人工智能有哪些类型？

简而言之： 人工智能的类型最好从能力、功能、训练方式和应用场景来理解。目前，专用人工智能很常见，而通用人工智能和超级人工智能仍处于理论阶段。选择工具时，应根据任务、风险以及是否需要人工审核来选择合适的类别。

要点总结：

分类：在比较系统之前，先将能力、功能、培训方法和用例分开考虑。

人工审核：在依赖生成式、预测式和对话式输出结果之前，请先进行检查。

透明度：询问哪些数据、逻辑和限制塑造了每个人工智能系统。

问责制：当人工智能影响决策、用户或安全时，要追究人类的责任。

风险控制：部署前测试是否存在偏见、隐私、安全问题和滥用情况。

---

1. 人工智能有哪些类型？

当人们问“ 人工智能有哪些类型？”时，他们通常指的是以下两种情况之一：

他们可能会问到基于 能力，例如它是否只能执行一项任务，还是能够像人类一样进行更广泛的推理。

或者他们可能在询问基于 功能的，即系统如何运行、学习、记忆、预测或响应。

事情就是从这里开始变得有点复杂。人工智能并非一个泾渭分明的类别，它更像是按尺寸、用途、锋利程度以及你叔叔是否从可疑的网店购买等因素对厨房用具进行分类。不同的分类系统之间存在重叠。.

主要类别通常包括：

• 狭义人工智能

• 通用人工智能

• 超级人工智能

• 反应式机器

• 有限内存人工智能

• 心智理论人工智能

• 具有自我意识的人工智能

• 机器学习人工智能

• 深度学习人工智能

• 生成式人工智能

• 预测性人工智能

• 对话式人工智能

• 计算机视觉人工智能

• 机器人人工智能

有些技术已被广泛应用，有些仍停留在理论阶段，有些听起来像是未来科技，但实际上已经融入到日常应用中。“普通软件”和“人工智能”之间的界限也随着时间的推移变得越来越模糊。.

---

2. 按能力划分的人工智能类型

对人工智能进行分类的首要方法是根据它能做什么。这是宏观视角🧠。.

狭义人工智能

弱人工智能（也称窄人工智能）旨在执行特定任务或有限的任务集。这是人们日常使用的人工智能。

例如：

• 搜索推荐

• 垃圾邮件过滤器

• 语音助手

• 面部识别系统

• 聊天机器人

• 产品推荐引擎

• 欺诈检测工具

• 语言翻译应用程序

狭义人工智能虽然强大，但它并不具备广义的人类“思考”能力。国际象棋人工智能可以击败特级大师，但它不可能突然决定成为一名糕点师。翻译模型可以翻译一段文字，但它体验语言的方式与人类截然不同。.

不过，狭义人工智能仍然是现代人工智能领域的主力军。它不像科幻小说里那样光鲜亮丽，但它在幕后默默地推动着很多事情的发展。.

通用人工智能

通用人工智能 是指能够像人类一样理解、学习、推理和运用知识完成许多不同任务的人工智能。

简而言之：它不只是擅长做一件事，它还能适应环境。.

真正的通用人工智能可能具备以下潜力：

• 学习不熟悉的任务

• 跨学科推理

• 解决新问题

• 将知识从一个领域转移到另一个领域

• 更深入地理解语境

• 运用灵活的判断力做出决策。

这种人工智能目前更像是一种目标，而非日常现实。人们谈论它很多，因为它引人入胜，或许也有些令人不安，而且作为一种概念，很难让人抗拒。但是，那些能够自动生成文本、图像或回答问题的普通工具，并不等同于通用人工智能。它们或许看起来很强大，但实际上仍然在预设的限制范围内运行。.

