3分钟理解人工智能的3个级别（弱人工智能
HomeAI知识库基础科普弱人工智能、强人工智能、超人工智能文章目录弱人工智能（WeakAI）
弱人工智能也称限制领域人工智能（NarrowAI）或应用型人工智能（AppliedAI），指的是专注于且只能解决特定领域问题的人工智能。
例如：AlphaGo、Siri、FaceID等
扩展阅读：
WeakAI——Wikipedia
WeakAI——Investopedia
强人工智能（StrongAI）
又称通用人工智能（ArtificialGeneralIntelligence）或完全人工智能（FullAI），指的是可以胜任人类所有工作的人工智能。
强人工智能具备以下能力：
存在不确定性因素时进行推理，使用策略，解决问题，制定决策的能力知识表示的能力，包括常识性知识的表示能力规划能力学习能力使用自然语言进行交流沟通的能力将上述能力整合起来实现既定目标的能力扩展阅读：
Whatisthedifferencebetweenstrong-AIandweak-AI?——Stackexchange
超人工智能（SuperIntelligence，缩写ASI）
假设计算机程序通过不断发展，可以比世界上最聪明，最有天赋的人类还聪明，那么，由此产生的人工智能系统就可以被称为超人工智能。
扩展阅读：
THEMYTHOFASUPERHUMANAI——Wired
TheDifferenceBetweenArtificialIntelligence,GeneralIntelligence,AndSuperIntelligence——Coresystems
超级智能的致命赌博
2018年12月30日by打不死的小强Updated:2022年8月15日
基础科普弱人工智能,强人工智能,超人工智能Thanksforyourrating!
Youhavealreadyratedthisarticle
Anerroroccured,pleasetryagainlater
WasThisArticleHelpful?强人工智能和弱人工智能的区别，你知道吗
原创：小七AI商学院昨天
人工智能的一个比较流行的定义，也是该领域较早的定义，是由约翰·麦卡锡（JOHNMCCARTHY）在1956年的达特矛斯会议（DARTMOUTHCONFERENCE）上提出的：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样。但是这个定义似乎忽略了强人工智能的可能性。
另一个定义指人工智能是人造机器所表现出来的智能性。总体来讲，对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。这里“行动”应广义地理解为采取行动，或制定行动的决策，而不是肢体动作。
强人工智能强人工智能观点认为有可能制造出真正能推理（REASONING）和解决问题（PROBLEM_SOLVING）的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类：
类人的人工智能，即机器的思考和推理就像人的思维一样。
非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式
弱人工智能弱人工智能观点认为不可能制造出能真正地推理（REASONING）和解决问题（PROBLEM_SOLVING）的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。
主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。强人工智能的研究则处于停滞不前的状态下。
对强人工智能的哲学争论“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对计算机和其它信息处理机器创造的，其定义为：“强人工智能观点认为计算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，计算机本身就是有思维的。”
关于强人工智能的争论不同于更广义的一元论和二元论（DUALISM）的争论。其争论要点是：如果一台机器的唯一工作原理就是对编码数据进行转换，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是对数据进行转换，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。
也有哲学家持不同的观点。DANIELC.DENNETT在其著作CONSCIOUSNESSEXPLAINED里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。
有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如SIMONBLACKBURN在其哲学入门教材THINK里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她/他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。BLACKBURN认为这是一个主观认定的问题。
