深度学习主流方法概述

深度学习是基础学习机制，简单来说，深度学习是机器学习的一个子集，通过构建包含多个处理层（即“深度”）的神经网络模型，来自动从海量数据中学习更抽象、更高层级的特征，从而让机器具备“理解”和“决策”的能力。

主流的深度学习方法按照核心任务分了三类进行对比：

PART 01

深度学习核心方法解析

卷积神经网络 (CNN) —— 视觉感知

CNN通过模拟人类视觉系统的分层处理机制，能够自动从图像中提取特征，通过独特的“卷积”和“池化”操作，在有效减少参数量的同时，保留了对平移、缩放等变化的不变性，因此在图像相关的任务上表现卓越。

循环神经网络 (RNN) 与 Transformer —— 序列处理

RNN : 其核心是一个“循环”结构，能够将过去的信息传递到当前的计算中，因此天生适合处理如语音、文本、时间序列等具有先后顺序的数据，但它在处理长序列时容易出现“遗忘”或“梯度消失”的问题。

Transformer : 它抛弃了RNN的顺序处理模式，完全依赖“自注意力”机制。这使其能并行处理整个序列，并直接捕捉任意两个元素之间的关系，极大地提升了对长距离依赖的建模能力和计算效率。

生成对抗网络 (GAN) 与 变分自编码器 (VAE) —— 创造新数据

两者都属于生成模型，旨在学习训练数据的分布，并生成与原始数据相似但全新的样本。

GAN : 由一个“伪造者”（生成器）和一个“鉴别者”（判别器）相互博弈，最终生成器能创造出以假乱真的数据。

VAE : 它学习将输入数据编码成一个概率分布（如正态分布），然后从这个分布中随机采样解码，从而生成多样化的新数据。

深度强化学习 (DRL) —— 从试错中学会决策

DRL的核心是让一个“智能体”（Agent）在与环境的交互中，通过尝试不同动作并观察获得的奖励或惩罚，来学习“什么状态下该做什么动作”的最优策略。它为机器人赋予了在真实世界中自主学习和执行复杂任务的能力。

PART 02

总结

深度学习的核心在于 层级化的自动特征提取 ，通过不同架构的设计，来解决不同性质的问题。在我们讨论的清洁机器人项目中，一个典型的AI系统（比如VLA模型）会组合运用这些方法：

• 用 CNN 或 Transformer 来处理视觉输入（看见）。
• 用 Transformer 作为VLA的主干网络来融合信息并做出初步决策（“理解”并“规划”动作）。
• 最终，由 深度强化学习（DRL） 来精细地执行和控制机械臂（“执行”清洁动作），完成整个智能闭环。

这些方法各有侧重，但最终的目标都是让机器能更好地“理解、创造和行动”。