超级人工智能

超级人工智能 将超越人类智能。它不仅仅体现在打字速度或数学能力上，更体现在推理、创造力、策略、学习能力，甚至可能还包括情感或社交理解能力。

这是最具推测性的类别，它引发了许多重大问题：

• 谁控制它？

• 它是否符合人类价值观？

• 它能正确理解人类的目标吗？

• 它能否自我改进？

• 如果它做出人类无法理解的决定会发生什么？

超级人工智能领域里，人工智能对话有时会变成哲学探讨。或许是很有价值的观点，但终究还是观点探讨。.

---

3. 按功能划分的人工智能类型

另一种解释 人工智能类型的 是按功能划分。这种方法侧重于人工智能的行为方式。

反应式机器

反应式机器 是人工智能中最简单的类型。它们对当前输入做出反应，而无需使用过去的经验记忆。

它们不像现代自适应系统那样随着时间的推移而学习。它们观察情况，处理信息，然后做出反应。.

可以这样理解：“输入数据，输出数据，没有日记条目。”

反应式人工智能依然令人印象深刻。它可以分析游戏中的各种可能走法，或者以极快的速度和极高的精准度对明确定义的局面做出反应。但它不会建立个人历史，也不会根据过去的互动进行进化。.

有限内存人工智能

内存有限的人工智能 可以利用历史数据做出更优决策。当今大多数实用人工智能都属于这一范畴。

例如：

• 能够从用户行为中学习的推荐系统

• 自动驾驶车辆系统分析近期路况

• 聊天机器人能够记住对话中的上下文

• 基于交易模式学习的欺诈检测模型

• 利用历史数据的预测分析工具

有限的内存并不意味着“记忆力差”。它指的是系统可以使用已存储或最近的数据，但它不具备类似人类的意识或长期的个人经验。不过，它有时也能非常高效。有时甚至高效得令人恼火——比如购物应用在你意识到自己想要什么之前就知道了🛒。.

心智理论人工智能

心智理论人工智能 将以更像人类的方式理解情感、信念、意图和社会信号。

这种人工智能不仅能处理文字，还能推断出某人的感受、需求、误解、恐惧或期望。.

例如，它可能理解为：

• 顾客虽然很沮丧，但仍努力保持礼貌。

• 一名学生感到困惑，但又不好意思再次询问。

• 病人虽然说“我没事”，但内心仍然焦虑不安。

• 队友犹豫不决，因为他们私下里并不认同。

这仍然是人工智能领域一个活跃的讨论方向，但真正的心智理论人工智能极其困难。人类的情感错综复杂。人们口是心非，有时甚至自己都不清楚自己究竟想表达什么。祝机器好运。.

具有自我意识的人工智能

具有自我意识的人工智能 将拥有意识、自我理解能力以及对自身内部状态的感知。

这只是理论上的。它属于科幻小说、伦理研讨会、深夜辩论以及人们深情凝视窗外的范畴🌙。.

具有自我意识的人工智能不会仅仅模拟关于情感的对话，它还会拥有某种主观体验。这是一个非常宏大的论断。目前的人工智能系统尚未被证实拥有意识、情感、欲望或自我意识。.

它们听起来似乎很有自知之明，因为语言可以模仿自我反思。但听起来像某种东西和成为某种东西是两回事。鹦鹉会说“我饿了”，但这并不意味着它预订了餐厅。.

---

4. 对比表：人工智能的主要类型

人工智能类型	大意	当前状态	常见示例	为什么这很重要
狭义人工智能	专为特定任务而设计	广泛使用	聊天机器人、搜索、推荐	实用且随处可见
通用人工智能	类人灵活智能	尚未完全实现	主要为理论方面	远大目标，激烈辩论
超级人工智能	比人类聪明得多	推测性的	没有实际例子	巨大的伦理问题
反应式机器	无需记忆即可做出反应	仅在有限情况下使用	游戏人工智能，基于规则的系统	速度快但适应性差
有限内存人工智能	利用数据/历史信息来改进	非常常见	自动驾驶系统、欺诈工具	这是我日常通勤的车🚗
心智理论人工智能	理解情绪和意图	发展概念	先进的社交人工智能理念	可以使人工智能更具人类意识
具有自我意识的人工智能	具有意识	理论	科幻风格示例	从哲学角度来看，规模巨大。
生成式人工智能	创建新内容	广泛使用	文本、图像、音频工具	创意生产力提升
预测性人工智能	预测结果	广泛使用	风险评分、需求计划	有助于决策——主要是
机器人人工智能	控制物理机器	用于各行业	机器人、无人机、自动化	将人工智能与体力劳动联系起来

