如何给人工智能分类
人工智能可以按任务、学习方法、数据模态、能力范围和部署方式分类。同一个系统往往同时具有多个标签：例如，医学影像分类系统在任务上属于计算机视觉，在方法上可能使用深度学习，在应用上属于医疗辅助。
按任务和输出
- 识别与预测：图像分类、语音识别、文本分类、需求预测。
- 生成：根据输入生成文本、图像、声音或其他内容，参见生成式 AI。
- 决策与控制：根据环境和目标选择行动，例如机器人控制或路径规划。
- 交互：通过文字、语音或工具与用户及环境交互。
自然语言处理、计算机视觉和语音技术描述的是不同领域及其任务，内部可以同时包含识别、预测与生成。
按学习方法与模型
- 监督学习使用带标签的样本学习输入与目标之间的关系。
- 无监督学习从未标注数据中学习结构，例如聚类或表示学习。
- 强化学习通过与环境交互获得反馈，学习行动策略，参见强化学习。
- 深度学习利用多层神经网络学习表示，参见深度学习。CNN、RNN 和 Transformer 是不同的网络架构。
- 生成模型学习产生数据的方式；它们可使用不同架构和训练方法。大语言模型是一类在大量数据上预训练、处理和生成语言的模型，参见大语言模型。
这些分类轴可以交叉。例如，同一个 Transformer 可以经过自监督预训练，再用监督学习或强化学习进行后续训练。
按能力范围
- 狭义 AI（narrow AI）：能力面向特定任务或有限任务集合，例如特定用途的图像分类器。任务集合不一定只有一个。
- 通用人工智能（AGI）：通常指能够跨多种领域学习和完成广泛认知任务的系统。研究者对所需任务范围、能力水平和评测方法尚无统一定义。
- 人工超级智能（ASI）：通常指在广泛认知领域显著超过人类水平的假想系统。它强调能力水平，而 AGI 侧重能力的广泛性。
“强 AI”有不同用法：在部分技术讨论中它被用作 AGI 的近义词；在 John Searle 的哲学讨论中，它涉及程序是否真正具有理解或心智。因此引用时要说明具体含义，不宜将它直接翻译为“超级智能”。AGI 定义研究；人工智能哲学条目
按数据与部署
数据模态可分为文本、图像与视频、声音等；多模态系统联合处理其中两种或更多类型。部署上，推理可以在云端、终端设备或两者之间分工。联邦学习则是一种多参与方协作训练方式，不等同于某种部署地点；其隐私保护效果取决于具体机制和威胁模型。
分类的作用是回答具体问题：系统处理什么数据、完成什么任务、如何训练、在哪里运行，以及能力在哪些条件下经过验证。