目前，AI大模型主要分为以下几类：

1、语言模型：
统计模型：基于统计的语言模型，如NGram模型，通过分析大量的文本数据，预测下一个词出现的概率。
深度学习模型：如循环神经网络（RNN）、长短期记忆网络（LSTM）、Transformer等，这些模型能够捕捉长距离依赖，生成更加连贯和自然的文本。

2、生成对抗模型（GANs）：
生成对抗网络通过两个神经网络（生成器和判别器）的竞争，生成逼真的数据，如图像、文本、音乐等。

3、变分自编码器（VAEs）：
变分自编码器是一种生成模型，通过学习数据的概率分布，生成新的数据样本。

4、Transformer模型：
Transformer模型是一种基于自注意力机制的深度学习模型，广泛应用于自然语言处理（NLP）任务，如机器翻译、文本摘要等。

5、多模态模型：
多模态模型能够处理和生成多种类型的数据，如文本、图像、音频等。

6、预训练模型：
预训练模型（如BERT、RoBERTa、GPT3等）通过在大规模文本数据集上进行预训练，然后在特定任务上进行微调，取得了非常好的效果。

7、大型语言模型：
像GPT3、BERT等超大规模的语言模型，通过在海量文本数据上训练，能够执行广泛的任务，包括但不限于文本生成、问答、文本分类等。

这些模型在自然语言处理、计算机视觉、语音识别等领域都有广泛的应用，并且随着研究的深入和技术的进步，新的模型和应用场景还在不断涌现。