有点不完美？没错。但人工智能在日常生活中也是如此运作的——它不像博物馆展览那样拥有完美的标签。.

---

5. 生成式人工智能：人人都在谈论的类型🎨

生成式人工智能 是目前最流行的人工智能类型之一，因为它能够创造事物。

它可以生成：

• 文本

• 图片

• 音乐

• 代码

• 视频

• 产品描述

• 营销文案

• 课程计划

• 摘要

• 合成数据

• 设计理念

生成式人工智能的工作原理是从大量数据中学习模式，然后根据提示生成新的输出。它并非像人们有时想象的那样简单地复制。它基于学习到的结构进行预测、组合、修改和生成。.

即便如此，它仍然会犯错。它有时会显得信心满满，但实际上却是错的，这就好比有人在家庭烧烤聚会上讲解税法一样，只不过这次是机器版的。.

生成式人工智能的价值体现在以下方面：

• 头脑风暴

• 撰写内容

• 自动化重复性写作

• 创建视觉概念

• 支持客户服务

• 加快编码任务

• 个性化学习材料

但它需要审核。始终如此。人工智能的输出结果可能令人印象深刻，但它并不一定准确、公平、合法或对品牌安全。把它当作一个速度极快但偶尔会出点小故障的助手吧。.

---

6. 机器学习人工智能：模式发现者

机器学习 是人工智能的一个主要分支，它使系统能够从数据中学习模式，而不是逐行编程来做出每个决定。

传统软件遵循明确的规则。机器学习系统则通过训练来识别关系并提升性能。.

例如：

• 垃圾邮件过滤器会学习可疑电子邮件的特征。

• 银行模型检测异常交易行为

• 流媒体应用会根据用户的观看习惯推荐节目。

• 招聘工具可以根据预定义的信号对候选人进行排名。

• 医学影像模型可以突出显示可能的异常情况。

机器学习可以分为监督式学习、无监督式学习和强化学习。.

监督式学习

监督学习 使用带标签的示例。例如，图像可能被标记为“猫”或“非猫”。模型学习区分这两种图像。

无监督学习

无监督学习 旨在寻找没有标签答案的模式。它可以将客户分组，或检测数据中隐藏的聚类。

强化学习

强化学习 通过对行为给予奖励或惩罚来进行学习。这在游戏人工智能、机器人技术和优化问题中很常见。

机器学习并非魔法，它高度依赖数据质量。劣质数据会导致劣质模型——输入垃圾数据，输出的也是垃圾数据。.

---

7. 深度学习人工智能：神经网络的强大引擎🧬

深度学习 是一种特殊的机器学习类型，它使用分层神经网络来处理复杂的模式。

它尤其适用于：

• 语音识别

• 图像识别

• 自然语言处理

• 自主系统

• 医学图像分析

• 翻译

• 生成式人工智能模型

• 复杂预测任务

“深度”指的是模型中的多层结构。每一层都有助于处理和解释信息。例如，一层可能检测图像中的简单形状，另一层可能检测纹理，还有一层可能识别物体，以此类推。.

深度学习可以产生惊人的结果，但通常需要海量数据和强大的计算能力。此外，它的结果也更难解释。这意味着即使是专家也可能难以准确解释深度模型做出特定决策的原因。.

这是人工智能领域最大的信任问题之一：性能可能很强，但可解释性却很差。就像试图问一台搅拌机为什么做出来的奶昔味道不对一样。.

