下载掌阅APP，畅读海量书库
立即打开
人工智能分类的方法有很多，可以从发展阶段、应用技术领域、智能化强弱程度等方面进行分类。
计算智能是指机器可以像人类一样存储、计算和传递信息，帮助人类存储和快速处理海量数据。贝兹德克于1992年首先提出，计算智能取决于制造者提供的数值数据，而不依赖于知识。
感知智能是指机器具有与人类相似的视觉和听觉等感知能力，不仅能够看到和听到，而且能够根据这些感知信息做出判断和反应。具有感知智能水平的机器可以通过摄像头、麦克风或其他传感器硬件设备，利用语音识别、图像识别等尖端技术将信号从物理世界映射到数字世界，然后将数字信息进一步提升到记忆、理解、规划、决策等可认知信息的水平。在未来，随着科技发展和人类需求不断提高，感知智能将会越来越多地应用于各行各业，甚至成为人们生活中不可或缺的一部分。
认知智能指的是机器具有主动思考和理解的能力，不用人类事先编程就能够像人类一样积极地思考和行动，能够协助或完全替代人类的工作。认知智能是人工智能技术发展的一个高级阶段，旨在使机器具备数据理解、知识表达、逻辑推理、自主学习等能力，使机器具备人类水平的认知智能，甚至具备积累和利用各行业领域专家知识的能力。
人机对话是指人与机器之间通过控制台或终端显示屏幕，以对话方式进行沟通。人机对话发展至今已经经历了三个阶段：第一阶段人机对话，人机交流使用的语言都是由字符集组成的密码式语言，这些密码式语言是经过定义且有数量限制的，能被双方牢牢记住，在此语言体系外的人基本不了解其中含义；第二阶段人机对话，采用的是接近人类自然思维的图形式交流方式，而且在交流内容上也十分趋近人类自然的交流习惯，但此阶段的人机交流仍然主要通过按键（键盘、鼠标等）进行，而非通过人类自然的交流方式进行；第三阶段人机对话，人机交流的内容主要是人类习惯的自然交流语言，交流方式也转为语音、手写、手势、体态和面部表情等人类习惯的自然语言交流方式，与第一阶段和第二阶段人机对话方式截然不同。
机器翻译是利用计算机将一种自然语言（源语言）转换成另一种自然语言（目标语言）的过程，是计算语言学的一个分支，也是人工智能的终极目标之一。20世纪30年代初，法国科学家阿尔楚尼首先提出了用机器来进行翻译的想法；1933年苏联发明家特罗扬斯基设计出第一台把一种语言翻译成另一种语言的机器；1947年美国科学家沃伦·韦弗和英国工程师布兹提出利用计算机进行语言自动翻译的想法；1949年韦弗发表《翻译备忘录》，正式提出机器翻译的思想；1954年乔治敦大学用IBM-701计算机首次完成了英俄机器翻译试验；20世纪80年代中国成功研制了KY-1和IMT/EC863两个英汉机译系统。至今为止，机器翻译已经支持100多种语言之间的互译，这使不同国家之间的人们进行即时交流成为可能。机器翻译可以分为直接机器翻译、基于规则的机器翻译、语际机器翻译、基于知识的机器翻译、统计机器翻译、基于实例的机器翻译、翻译记忆和神经机器翻译八种类型。机器翻译有着重要的实用价值，随着经济全球化和互联网的快速发展，它在促进政治、经济和文化交流方面发挥着越来越重要的作用。
人脸识别是一种基于人的脸部特征信息进行身份识别的生物识别技术。人脸识别技术研究自20世纪60年代开始，到80年代依靠日趋成熟的计算机技术和光学成像技术而得到同步技术提高，最终到90年代后期人脸识别技术才真正走向成熟，可以投入应用。人脸识别相关核心技术大多掌握在美国、德国和日本等发达国家手中。衡量人脸识别系统是否成功的关键在于是否具备顶尖的核心算法，以及识别的准确率和速度是否达到实用化标准。一个完整的人脸识别系统融合了人工智能、机器识别、机器学习、模型理论、专家系统和视频图像处理等多学科知识，同时还要结合中间值处理的理论与实践，是生物特征识别的最新应用，其核心技术的实现体现了弱人工智能向强人工智能的转变。
