人工智能分类方式有哪些？

按照能力水平分类（最经典、最广为人知）

这是由人工智能研究者尼克·博斯特罗姆等人提出的一种经典分类方式,它描述了AI从弱到强的演进路径。

弱人工智能

也称为“狭义人工智能”（Narrow AI）或“专用人工智能”（Artificial Narrow Intelligence, ANI）。

• 定义：被设计和训练用于执行特定任务的AI，它只能在预设的领域内工作,不具备跨领域的学习和推理能力。
• 特点：
  • 任务专用：只能在特定领域表现出色,超出这个领域就无法工作。
  • 无自我意识：没有情感、意识或主观体验,只是根据算法和数据运行。
  • 当前主流：我们今天所接触到的所有AI都属于这个范畴。
• 例子：
  • 语音助手：Siri、小爱同学、天猫精灵（只能进行语音交互和简单任务）。
  • 推荐系统：抖音/淘宝的个性化推荐、Spotify的音乐推荐。
  • 人脸识别：手机解锁、门禁系统。
  • AlphaGo：虽然战胜了人类顶尖棋手，但它只会下围棋,无法用它来写诗或开车。
  • 自动驾驶系统：在特定路况下表现优异，但应对极端“长尾场景”仍是挑战。

强人工智能

也称为“通用人工智能”（Artificial General Intelligence, AGI）。

• 定义：具备与人类同等智慧，甚至超越人类的AI，它能理解、学习和应用其智能来解决任何问题,就像一个真正的人一样。
• 特点：
  • 通用性：能够进行跨领域的思考、学习和推理。
  • 常识与理解：拥有人类的常识、抽象思维和举一反三的能力。
  • 自我意识：可能拥有自我意识、情感和目标（这是AGI与ANI的根本区别）。
• 现状：目前仍处于理论研究和科幻阶段，尚未实现。 这是AI研究的终极目标之一。

超级人工智能

• 定义：在几乎所有领域都远远超越最聪明人类的智慧，这种智能可以是科学、创造力、智慧和社交技能等。
• 特点：
  • 能力碾压：其智能水平是人类无法企及的,就像人类的智慧远超蚂蚁一样。
  • 不可预测性：其行为和思维方式可能完全超出人类的理解范围。
• 现状：纯粹的理论和哲学探讨范畴，也是许多科幻作品（如《终结者》、《黑客帝国》）的主题,其存在和潜在影响引发了广泛的讨论。

按照功能分类（根据AI能做什么）

这种分类方式更加贴近应用,根据AI系统所执行的功能进行划分。

反应式机器

这是最基础的AI类型，没有记忆能力,也无法基于过去的行为进行决策。

• 定义：只能对当前的情况做出反应,无法利用过去的经验。
• 例子：
  • IBM的“深蓝”：在下棋时，它只能计算当前的局面和所有可能的下一步走法，但它“不知道”自己之前是怎么下的，也没有对“棋局”的整体概念。
  • 简单的推荐引擎：只根据你当前点击的商品推荐相关商品,不考虑你过去一年的购买历史。

有限记忆

这是目前大多数商业AI系统的类型。

• 定义：可以利用过去的观察结果来指导当前的决策，这些数据是临时的,会随着时间推移而被丢弃。
• 例子：
  • 自动驾驶汽车：它通过观察其他车辆的速度和方向来做出驾驶决策（减速或变道），这些观察结果是临时的,会被不断更新。
  • 电商推荐系统：会根据你最近的浏览记录和购买历史来推荐商品，形成一种“有限记忆”。

理论心智

这已经属于AGI的范畴了。

• 定义：AI能够理解他人的信念、意图、情感和思想，并能据此进行预测和互动，这涉及到“心智理论”（Theory of Mind）。
• 现状：尚未实现。 这是AI实现真正社会智能的关键一步。
• 例子：一个能理解用户“没说出口”的需求或情绪波动的AI助手。

自我意识

这是AI发展的最高阶段。

• 定义：AI不仅能够理解他人的心智，还拥有自己的意识、情感、自我认知和主观体验。
• 现状：纯属科幻概念,距离实现还有非常遥远的距离。

按照技术架构分类（根据AI如何工作）

这种分类方式侧重于AI的底层实现技术和方法论。

基于规则的系统

也称为“符号主义AI”或“老式AI”（GOFAI）。

• 定义：人类专家手动编写大量的“那么”（If-Then）规则来构建AI系统,AI通过匹配规则来进行推理和决策。
• 特点：
  • 逻辑清晰：决策过程可解释性强。
  • 脆弱性：规则一旦覆盖不全，就无法处理规则之外的异常情况,适应性差。
• 例子：
  • 早期的专家系统：如医疗诊断系统,医生将大量医学知识编码成规则。
  • 简单的聊天机器人：基于预设关键词匹配回复。

机器学习

这是目前最主流和最成功的AI技术。

• 定义：AI系统通过从大量数据中学习模式和规律，而不是依赖明确的规则，它自己“出决策模型。
• 特点：
  • 数据驱动：性能取决于数据量和质量。
  • 适应性强：能处理复杂和模糊的问题。
• 主要子类：
  • 监督学习：使用“标签数据”进行训练（如输入图片，输出“猫”或“狗”）。例子： 图像识别、垃圾邮件过滤、房价预测。
  • 无监督学习：使用“无标签数据”进行训练，让AI自己发现数据中的结构。例子： 用户分群、异常检测。
  • 强化学习：AI通过与环境互动，根据“奖励”或“惩罚”信号来学习最优策略。例子： AlphaGo、机器人控制、自动驾驶决策。

深度学习

机器学习的一个强大分支。

• 定义：使用多层“神经网络”（人工神经网络）来模拟人脑的学习过程,能够自动提取数据中的深层特征。
• 特点：
  • 特征自动提取：无需人工设计特征，能处理极其复杂的数据（如图像、语音、文本）。
  • 需要海量数据和算力。
• 例子：
  • 自然语言处理：ChatGPT、谷歌翻译。
  • 计算机视觉：人脸识别、自动驾驶中的物体检测。
  • 生成式AI：DALL-E、Midjourney（文生图）。

混合智能

结合多种AI技术,取长补短。

• 定义：将基于规则的系统、机器学习、知识图谱等技术结合起来，构建更强大、更可靠的AI系统。
• 例子：一个智能客服系统，先用机器学习模型快速回答常见问题，对于复杂问题则调用基于知识图谱的规则系统进行精确解答，如果仍无法解决,再转接人工。

总结表格

这些分类方式不是相互排斥的，而是从不同角度描述了AI的同一个复杂实体。AlphaGo 既是弱人工智能（只会下棋），也属于有限记忆类型（会复盘），其核心技术是深度学习和强化学习，理解这些分类有助于我们更清晰地认识AI的现在、未来和它的工作原理。