. 05 基线先行：算法选型的黄金法则
   流程：简单模型建基线→评估是否达业务目标→不达标则特征工程优化→仍不行则小规模PoC深度学习。XGBoost在结构化数据中性价比极高（Kaggle常胜）。
7. 06 被忽视的隐性成本
   训练成本（GPU vs CPU）、维护成本（排查难度）、团队成本（技术栈掌握度）、数据依赖（数据管道、标注、隐私）。
8. 07 算法选型的四条行动准则
   - 问题定义优先于算法选择。
   - 简单模型优先，逐步升级（基线与目标差<5%时优化数据）。
   - 在约束空间中找Pareto最优（精度-延迟坐标图）。
   - 选型不是一次性决策，需定期重评估。
9. 08 附：算法选型速查表
   列出14条常见场景与推荐算法（如表格分类→XGBoost，文本分类→BERT微调，异常检测→Isolation Forest等）。

文章总结：这是一篇面向企业AI实践者的实用指南，强调理性选型：用对工具比用贵工具重要，回归问题本质，避免被技术热度绑架。