随着安全需求的不断提升，人脸识别系统也在众多领域大显身手，尤其在金融、司法、国防、航天、公安系统和政府系统等安全性要求极高的领域。人脸识别技术在人脸门禁考勤和人脸识别防盗门等方面的应用，有效提升了企业管理效率和住宅安全水平。当前，中国政府正依托人脸识别技术加紧规划和实施电子护照和电子身份证计划，显著提升公民身份管理能力。公安、司法和刑侦等部门借助人脸识别技术和网络技术在全国范围内搜捕逃犯，有效保障了社会安全。人脸识别技术在电子商务和电子政务中的应用，有效提升了网络信息领域的安全水平。由于电子商务交易的全流程均在网络上完成，电子政务的众多审批流程也逐渐被搬到了网络上，交易和审批过程中的授权均是通过密码来完成的，一旦密码被盗就会产生财产损失的安全问题，然而生物特征识别技术能够统一用户在网上的数字身份和现实的真实身份，从而极大提升电子商务和电子政务系统的可靠性。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将被应用在更多的领域。
自动驾驶是指通过人工智能、视觉计算、雷达和监控装置以及全球定位系统协同工作，从而使电脑能够安全、自动地控制机动车辆运行，而无须任何人类的主动干涉。自动驾驶系统是一个汇聚了大量高新技术的综合系统，环境信息获取和智能决策控制作为其中的关键环节，依赖于一系列技术的创新和突破，如传感器技术、图像辨认技术、电子与计算机技术和控制技术等。自动驾驶系统的关键技术包括环境感知、逻辑推理决策和运动控制等。随着机器视觉（如3D摄像头技术）、模式识别软件（如光学字符识别程序）和光达系统（将全球定位技术和空间数据结合起来）的进步，车载计算机可通过将机器视觉、感应器数据与空间数据结合起来以控制汽车的行驶。毋庸置疑，自动驾驶已经成为自人类发明汽车以来最具颠覆性的创新之一，其影响不仅体现在汽车工业上，也体现在社会发展和出行体系上。
机器写作也被称为自然语言生成，它是自然语言处理领域重要的研究方向和研究热点，是人工智能日趋成熟的一个重要标志。尤其是在新闻写作领域中，与人类作者相比，机器写作具有高效、及时、覆盖广泛和无偏见的优点。机器写作提高了新闻采写的效率。在现代社会，信息流具有高速、海量和网状发散的特点，“速度”因此成了新闻生产的关键因素，这突出了机器写作的强大优势。机器写作有助于提高新闻的真实性和客观性，新闻报道中的错误往往会导致严重的后果，而在传统的新闻生产和传播流程，每一个环节都不可避免地存在差错概率。特别是在财经报道中，巨量的数据和指标、复杂的计算和分析都在挑战着编辑记者的细心和耐心，而机器人记者则可以通过遵循程序中规定的数据采集和分析规则，采用标准的新闻格式，将错误出现的概率降到最低，显著提高新闻的真实性和客观性。机器写作有助于简化新闻制作过程，解放新闻从业者的劳动生产力。传统新闻生产方式包括“收集、写作、编辑、整理”等冗杂环节，易导致新闻编辑效率低下，机器写作则将新闻生产流程精简为“信息抓取”和“文本生成”两个环节，进而极大提升了新闻编辑效率。
人工智能还被应用于智能控制、机器人学、遗传编程、庞大的信息处理，以及执行化合生命体无法执行的或复杂的、规模庞大的任务等。
目前，很少有金融服务公司直接参与和推动人工智能基础建设，大多数金融机构只专注于部署现有成熟的人工智能技术，以求解决关键的战略问题，并增加自身的竞争优势。换句话说，金融机构今天所做的绝大部分工作是将现有人工智能技术应用到具体的需求场景。人工智能赋能的自动化应用能够帮助金融机构减少甚至完全替代人类参与的某些业务流程，从而提高相关流程的处理速度和效率，并改善用户体验，同时大幅降低运营成本。随着人工智能加快赋能决策优化问题，金融机构可以在分析中纳入范围更广泛、结构更松散的数据，理论上来说这可以极大地改善预测水平。人工智能当前也成为金融机构获取客户价值的重要手段之一，还能够帮助金融机构增强风险控制能力。考虑到金融机构的核心职能是风险管理，如果企业能够更好地理解不确定因素将如何演变，人工智能将在信贷、车险和判断市场走势等方面拥有巨大的竞争优势。此外，人工智能在客户定制化过程中的应用可能是金融机构最关心的问题，在许多情况下，这将有助于目前专注为大量客户提供服务的金融机构利用一些高端金融机构使用的差异化技术来改善自身的服务效果和客户体验，或者让更多的高端机构使用类似的人工智能技术向低端市场扩张。
