人工智能中的“或图”（OR Graph）通常被称为 与/或图 的一个特例，或者更准确地说，它是一种决策图，其中节点代表问题状态，而边代表可以采取的操作或选择。
它的核心思想是：为了解决一个问题，我们只需要从多个可选的路径中选择任意一个能够通向解决方案的路径即可。
人工智能中的“或图”最常见的叫法是：
搜索树
这是最常用、最直观的叫法，在AI问题求解中,我们通常将问题空间表示为一棵树：
- 根节点：代表初始问题状态。
- 内部节点：代表通过某个操作后得到的新状态。
- 边：代表可以执行的操作。
- 叶节点：代表最终状态（可能是目标，也可能是无法继续的“死路”）。
在搜索树中，从根节点到任意一个目标节点的路径都是一个可能的解，你只需要找到一条这样的路径即可，所以它本质上就是一个“或图”，在走迷宫问题中，你可以在每个路口选择向左、向右或向前,只要找到一条能走出去的路就行。
决策树
这个叫法也非常普遍，尤其是在机器学习领域，虽然两者概念高度相关,但侧重点略有不同：
- 搜索树：更侧重于过程，描述了从初始状态到目标状态的探索过程。
- 决策树：更侧重于结果，每个内部节点代表一个决策（问题），分支代表该决策的可能选项，叶节点代表最终的分类结果或数值预测。
在判断一个动物是不是鸟时，决策树会问：“它会飞吗？” -> “有羽毛吗？” -> “是企鹅吗？”，你只需要沿着一条决策路径走到结论即可，这也是典型的“或图”逻辑。
状态空间图
这是一个更正式、更通用的术语，它将问题抽象为一个由状态和操作组成的图。
- 节点：表示问题的各种可能状态。
- 有向边：表示从一个状态可以通过某个操作转换到另一个状态。
当这个图是无环的（或者我们按层级展开不考虑环时），它就形成了一棵树，也就是搜索树，状态空间图是理解“或图”背后数学模型的基础。
与“与图”的区别（重要）
为了更好地理解“或图”，通常我们会把它和“与图”放在一起比较，这引出了AI中更重要的概念——与/或图。
| 特征 | 或图 | 与图 |
|---|---|---|
| 核心逻辑 | 或 逻辑 | 与 逻辑 |
| 求解目标 | 只需选择任意一条路径到达目标 | 必须同时满足所有子路径才能到达目标 |
| 典型问题 | 单路径问题，如走迷宫、最短路径规划 | 复杂问题分解，如定理证明、任务规划 |
| 示例 | “我要去北京”，可以选择坐飞机、坐火车或自驾。选一个就行。 | “我要做一个项目”，需要完成所有子任务：需求分析、系统设计、编码、测试。缺一不可。 |
在人工智能领域，当提到“或图”时，最常用和最贴切的叫法是 搜索树 或 决策树，它们都形象地描述了一种“多选一”的决策结构,是AI问题求解和决策制定的基础模型。
- 如果你关注的是寻找解决方案的过程，用 搜索树 最合适。
- 如果你关注的是根据一系列条件做出最终决策，用 决策树 最合适。
标签： 人工智能图像识别技术 AI图像处理应用 人工智能视觉系统
