广义的技术目标，指让机器具备。

人工智能发展历程可分为五个阶段：萌芽期（1940s-1980s）奠定了理论基础和技术雏形；寒冬与复兴期（1970s-1998）经历了专家系统兴衰和神经网络算法突破；深度学习革命期（2006-2012）在算法、数据和算力上取得重大突破；扩张期（2013-2019）实现模型深化和跨领域应用；当前进入大模型时代（2020至今），以GPT等为代表的多模态模型快速发展。每个阶段都伴随着技术瓶颈的突破和应用场

人工智能发展历程可分为五个阶段：萌芽期（1940s-1980s）奠定了理论基础和技术雏形；寒冬与复兴期（1970s-1998）经历了专家系统兴衰和神经网络算法突破；深度学习革命期（2006-2012）在算法、数据和算力上取得重大突破；扩张期（2013-2019）实现模型深化和跨领域应用；当前进入大模型时代（2020至今），以GPT等为代表的多模态模型快速发展。每个阶段都伴随着技术瓶颈的突破和应用场

广义的技术目标，指让机器具备。

集成学习通过 “组合多个基础模型” 提升泛化能力，核心分为和三大范式，分别对应 “降方差”“降偏差”“兼顾偏差与方差” 三大优化目标，适用场景与实现逻辑差异显著。

模型调参是提升泛化能力的关键步骤，核心分为 “人工调参”（依赖经验与实验管理）和 “自动调参”（依赖算法与算力），二者适用场景不同，需结合数据量、算力资源和项目周期选择。

传统 NAS 仅优化精度，FBNet 加入 “硬件延迟模型”（如手机 GPU 计算延迟），搜索过程中同时约束参数量和延迟，生成的模型在 iPhone 上比 MobileNet V2 快 2 倍，精度相当。：ShuffleNet 引入 “通道混洗（Channel Shuffle）”，卷积后将不同组的通道打乱重组，解决分组导致的 “通道隔离” 问题，保证跨组信息流通。用 “步长 = 2 的 3 × 3

广义的技术目标，指让机器具备。

人工智能发展历程可分为五个阶段：萌芽期（1940s-1980s）奠定了理论基础和技术雏形；寒冬与复兴期（1970s-1998）经历了专家系统兴衰和神经网络算法突破；深度学习革命期（2006-2012）在算法、数据和算力上取得重大突破；扩张期（2013-2019）实现模型深化和跨领域应用；当前进入大模型时代（2020至今），以GPT等为代表的多模态模型快速发展。每个阶段都伴随着技术瓶颈的突破和应用场