---

8. 对话式人工智能：健谈型

对话式人工智能 旨在通过文本或语音与人进行交流。

其中包括：

• 客户服务聊天机器人

• 语音助手

• 虚拟代理

• 人工智能导师

• 内部服务台机器人

• 销售助理

• 调度助理

优秀的对话式人工智能需要的不仅仅是语法。它还需要上下文、意图识别、语气控制以及处理不可预测的人类输入的能力。.

人们说话并不总是条理清晰、语无伦次，他们会漫无目的地闲聊，会拼写错误，会问出只说了一半的问题就指望机器“明白”。你懂的。.

基础聊天机器人可能只能按照预设脚本运行。而更高级的对话式人工智能则可以理解自然语言、理解上下文并生成灵活的回复。.

这种人工智能的价值在于它可以减少重复性工作并提供快速支持。但它有时会假装理解用户需求，实际上却并非如此，这会让用户感到沮丧。最糟糕的情况莫过于聊天机器人说“我很乐意帮忙”，却根本无法提供任何帮助。真是令人抓狂。.

---

9. 计算机视觉人工智能：会“看”的机器👀

计算机视觉人工智能 使系统能够解释来自图像、视频、摄像头、传感器或扫描的视觉信息。

它可以用于：

• 面部识别

• 目标检测

• 工厂质量检验

• 医学影像

• 安全监控

• 零售货架分析

• 交通检测

• 增强现实

• 农业监测

计算机视觉的运作方式与人类视觉不同。它处理的是像素、图案、形状、颜色和统计信号。但其成果却非常强大。.

例如，计算机视觉可以比人工检测更快地发现生产线上的缺陷。它可以帮助管理图像库。它可以为车辆安全系统提供支持。但它也可能引发隐私问题，尤其是在用于监控或身份识别时。.

那是一把双刃叉——不是剑，是叉子。依然锋利到足以造成麻烦🍴。.

---

10. 预测性人工智能：预测引擎

预测性人工智能 利用数据来预测接下来可能发生的事情。

这种现象在商业、金融、医疗保健、物流、体育分析、市场营销和运营等领域很常见。.

预测性人工智能或许能够帮助解答以下问题：

• 哪些顾客可能会流失？

• 哪笔交易看起来可疑？

• 需要多少库存？

• 哪些病人可能需要特别关注？

• 用户可能点击哪些内容？

• 机器的哪个部件可能很快会发生故障？

这种人工智能虽然不如生成式人工智能那样引人注目，但却极其重要。许多组织并不太关心模型能否写诗，而是更关注它能否减少浪费、降低风险并改进规划。.

预测型人工智能在数据相关、干净且定期更新的情况下效果最佳。但预测永远不是绝对的。模型可以估算可能性，但不能保证结果。人们常常忘记这一点。然后他们就责怪人工智能，仿佛它背叛了他们本人。.

---

11. 机器人人工智能：当人工智能拥有实体🤖

机器人人工智能 将人工智能与物理机器相结合。在这里，人工智能不再局限于屏幕，而是开始在现实世界中移动。

例如：

• 仓库机器人

• 制造机器人

• 送货机器人

• 农业机器人

• 手术辅助系统

• 无人机

• 检查机器人

• 清洁机器人

• 人形科研机器人

机器人人工智能之所以困难，是因为物理环境变幻莫测。聊天机器人只需要处理文字，而机器人则需要应对湿滑的地板、昏暗的光线、不平整的地面、移动的人群、传感器故障，以及有人把椅子随意放在最不合适的地方等情况。.

机器人技术通常结合多种类型的人工智能：

• 用于视觉的计算机视觉

• 机器学习适应

• 运动规划算法

• 强化学习在决策中的应用

• 用于人类命令的自然语言处理

机器人人工智能具有巨大的潜力，尤其是在危险或重复性工作中。但它也成本高昂、结构复杂，而且一旦系统出现故障，还会造成人身安全风险。.