需要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。
强人工智能到底是不是存在？小七更赞同强人工智能是存在的这个观点！强人工智能与弱人工智能的区别应该在于是否拥有意识，如果从这个角度来看，现在的人工智能只是停留在弱人工智能时代，而强人工智能时代的到来也并非没有可能。强人工智能时代的机器人已经类似于生物，他们有独立的意识，甚至可以要求独立的“人权”，到了那一天，几乎就是人和机器平等相处了。
本质来讲，人类自己也是一种机器，只不过这个机器拥有独立的意识，能够思考和进步，这些，其实都可以靠着一套复杂的算法来实现，未来，强人工智能诞生之后，可能也就意味着人类已经成为了造物主，创造出了一种全新的物种。
人工智能的七种类型
33862019年07月09日
人工智能的七种类型作者：ForbesChina
文/NaveenJoshi
图片来源：视觉中国
人工智能（ArtificialIntelligence）可能是有史以来最复杂也最惊人的创造。尽管这个领域尚未被完全开拓，但这意味着我们今天看到的每一个惊人的AI应用程序仅仅代表了这庞大冰山的一角。虽然这个事实不言自明，但我们仍然很难完全预测AI在未来可能会造成的影响。其原因在于如今，AI已对社会产生了革命性的影响，而这种影响从它崭露头角时便可窥见一斑。
人工智能的快速增长与其强大的功能使人们对人工智能接管社会的必然性感到担忧。此外，人工智能在不同行业带来的转变使得企业领导者和主流大众认为，我们已经接近最大限度开发人工智能潜能的高峰。然而，了解未来可能出现的AI以及现存的类型将使我们清晰地了解如今的AI功能以及未来研究的漫长道路。
人工智能的不同类型
由于人工智能研究旨在使机器仿效人类，因此AI系统可以何种程度复制人类的行为被用作归类它们的基准。因此，根据机器较于人类所展现出的多功能性与不同表现，它们可以依次被分门别类。在这样的分类系统下，同等条件下更能够表现出如人类般的处理能力的人工智能将被视为更为进化的AI类型，而具有有限功能和性能的AI将被视为更简单且落后的类型。
基于此标准，人工智能通常可以被分成两类。其中一种的分类标准基于人工智能与人类的相似性，以及它们如人类般“思考”与“感知”的能力。按照这种基准，AI与基于AI的系统可被大致分为四种：反应机器，少量记忆，思想理论和自我意识的AI。
人工智能的四种类型
反应机器：没有内存功能，只会对特定的刺激有所响应
少量记忆：使用内存来学习和改善其对策
思想理论：了解其他智能单位的需求
自我意识：具有类似人类的智慧和自我意识
1.ReactiveMachines（反应机器）
这些是能力极其有限的最古老的人工智能系统，它们能够模仿人类思维对不同刺激所做出的反应。这些机器没有存储功能，这意味着它们不能基于经验来模拟对策，即是说它们不具有“学习”的能力。这些机器只能用于自动响应有限的一组命令，也不能依赖内存来改善操作。这类机器的一个例子是IBM的DeepBlue，这台机器在1997年击败了国际象棋大师加里卡斯帕罗夫。
2.LimitedMemory（有限记忆）
有限记忆AI除了具有反应机器的能力之外，还能够从历史数据中学习以作出决策。我们所知的几乎所有现有的应用程序都可归类于此类AI。如今所有的AI系统，例如那些使用深度学习的系统都基于大量的训练数据，而这些数据将被储存于它们的历史数据中，以形成解决未来问题的参考模型。例如，使用数千张图片及其标签来训练图像识别AI，以教导它自动命名扫描的对象。当通过这样的AI扫描图像时，它使用训练图像作为参考来理解呈现给它的图像的内容，并且基于其“学习体验”，它标记新图像时将具有更高的准确度。
几乎所有当前的AI应用程序，从聊天机器人、虚拟助手到自动驾驶车辆，都是由有限记忆AI驱动的。
图片来源：视觉中国
3.TheoryofMind（心灵理论）
前两种类型的AI已经得以大量运用，而现今，接下来的两种新型AI正存在于概念或逐渐成型的阶段之中。心灵理论AI是研究人员目前正在进行钻研的下一级AI系统，通过辨别互动者的需求，情感，信念和思考过程，心灵理论AI能够更好地理解它们的互动对象。虽然人工智能于研究者而言已经是一个炙手可热的领域，但实现AI的心灵理论水平也同时需要其他各类部门的协力。这是因为如果要真正理解人类的需求，人工智能机器必须将人类视为单独思考的复杂个体，而这对于它们而言，基本上等同于“理解”人类。
4.Self-aware（自我意识）
这是人工智能开发的最后阶段，目前只存在于概念构想中。如字面所述，自我意识AI是一种如人类大脑般具有自我意识的人工智能。对人工智能研究而言，这一直都是一个长久以来的终极命题。这种类型的AI不仅能够理解和唤起与其互动的人的感情，而且还能拥有自己的情感，需求，信念和潜在的欲望，而这就是科技领域的末日预言者所担忧的AI。虽然AI自我意识的发展可能会给我们的文明带来飞跃式的进步，但同样也有可能会导致灾难。这是因为一旦AI拥有了自保的想法，这些想法可能直接或间接地导致人类灭绝；这样的AI可以轻易地战胜任何人的智慧，并编造精心设计的计谋来超越人类。
