人工智能分哪些类别？

人工智能的概念

人工智能，英文全称为 Artificial Intelligence，简称 AI，它的核心目标是让机器（通常是计算机）能够模仿、延伸和扩展人类的智能。

核心定义

从本质上讲，人工智能是一门计算机科学的分支，它致力于研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统，一个系统如果能够表现出与人类相似的智能行为，如学习、推理、问题解决、感知和语言理解,就可以被认为是人工智能系统。

关键特征

人工智能系统通常具备以下一个或多个关键特征：

• 学习: 能够从数据中获取知识和技能，并不断改进其性能，这是现代AI（尤其是机器学习）的核心。
• 推理: 能够根据已知信息进行逻辑思考,推导出新的结论或做出决策。
• 感知: 能够理解和解释来自外部世界的信息，如通过计算机视觉“看”图像，通过自然语言处理“听”和“读”文本。
• 规划: 能够设定目标,并制定一系列步骤来实现该目标。
• 问题解决: 能够找到复杂问题的解决方案。
• 创造力: 能够生成新颖、原创的内容，如艺术、音乐或文本。

通俗理解

您可以简单地将人工智能想象成“教会计算机如何像人一样思考和行动”，它不是单一的技术，而是一个庞大的领域,涵盖了从底层的算法理论到上层应用的方方面面。

人工智能的分类

人工智能的分类方式有很多种，最常见的有两种分类维度：“能力范围”和“功能实现方式”。

按能力范围划分

这是最经典、最广为人知的分类方法，它描述了AI系统的“智能水平”。

弱人工智能

• 定义: 也称为“狭义人工智能”或“专用人工智能”，它被设计和训练用于执行特定的、单一的任务，它的智能范围非常有限,无法超越其预设的程序和能力。
• 特点:
  • 任务专用: 只能做好一件事，例如下棋、识别图片、翻译语言。
  • 无自我意识: 不具备情感、自我认知或通用推理能力。
  • 当前主流: 目前我们身边所有的人工智能都属于ANI。
• 例子:
  • 语音助手: Siri, Alexa, 小爱同学（能听懂指令并回答，但无法进行哲学思考）。
  • 推荐系统: 今日头条、淘宝、Netflix（根据你的历史数据推荐内容，但不知道你为什么喜欢）。
  • 人脸识别: 手机解锁、门禁系统（能识别人脸，但无法理解人的表情和情绪）。
  • AlphaGo: 专精于围棋,无法下象棋或写诗。

强人工智能

• 定义: 也称为“通用人工智能”，它拥有与人类相当的通用智能，能够理解、学习和应用其智能来解决任何问题，就像一个真正的人类一样，它具备常识、抽象思维、学习能力,并可以自主设定目标。
• 特点:
  • 通用性: 能够处理各种不同的任务,无需为每个任务单独编程。
  • 自我意识: 能够理解自己的存在，并拥有情感、欲望和信念。
  • 目前不存在: AGI目前仍处于科幻和理论研究的阶段,是人工智能研究的终极目标之一。
• 例子:
  • 电影《终结者》中的天网、《我，机器人》中的NS-5机器人。
  • 能够像人类科学家一样进行独立研究、提出假设并验证的AI。

超级人工智能

• 定义: 在几乎所有领域都远远超越最聪明的人类大脑的智能，它的智能水平是质的飞跃,可能以我们目前无法理解的方式思考和解决问题。
• 特点:
  • 全面超越: 在科学创造、通用智慧、社交技能等方面都远超人类。
  • 潜在风险: 这是科幻作品中经常探讨的主题，其出现可能对人类社会带来颠覆性的影响,是AI安全领域关注的焦点。
• 例子:

  电影《黑客帝国》中的机器母体、《超验骇客》中的PINN系统。

按功能实现方式划分

这种分类方法关注AI系统是如何工作的,以及它是否需要人类监督。

基于规则的系统

• 定义: 这是最早期、最传统的AI形式，它由人类专家编写一系列“IF-THEN”（那么）的明确规则来构成知识库，系统根据这些规则进行逻辑推理,得出结论。
• 特点:
  • 逻辑清晰: 决策过程透明,易于理解和解释。
  • 缺乏灵活性: 无法处理规则未覆盖的情况，对于模糊、复杂的问题无能为力。
  • 知识获取瓶颈: 手动编写和维护规则库非常耗时耗力。
• 例子:
  • 专家系统: 早期的医疗诊断系统，医生将医学知识编码成规则,系统根据病人症状进行诊断。
  • 简单的聊天机器人: 通过预设关键词和回复路径进行对话。

机器学习

• 定义: 这是当前AI的主流方法，它不再依赖人工编写规则，而是让计算机从大量数据中自动学习模式和规律,并利用这些学习到的模型进行预测或决策。
• 核心思想: “数据 + 算法 = 模型”，模型是AI系统的“大脑”。
• 主要类型:
  • 监督学习: 给AI提供“带标签”的数据（图片+标签“猫”），让AI学习输入和输出之间的映射关系，用于分类和回归任务。
    • 例子: 垃圾邮件过滤（邮件+标签“垃圾”）、图像识别（照片+标签“狗”）。
  • 无监督学习: 给AI提供“无标签”的数据，让AI自行发现数据中的内在结构和模式（如聚类、降维）。
    • 例子: 用户分群（将消费行为相似的客户分在一起）、异常检测（发现信用卡交易中的欺诈行为）。
  • 强化学习: AI通过“试错”与环境进行交互，它采取一个行动，环境会给予一个“奖励”或“惩罚”，AI的目标是学习一套策略，以获得最大的长期奖励。
    • 例子: AlphaGo下棋、机器人行走、自动驾驶的决策训练。

深度学习

• 定义: 是机器学习的一个分支，它使用了深度神经网络（具有多个隐藏层的神经网络）,这些网络能够自动学习数据中非常复杂和抽象的特征。
• 特点:
  • 自动特征提取: 无需人工设计特征，能从原始数据（如图像像素、文字）中自动学习到高级别特征。
  • 性能强大: 在处理图像、语音、自然语言等非结构化数据方面取得了突破性进展。
  • 需要大量数据和算力: 训练过程通常需要庞大的数据集和强大的计算资源（如GPU）。
• 例子:
  • 计算机视觉: 人脸识别、自动驾驶中的物体检测。
  • 自然语言处理: 机器翻译（如Google翻译）、情感分析、大型语言模型（如GPT系列）。
  • 语音识别: Siri、科大讯飞等。

我们今天所处的时代是弱人工智能的时代，其核心技术是机器学习和深度学习，而强人工智能则是所有AI研究者追求的宏伟蓝图，理解这两个维度,可以帮助您更清晰地认识AI的全貌和现状。