近年来，随着信息技术与教育深度融合的不断推进，人工智能技术已逐步渗透到教育领域，比如学校教学和远程教育，并逐渐成为教育教学改革的重要手段之一。人工智能在教育领域的应用主要体现在智能化教学模式和信息化教学平台两个方面。通过应用人工智能技术，使教育资源内容更加丰富、教学方式更加灵活、教学环节和流程更加优化。人工智能在智能教学系统、智能辅导系统、智能自适应学习系统和自制机器人课程等教育教学中应用时，能充分考虑学习者的个体差异，帮助教师更好地因材施教，有效优化教学方式，实现了O2O混合式个性化教学，显著促进了新教育生态的创造。在教学过程中，人工智能为智慧教育提供了技术支撑，如智能批改和案例推理等技术为教育注入新鲜血液。机器阅卷显著减轻了教师的负担，使其可以腾出更多的时间和精力专注于师生互动和教学设计，进而有助于提升教育质量。
在日常实验教学中，利用基于智能仿真技术的智能化实验系统来进行物理实验、生物实验和化学实验，不仅可以解决设备和资金短缺的问题，还可以靠其进行实验数据的预处理和实验模型的生成。如此便能选择有效的实验方法，直观地分析和说明实验结果，最终提高教学效率。人工智能技术为远程教育智能化提供了强大的技术支撑。利用专家系统、自然语言处理技术、人工神经网络技术和机器学习技术，远程教学系统可以实时跟踪学习者解决问题的思路和潜在目标结构，诊断和评价学习者的理解程度，及时提供指导、反馈和解释，并通过分析平台收集的大数据，有针对性地规划难度适宜、内容适当的学习活动，进一步提升学习者的学习效率。
尽管有先进的教学理念、创新思维和技术支撑，但人工智能在教育活动中的应用仍处于探索阶段，人工智能教育的成果大多集中在个案上，尚未在通用性方面取得显著突破。随着人工智能技术的不断发展，其在教育领域内必将发挥越来越大的作用，但同时也会带来一定的风险。人工智能对学生学习方式产生影响是不可避免的，这就要求我们必须客观面对并加以正确引导。
人工智能在医疗健康领域的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、精神健康、护理、急救室与医院管理、药物挖掘和可穿戴设备等。人工智能技术在医疗健康领域的应用主要集中在生物电子装置、医疗机器人、智能药物研发、智能诊疗、智能影像识别和智能健康管理等方面。例如，智能假肢和外骨骼机器人等可以用于修复受损的人体，医疗机器人可以帮助医疗工作者进行手术、医护等工作。智能药物研发是指将人工智能中的深度学习技术应用到药物研究中，通过大数据分析等技术快速、准确地挖掘和筛选合适的化合物或生物，这样可以缩短新药研发的周期，并降低新药研发的成本，同时提高新药研发的成功率。随着生物信息学、数据挖掘、机器学习等技术的发展，基于大数据和深度学习的药物分析技术将在医疗行业发挥愈加重要的作用。智能诊疗是指计算机在辅助诊断中“学习”专家医生的医疗知识，模仿专家医生的思维方式和诊断推理，以提供可靠的诊断和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、最核心的应用场景。智能影像识别是人工智能技术在医学影像诊断中的应用，医学影像中的人工智能主要分为两部分：图像识别，即在感知环节中对图像进行分析并获得有意义的信息；深度学习，即在学习和分析环节中通过大量的影像数据和诊断数据训练深度学习神经网络，使其掌握诊断能力。智能健康管理是人工智能技术在健康管理特定场景中的应用，当下专注于风险识别、精神健康、在线问诊、健康干预和基于精准医学的健康管理。
工业人工智能是一门前沿研究学科，它通过建立计算机化的系统来完成之前需要人类智能的任务，与通用人工智能不同，工业人工智能更注重应用这些技术来提高生产力并降低成本，同时创造客户价值，从而解决产业的痛点。工业人工智能之所以受到欢迎有四个原因：第一，更实惠的传感器和更自动化的数据采集过程；第二，计算机的计算能力变得更强；第三，执行复杂任务的速度更快且成本更低；第四，更便利地连接基础设施，让云服务更便捷。目前很多企业都把工业人工智能作为一种战略来推进，但是对于具体到什么层面去落地还没有清晰的认识。