另一种在技术术语中更常用的分类基准是将AI技术分类为弱智能（ANI），强人工智能（AGI）和人工超智能（ASI）。
5.弱人工智能（ANI）
这种类型的人工智能囊括了所有现有的AI，甚至包括迄今为止创建的最复杂和最强大的AI。ANI指的是只能使用类似人类的能力自主执行特定任务的AI系统，这些机器只能执行已被写好的命令，因此它们的能力范围十分有限。根据上述分类基准，ANI可被归类入所有的反应机器与有限记忆的范围。即使是最为复杂、会进行自我学习的AI，也仍旧属于ANI这一范畴。
6.强人工智能（AGI）
AGI代表着AI拥有像人类一样学习、感知、理解和运作的能力，这些系统将能够独立构建多种技能，并形成跨域的连接和概括能力，大大减少学习所需的时间。通过学习人类的多功能处理系统，AI系统将会与人类变得一样强大。
7. 超人工智能（ASI）
ASI的发展可能标志着人工智能研究的巅峰，因为AGI将成为迄今为止地球上最强力的AI。而ASI除了复制人类的多方面智能之外，由于更大的内存，更快的数据处理、分析以及决策能力，它们的能力将会远超上述所有类型的AI。AGI和ASI的发展将导致一种通常被称为“奇点”的场景；可尽管拥有如此强大的机器的前景似乎很有吸引力，但这些机器也可能威胁到我们的存在或是生活方式。
从这一点来看，当更先进的AI出现时，我们很难想象那时世界的模样。然而，要实现这一目标显然还前路漫漫，因为人工智能开发的现状与预期相比还处于起步阶段。对于那些对人工智能的未来持负面看法的人来说，这意味着现在要担心奇点问题还为时过早，而且还有时间来确保AI的安全性。对于那些对人工智能的未来持乐观态度的人来说，事实上我们只是触及了人工智能开发的皮毛，这使得这一领域的未来更加令人拭目以待。
NaveenJoshi为福布斯撰稿人，表达观点仅代表个人。译Chloe校李永强
本文为福布斯中文网版权所有，未经允许不得转载。如需转载请联系wechat@forbeschina.com
人工智能分类浅谈
文章目录前言一、什么是人工智能？二、人工智能的分类1.按学派分类2.按能力分类3.按业务领域分类4.按学习方式分类5.按实时分类6.按学习步骤来分7.按学习技巧来分8.按学习轮次来分9.按模型种类来分10.按任务来分11.按模型来分前言本文将粗略介绍人工智能的分类
一、什么是人工智能？通过学习掌握了某种技能的机器，我们认为他具备了人工智能。
二、人工智能的分类1.按学派分类符号主义：又被称为逻辑主义，心理学派，专家系统。该学派认为人工智能是源于数学逻辑的，该学派认为人类认知和思维的基本单元为符号，把这种符号输入到能处理符号的计算机中，从而模拟人的认知过程来实现人工智能。
连接主义：又被称为仿生学。该学派是基于神经网络及网络间的连接学习算法的智能模拟方法。
行为主义：又被称为进化主义或控制论学派。研究的是一个群体的行为。
2.按能力分类弱人工智能：只能处理单一的问题，该模型如果被训练为识别猫狗分类，那么他就只能够处理这个问题。
强人工智能：在各个方面都能够和人类相比。
超人工智能：在各个方面的远超人类。
3.按业务领域分类信号领域
图像领域：识别/侦测，跟踪，切割，生成
语音领域:
自然语义
自动化
4.按学习方式分类有监督：每条数据都有对应的标签。如在训练手写数字识别的时候我会告诉网络传入的图片所对应的数字。高效但成本高
无监督：在训练网络的时候，只给网络对应的数据没有标签，不告诉网络图片对应的数字。成本低而且泛化性能较好但效率低
半监督：输入网络的数据只有部分数据有标签。（少量包含标签的大量无标签的）
自监督
5.按实时分类在线学习：推理和学习是同时进行的。
离线学习：学习完成之后在使用。
6.按学习步骤来分非端到端学习：数据在输入模型之前需要认为进行特征提取。传入模型的不是原始数据，而是经过处理之后的特征。特征提取比较难，对最终的结果影响大。
端到端学习：数据直接输入模型得到输出，特征提取是由模型自己提取的。当任务比较复杂的时候学习起来比较困难。
7.按学习技巧来分迁移学习：在已经训练好的基础上继续学习新的任务。如某个模型已经学会了识别猫狗，我们在这个基础上继续学习识别飞机，船等。
元学习：元学习学习的数据的本质特征
级联学习：将任务进行分解来进行学习
递增学习：逐级增加学习的难度
对抗学习：两个网络相互竞争从而来进行学习
合作学习：分工合作学习
8.按学习轮次来分N-shot/Few-shot
one-shot
zero-shot
9.按模型种类来分判别模型
生成模型
10.按任务来分回归/拟合/函数逼近：当模型的输出为一个具体的数值时为回归任务如预测物体的所在的坐标点时。
分类
聚类：聚类和分类本质上都是把数据分开，区别时聚类为无监督学习。我不知道这堆数据里面有几个类别也不知道哪些是具体的哪一类的数据。
特征提取/降维/主成分分析
生成创作
评估与规划
决策
11.按模型来分统计：传统的机器学习，非端到端学习
仿生：神经网络