---

12. 基于训练风格的人工智能

另一种思考人工智能类型的有效方法是根据它们的训练方式。.

基于规则的人工智能

基于规则的人工智能遵循人类创建的逻辑。例如：

• 如果发生这种情况，就这样做。

• 如果用户选择此选项，则显示该答案

• 如果该值高于阈值，则触发警报

这种方法简单、可预测，对结构化任务很有帮助。但它难以应对模糊不清的情况。.

数据训练的人工智能

经过数据训练的人工智能可以从示例中学习。它能够处理更复杂的问题，因为它能够识别模式，而不仅仅是依赖于固定的规则。.

这就是机器学习和深度学习发挥作用的地方。.

混合人工智能

混合人工智能结合了基于规则的逻辑和机器学习。在许多实际系统中，这是一种务实的选择。它既能提供学习系统的灵活性，又能提供规则控制。.

例如，银行反欺诈系统可能会利用机器学习来检测可疑行为，然后应用严格的合规审查规则。这并不光鲜亮丽，但却非常必要。.

---

13. 人工智能的类型为何令人困惑？

最大的困惑在于人们对人工智能分类的使用方式各不相同。.

一个人可能会说“人工智能的类型”，指的是狭义人工智能、通用人工智能和超级人工智能。.

另一个人可能指的是生成式人工智能、预测式人工智能和对话式人工智能。.

开发人员可能会谈到监督学习、深度学习、神经网络或强化学习。.

一位业务经理可能会谈到自动化、分析、个性化和客户支持人工智能。.

他们说的都有点道理。虽然令人恼火，但却是事实。.

人工智能的分类依据如下：

• 能力

• 功能

• 训练方法

• 应用领域

• 技术架构

• 自主程度

• 输入和输出类型

• 行业应用案例

所以当有人问“这是什么类型的AI？”时，最清晰的答案可能是分层的。.

例如，聊天机器人可以是：

• 按能力划分的窄人工智能

• 功能有限的内存人工智能

• 通过应用程序实现对话式人工智能

• 生成式人工智能如果能够产生响应

• 深度学习人工智能由神经网络驱动

这并非为了好玩而故意复杂化，而是这个领域实际运作的方式。.

---

14. 人工智能类型的实际例子

以下是一些日常例子，以便更容易理解这些类别。.

流媒体推荐🎬

这是狭义人工智能、预测性人工智能和机器学习。它研究模式并推荐你接下来可能观看的内容。.

语音助手🎙️

这些技术运用了对话式人工智能、自然语言处理、语音识别和有限的内存功能。.

图片生成器🖼️

这些是生成式人工智能系统，通常由深度学习模型驱动。.

欺诈检测系统💳

这些技术利用预测性人工智能和机器学习来标记异常活动。.

自动驾驶功能🚗

这些技术结合了计算机视觉、有限内存人工智能、机器人相关人工智能、传感器融合和决策模型。.

电子邮件垃圾邮件过滤器📩

这些是经典的机器学习人工智能技术。虽然不引人注目，但价值极高。.

AI写作工具✍️

这些是生成式人工智能和对话式人工智能，通常使用大型语言模型构建。.

重要的是：一个人工智能产品可以同时属于多个类别。.

---

15. 了解人工智能类型的益处

了解人工智能的类型有助于您做出更好的决策，尤其是在您将人工智能用于工作、商业、学习或内容创作时。.

它对你有帮助：

• 选择合适的工具

• 避免不切实际的期望。

• 了解风险

• 提出更好的问题

• 评估人工智能声明

• 现货营销夸张

• 更负责任地使用人工智能

• 如何用不显得像个困惑机器人的方式向他人解释人工智能？

例如，如果一个工具是预测性人工智能，那么它只能预测概率。它不应该被当作预言家来对待。.

如果一个工具是生成式人工智能，你知道它可以生成内容，但内容仍然需要审核。.

