五个概念不在同一维度：ML→DL 是「方法/结构」的包含关系；判别式/生成式是「能力目标」的划分；决策智能是「方法论/框架」层面。下面的演示重点展示「计算 / 学习的过程」——梯度如何更新、损失如何下降、边界如何收敛，而不是只给一个结果。
让计算机「从数据学规律，不写死规则」（Arthur Samuel, 1959）。核心：人工提取特征 → 模型学映射 → 输出预测。
ML 的子集，用「多层神经网络」自动抽取特征，省掉人工设计特征。
只做「判断/分类/预测」，不创造。建模 P(Y|X)，找类别之间的「决策边界」。
学习数据底层的概率分布，再从分布里「采样生成全新样本」。
方法论层：整合 BI、规则、优化、机器学习、AI 智能体等技术，构建「决策闭环」。
图由顶点与边构成，是建模关系数据的核心结构。本组覆盖：图类型（2.3）、强连通分量算法 Tarjan / Kosaraju（2.4）、概率图模型 PGM（2.5）、图神经网络 GNN 用于生命科学（2.6）。
智能体 / 模型对环境的内部心智模拟——预测「在某种行动下世界如何变化」，从而在想象中规划。两条脉络：学术源（Ha & Schmidhuber 2018 / LeCun 2022）与生成式世界模拟器（Sora / Genie / World Labs）。