李杰在《工业人工智能》一书中指出，人工智能真正被应用于工业系统中，进而实现工业人工智能系统，需要做到以下5点：①系统性：技术层级和应用层级的体系化需要一个接口体系，该体系要确定工业人工智能在部件级、设备级、系统级和社区级等不同级别的任务边界和相互接口。在工业系统中，无论是离散型制造还是流程型制造，单点突破都很难实现价值提升，必须通过整体系统导入来实现。②标准化：要纳入现有工业系统的标准化体系，包括方法论、工艺、计量、建模过程、数据质量、模型评价、容错机制、基于预测的操作规程和不确定性管理的标准化，特别是分析结果的表达方式，以及反馈到执行工作中的决策依据和流程的标准化。只有在这一标准化基础上建立起来的工业人工智能才能有效地应用于工业制造领域，否则难以真正将技术与工业相融合，更谈不上创造价值。③流程化：基于系统性方法论的工业智能系统的开发和实施工作流程，以及工业智能系统的信息采集和输出决策工作流程，都与工业系统的各个操作层面（信息流、技术流、人员流、过程流、物流）相连，实现智能应用的快速落地。④敏捷性：虽然工业系统中的问题显而易见，但仍有许多问题需要迅速完成系统搭建、建模、验证和部署，解决碎片化问题，并对客制化需求做出快速反应。⑤可持续传承：与人工智能预测的可解释性和结果的确定性相似，需要做到的是同一套数据和同样的模型，不一样的人来训练所得结果都是一样的，否则就很难做到制造系统的标准化和一致性管理 ［12］ 。
人工智能和零售业的结合已经是不争的事实。通过多年的积累，零售商已经拥有足够的数据，而且相信“人工智能+零售”的应用前景十分广阔。从营销布局到客户定制化服务，人工智能将对零售业的每一个环节进行重塑。人工智能的优势之一是保证了真正的个人体验，它分析用户感兴趣的东西，通过用户的选择来分析他们的喜好，并快速了解他们的需求，进而实现真正个性化的服务。随着科技和商业环境的发展，人们对生活质量的要求越来越高，人工智能则恰好为人们提供了一种新的生活方式——智能消费。智能消费允许用户随心所欲地探索他们想要的购物目录，允许不同的人以不同的方式购物，这正是当前零售业缺少的服务。
目前，还有一种分类方法是以智能化程度进行分类，分为弱人工智能、强人工智能和超人工智能。
弱人工智能是专注于且只能解决特定领域问题的人工智能。毋庸置疑，我们当今看到的所有人工智能算法和应用都属于弱人工智能的范畴。无论是战胜国际象棋大师加里·卡斯帕罗夫的“深蓝”，还是战胜围棋顶尖高手柯洁的阿尔法围棋，抑或苹果公司的智能交互助手Siri，尽管它们在各自领域甚至达到了登峰造极的智能水平，但其功能也仅局限于该领域。相对来讲，考虑到弱人工智能在应用领域上的功能局限性，人们更愿意将其视为某种高效的智能化工具。
强人工智能是能达到人类脑力活动级别的智能。约翰·罗杰斯·希尔勒首次提出了强人工智能的概念，即计算机不仅仅是用来研究人的思维的一种工具，只要运行适当的程序，计算机本身就是有思维的。强人工智能观点认为，人类有可能制造出真正可以推理和解决问题的机器，而且它可以独立思考问题并制订解决问题的最优方案，有自己的价值观和世界观体系。在弱人工智能时代，人类更多感受到的是人工智能作为智能化工具带来的方便与快捷，而在强人工智能时代，人类则会感受到人工智能带来的巨大的不确定性。
超人工智能是在几乎所有领域都比人类大脑强大的智能。尼克·波斯特洛姆在《超级智能》中把超人工智能定义为在几乎所有领域远远超过人类认知能力的智能，而且他还将超人工智能划分为三种形式：高速超人工智能、集体超人工智能和素质超人工智能。高速超人工智能是指该系统可以完成人类智能可以完成的所有事，但是速度快很多；集体超人工智能是指该系统由数目庞大的小型智能组成，在很多一般领域的整体性能都大大超过所有现有的认知系统；素质超人工智能是指一个至少和人类大脑一样快，并且聪明程度与人类相比有巨大的质的超越的系统 ［13］ 。超人工智能究竟是不是一种理想状态？它真的有可能实现吗？这都是值得思考的问题。无论如何，超人工智能已经成为当下学术界一个相当重要的话题。与弱人工智能、强人工智能相比，超人工智能的定义最不清晰，因为超越人类最高水平的智慧究竟会表现为何种形式，至今没人能够理解，因此我们也无法准确地推断计算机程序是否能够实现这一目标。
（廉宪坤，严瀚，俞祝良）