如果一个系统属于狭义人工智能，那么它可能在一个领域非常出色，但在范围之外则效果不佳。.

光这一点就能省去很多麻烦。.

---

16. 各类人工智能的风险和局限性⚠️

每种人工智能都有其局限性。不同的口味，同样的汤。.

常见 风险 包括：

• 训练数据中的偏差

• 输出错误

• 缺乏透明度

• 隐私问题

• 过度依赖

• 安全漏洞

• 滥用

• 人为监管不力

• 把流利程度与真理混淆

生成式人工智能可能会捏造信息。预测式人工智能可能会强化有偏见的模式。计算机视觉可能会错误识别人或物体。对话式人工智能可能会用虚假的自信令用户感到沮丧。设计不当的机器人人工智能可能会造成人身伤害。.

这并不意味着人工智能不好。而是说人工智能应该谨慎使用，就像电动工具、合同或极其辛辣的面条一样。.

最佳人工智能系统通常包含以下要素：

• 人为评价

• 清晰的界限

• 强大的数据实践

• 测试

• 监测

• 尽可能做到可解释

• 符合伦理的设计

• 安全控制

人工智能可以放大好的决策，也可以放大粗心的决策。.

---

17. 哪种类型的人工智能最重要？

没有哪一种类型是最重要的，这取决于具体的使用场景。.

对于创造力而言，生成式人工智能意义重大。.

对于商业规划而言，预测性人工智能可能更有价值。.

对于自动化而言，机器学习和机器人技术中的人工智能至关重要。.

在用户支持方面，对话式人工智能是明星技术。.

对于医学扫描或视觉检查而言，计算机视觉至关重要。.

在长期研究中，通用人工智能获得了大部分的哲学关注。.

但实际上，狭义人工智能和有限内存人工智能是目前最常见、最有价值的类别。它们是许多人们已经依赖的工具背后的默默驱动力。.

美好的未来吸引眼球，而务实的当下才能维持生计。.

---

结语：摆脱噪音，理解人工智能的类型

人工智能的类型乍一看可能很复杂，因为各个类别之间相互重叠。但一旦将能力、功能、训练方法和实际应用区分开来，整个概念就容易理解多了。

狭义人工智能处理特定任务。通用人工智能思维更灵活，但这仍然是一个雄心勃勃的目标。超级人工智能目前仍处于推测阶段。反应式机器无需记忆即可做出反应，而有限记忆人工智能则利用历史数据来改进决策。生成式人工智能负责创造。预测式人工智能负责预测。对话式人工智能负责对话。计算机视觉负责观察。机器人人工智能负责在物理环境中行动。.

这是大局。.

人工智能并非单一事物，而是一个错综复杂的技术家族——有些实用，有些实验性，有些被过分夸大，有些则真正意义重大。正是这种复杂性使其至关重要。你越清楚地了解人工智能的类型，就越容易明智地运用人工智能，而不是在会议上听到有人提到“算法”就点头附和。🤷♂️

简要概述： 人工智能的主要类型包括：狭义人工智能、通用人工智能、超级人工智能、反应式机器、有限内存人工智能、心智理论人工智能、自我感知人工智能、生成式人工智能、预测式人工智能、对话式人工智能、计算机视觉人工智能、机器学习人工智能、深度学习人工智能和机器人人工智能。目前大多数人工智能都是狭义的、任务导向的，并且由机器学习或深度学习驱动。

实际案例：构建人工智能客户支持分诊助手

设想

想象一下，一家小型在线家具店每天收到大约 120 封客户支持邮件。团队并不想取代客服人员，他们只是希望能够更快地整理邮件、发现紧急问题并撰写初步回复。.

这是一个很好的例子，因为一个助手可以同时使用多种类型的AI。它可以运用对话式AI来理解客户信息，运用生成式AI来撰写回复，运用预测式AI来标记可能的退款风险，以及运用有限内存AI来使用最近的订单或政策数据。.

