以下是基于知识库内容对AI技术及应用的分类方式总结，从技术底层构成、功能目标、应用领域等维度展开，并引用相关来源：
一、按技术底层构成分类
1. 算法与学习范式
- 监督学习：依赖标注数据训练模型（如图像分类、文本分类）。
- 无监督学习：从无标注数据中发现模式（如客户分群、异常检测）。
- 强化学习：通过试错与环境交互优化策略（如游戏AI、机器人控制）。
- 生成式模型：基于概率生成新数据（如GPT生成文本、Stable Diffusion生成图像）。
2. 技术分支
- 自然语言处理（NLP）：文本理解与生成（如机器翻译、聊天机器人）。
- 计算机视觉：图像/视频分析（如医学影像诊断、自动驾驶感知）。
- 语音技术：语音识别与合成（如智能音箱、语音转文字）。
- 机器人技术：结合硬件实现物理交互（如服务机器人、工业机械臂）。
3. 模型架构
- 传统机器学习：决策树、SVM等（适用于小规模结构化数据）。
- 深度学习：CNN（图像）、RNN（序列数据）、Transformer（多模态）。
- 大模型：参数量超大规模的预训练模型（如GPT、通义千问）。
二、按功能目标分类
1. 任务导向型
- 分析与预测：
- 医疗诊断（如病理分析）。
- 金融风控（如信用评分）。
- 生成与创作：
- 文本生成（如新闻写作）。
- 图像/视频生成（如影视特效）。
- 交互与决策：
- 智能客服（对话系统）。
- 自动驾驶（路径规划）。
2. 能力层级
- 弱人工智能（Narrow AI）：专注于单一任务（如语音助手）。
- 通用人工智能（AGI）：具备跨领域推理能力（尚未实现）。
- 强人工智能（Superintelligent AI）：超越人类智能（理论阶段）。
三、按应用领域分类
1. 行业垂直场景
- 医疗：影像分析、药物研发。
- 教育：个性化学习、智能批改。
- 交通：自动驾驶、交通流量预测。
- 法律：合同审查、法律咨询。
2. 通用场景
- 内容生产：AIGC（生成文本、图像、代码）。
- 企业服务：智能客服、流程自动化。
- 消费级应用：虚拟助手、推荐系统。
四、按数据模态分类
- 文本数据：NLP、文本生成。
- 图像/视频数据：目标检测、风格迁移。
- 语音/音频数据：语音识别、音乐生成。
- 多模态数据：图文理解、虚拟人交互。
五、按部署方式分类
- 云端AI：依赖服务器算力（如大模型推理）。
- 边缘计算AI：本地化部署（如手机端实时翻译）。
- 联邦学习：分布式协作（如跨机构数据隐私保护）。
总结：分类的交叉性与实际应用
- 技术与功能的结合：如生成式AI既属于技术分支（生成模型），也属于功能目标（内容创作）。
- 行业与场景的融合：医疗AI可能同时涉及计算机视觉（影像分析）和自然语言处理（病历总结）。
- 趋势驱动：生成式AI与大模型推动多模态应用（如虚拟人），强化学习加速机器人落地。
如需进一步探讨某一分类的细节或案例，可随时补充！