当前，人工智能领域运用了多种计算方法，部分常见的方法包括：
1. 网络：此为人工智能中广泛采纳的计算方式，其结构仿效了人类大脑的元构造。网络通过大量的节点与连接进行信息处理与模式识别，这些节点与连接分别象征着大脑中的元与突触。
2. 深度学习：深度学习基于网络，运用多层元构建更为复杂的模型。这一技术在图像识别、语音识别、自然语言处理等范畴取得了显著的成果。
3. 机器学习算法：除了网络，亦有多元化的机器学习算法在人工智能领域得到应用，如支持向量机、决策树、随机森林等。这些算法能够用于分类、回归、聚类等多种任务。
4. 强化学习：强化学习通过智能体与环境的交互来学习最优策略，它在游戏、机器人控制等领域有着广泛应用。
5. 并行计算技术：鉴于人工智能计算任务通常需要大量的计算资源，如GPU加速技术被广泛用于提升计算效率。
6. 量子计算：尽管尚处于初级阶段，但量子计算有望为人工智能提供更为强大的计算能力。
这些计算方法相辅相成，共同促工智能的各类应用。随着技术的持续进步，新的计算方法和架构正不断涌现，推动着人工智能的持续发展。
值得注意的是，不同的人工智能应用会根据具体问题和需求选择合适的计算方法。而大型的模型往往结合了多种计算方法。
针对大型模型，常采用的计算方法组合包括：
网络架构方面，大型模型大多基于深度网络，如用于图像处理的卷积网络（），用于序列数据处理的循环网络（RNN），以及在自然语言处理中广为应用的Transformer架构。
为应对模型参数庞大的问题，会利用分布式计算技术将计算任务分配至多个计算节点进行并行处理，从而提高训练效率。
为优化模型的训练过程，会采用各种优化算法，如随机梯度下降（SGD）及其变体，以调整模型参数。
专用硬件加速器如GPU、TPU被广泛应用于加速网络的计算。
还有，通过数据并行与模型并行的方式充分利用计算资源，前者将数据分配至不同设备进行计算，后者则将模型拆分至多个设备上。
自动微分技术被用于计算模型参数的梯度，以实现反向传播优化。
为减少模型的存储与计算需求，会采取量化和压缩技术来降低模型的精度和尺寸。
在部分大型模型中，如强化学习智能体，会结合强化学习算法以优化决策过程。
须知，具体采用的计算方根据模型类型、任务要求及可用的计算资源而有所不同。科研人员不断探索与创新新的计算方法，意在提升大型模型的性能、效率及可扩展性。随着技术的进步，未来将有更多新的计算方法与技术为人工智能的训练与应用提供支持。