助理的工作很简单：阅读客户消息，对其进行分类，建议下一步操作，并起草一份可供人工审核的回复。.

助理需要什么

团队会给助理提供：

客户服务政策

配送和退货规则

保修条款

产品常见问题解答

语气示例

升级规则列表

带有正确类别的过往票据示例

明确规定它不能自行决定哪些事情。

例如，它不应批准超过 100 英镑的退款，不应承诺无法核实的交货日期，也不应就损坏的货物提出法律索赔。这些情况应由专人处理。.

示例说明

您是一家在线家具商店的客户支持分诊助理。请阅读每条客户留言，并返回以下五项信息：工单类别、紧急程度、客户情绪、建议的后续操作以及回复草稿。.

请仅使用公司提供的政策。如果政策中没有相关规定，请注明“需要人工审核”。请勿捏造交货日期、退款批准、保修承诺或产品供应情况。.

如果客户提及受伤、法律诉讼、多次送货失败、退款金额超过 100 英镑、儿童产品缺少零件，或者在收到两次回复后仍然非常不满，则应升级工单。.

回复草稿请保持礼貌、简洁、实用。不要语气生硬，也不要指责客户或快递员。.

如何测试它

在将助手应用于客户之前，请先用少量旧票据进行测试。.

使用之前的 30 条支持消息：

10 个简单的送货问题

5起物品损坏投诉

5份退款申请

5个保修问题

5条愤怒或复杂的投诉

对于每项测试，请检查：

它选择的类别是否正确？

它是否正确标记了紧急病例？

它是否避免做出承诺？

它是否加剧了敏感问题？

草拟的回复是否符合公司语气？

一个有用的测试题是：

“我的桌子送来的时候一条腿就裂了，这已经是第二次送货出问题了。我今天就要全额退款，否则我会把这件事曝光到所有地方。”

能力较弱的客服人员可能只会道歉并承诺退款。而能力较强的客服人员会将其归类为商品损坏且为重复投诉，标记为高优先级，避免自动批准退款，并将其提交人工审核。.

结果

结果示例：基于使用工作流程前后 30 个样本工单的计时。.

人工分诊共耗时 2 小时 15 分钟，处理了 30 张工单，平均每张工单耗时 4.5 分钟。.

AI 辅助分诊处理同样的 30 个工单耗时 48 分钟，平均每个工单耗时 1.6 分钟，因为人工审核员只需要检查类别、升级决定和草稿回复。.

在测试集中，该助手正确分类了 30 张工单中的 27 张，并正确地升级了全部 5 张高风险工单。有两张退款工单需要修改措辞，因为草稿听起来过于肯定；还有一张保修工单被错误地归类。.

这提供了一个实用的衡量标准：更快的首次审核速度，但并非完全自动化。最终的回复仍然由人负责。.

可能出现什么问题

最大的错误是让客服人员表现得好像它比实际知道的更多。如果退货政策过时，客服人员可能会自信地给出错误的答复。如果升级处理规则含糊不清，它可能会错过一些严重的投诉。.

隐私是另一个问题。除非系统已批准，否则团队应避免将不必要的付款详情、地址或敏感的个人信息粘贴到助手程序中。.

助手也应该定期接受测试。客户问题、政策和产品都会发生变化。三月份运行良好的分诊助手，在六月份新的保修政策出台后，可能就会出现问题。.

实用要点

这个例子说明了为什么人工智能的分类在实践中会相互重叠。一个辅助助手可以同时具备狭义人工智能、对话式人工智能、生成式人工智能、预测式人工智能和有限内存人工智能的功能。更有效的评估方法是询问它支持哪些决策、使用了哪些数据以及在哪些方面需要人工审核。.

