目前，人工智能使用多种计算方法，其中一些常见的包括：

1、神经网络：这是人工智能中广泛应用的计算方法，模拟人类大脑的神经元结构。神经网络通过大量的节点（神经元）和连接（突触）来进行信息处理和模式识别。

2、深度学习：深度学习是一种基于神经网络的方法，它使用多层神经元来构建更复杂的模型。深度学习在图像识别、语音识别、自然语言处理等领域取得了显著的成果。

3、 机器学习算法：除了神经网络，还有许多其他机器学习算法被用于人工智能，如支持向量机、决策树、随机森林等。这些算法可以用于分类、回归、聚类等任务。

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广泛应用。

5、 并行计算：由于人工智能计算任务通常需要大量的计算资源，并行计算技术如 GPU 加速被广泛用于提高计算效率。

6、量子计算：虽然仍处于早期阶段，但量子计算在未来可能为人工智能提供更强大的计算能力。

这些计算方法相互结合和补充，以实现人工智能的各种应用。此外，随着技术的不断发展，新的计算方法和架构也在不断涌现，以进一步推动人工智能的进步。

需要注意的是，不同的人工智能应用可能会根据具体问题和需求选择适合的计算方法。

各种大模型通常会采用多种计算方法的组合，以下是一些常见的计算方法：

第一，神经网络架构：大模型普遍基于深度神经网络，如卷积神经网络（CNN）用于图像处理，循环神经网络（RNN）用于序列数据处理，以及 Transformer 架构在自然语言处理中广泛应用。

第二， 分布式计算：由于大模型的参数数量庞大，需要利用分布式计算技术将计算任务分配到多个计算节点上并行处理，以提高训练效率。

第三，优化算法：为了优化模型的训练过程，会使用各种优化算法，如随机梯度下降（SGD）及其变体，来调整模型参数。

第四， 并行计算硬件：如 GPU、TPU 等专用硬件加速器被广泛用于加速神经网络的计算。

第五，数据并行和模型并行：通过数据并行将数据分配到不同设备上进行计算，或通过模型并行将模型拆分到多个设备上，以充分利用计算资源。

第六，自动微分：自动微分技术用于计算模型参数的梯度，以便进行反向传播优化。

第七，量化和压缩：为了减少模型的存储和计算需求，会采用量化和压缩技术来降低模型的精度和尺寸。

第八，强化学习：在某些大模型中，如强化学习智能体，还会结合强化学习算法来优化决策过程。

需要提醒的是，具体采用的计算方法会根据模型的类型、任务要求和可用的计算资源而有所不同。研究人员们不断探索和创新新的计算方法，以提高大模型的性能、效率和可扩展性。此外，随着技术的发展，未来可能还会出现新的计算方法和技术来更好地支持大模型的训练和应用。