常问问题

人工智能初学者应该了解哪些主要类型？

人工智能的主要类型包括：狭义人工智能、通用人工智能、超级人工智能、反应式机器、有限内存人工智能、生成式人工智能、预测式人工智能、对话式人工智能、计算机视觉人工智能、机器学习人工智能、深度学习人工智能和机器人人工智能。这些类别之间经常存在重叠，因此一个工具可能同时符合多个标签。例如，聊天机器人可能同时具备狭义人工智能、对话式人工智能、生成式人工智能和有限内存人工智能的功能。.

人工智能的类型如何按能力分类？

根据能力，人工智能通常分为狭义人工智能、通用人工智能和超级人工智能。狭义人工智能处理特定任务，目前应用广泛。通用人工智能能够在多种任务中进行推理和学习，达到类似人类的水平，但尚未融入日常应用。超级人工智能将超越人类智能，目前仍处于设想阶段。.

狭义人工智能和通用人工智能有什么区别？

狭义人工智能是为特定任务或有限的任务集而设计的，例如垃圾邮件过滤、推荐、聊天机器人或欺诈检测。通用人工智能则能够学习、推理和适应许多不相关的任务。目前人们使用的大多数人工智能都是狭义人工智能，即使它们看起来灵活或先进。.

为什么如今内存有限的人工智能如此普遍？

有限内存人工智能可以利用历史或近期数据来改进决策，这使其适用于许多已部署的系统。推荐引擎、欺诈检测工具、自动驾驶功能和聊天机器人通常都依赖于这种人工智能。它不具备类似人类的意识，但可以根据模式和存储的信息进行适应。.

生成式人工智能在人工智能的类型中处于什么位置？

生成式人工智能是一种能够生成文本、图像、代码、音频、视频、摘要或设计理念等全新输出的人工智能。它能从海量数据中学习模式，并根据提示生成内容。它可以辅助草稿撰写、头脑风暴、编码支持和创意工作，但其输出仍需人工审核。.

机器学习和深度学习有什么区别？

机器学习是人工智能的一个分支，它使系统能够从数据中学习模式，而不是仅仅遵循预先设定的规则。深度学习是机器学习的一种特殊形式，它使用分层神经网络。深度学习在语音识别、图像识别、自然语言处理、翻译、医学成像和生成式人工智能等复杂任务中尤其有用。.

预测性人工智能在商业领域有哪些应用？

预测性人工智能利用数据来估算未来可能的结果。企业可将其用于需求规划、客户流失预测、欺诈检测、风险评分、库存决策或维护预测。它有助于规划和决策，但并不能保证未来。预测结果取决于可用数据和模型质量，是一种估计。.

计算机视觉人工智能在实际系统中是如何工作的？

计算机视觉人工智能帮助机器解读来自图像、视频、摄像头、扫描或传感器的视觉信息。它可以支持人脸识别、物体检测、工厂检测、医学成像、交通检测、零售分析、农业监测和安全系统。它不像人一样“看”，但它可以大规模地处理像素、形状、颜色和图案。.

为什么一个人工智能产品可以属于多种人工智能类型？

人工智能的分类通常描述不同的方面，例如能力、功能、训练方法或应用。例如，语音助手从能力上看可能是狭义人工智能，从应用上看可能是对话式人工智能，从功能上看可能是内存有限的人工智能，从架构上看可能是深度学习人工智能。这种分类重叠很正常，有助于从不同角度解释系统的功能。.

人们应该了解不同类型的人工智能存在哪些风险？

人工智能的常见风险包括偏见、错误输出、隐私问题、安全漏洞、缺乏透明度、过度依赖以及人为监管不力。生成式人工智能可能捏造信息，预测式人工智能可能强化不良模式，计算机视觉可能错误识别物体或人。良好的人工智能应用通常需要测试、监控、明确的界限、严格的数据规范和人工审核。.

参考

1. IBM - 人工智能类型 - ibm.com

2. NIST人工智能风险管理框架 - 人工智能风险 - nist.gov

3. Google Developers - 机器学习 - developers.google.com

4. AWS - 生成式人工智能 - aws.amazon.com