進(jìn)入二十一世紀(jì)以來(lái)，人工智能（AI）正在以前所未有的速度的進(jìn)展，AI的各種技術(shù)、各態(tài)能力、各行業(yè)應(yīng)用等，沖擊著人類社會(huì)和人類文明。因此，現(xiàn)今AI隨著學(xué)科技術(shù)與方法、應(yīng)用場(chǎng)景與領(lǐng)域等的演進(jìn)與發(fā)展，使得AI學(xué)科的分類方法顯得多種多樣、繁雜多維。事實(shí)上，人工智能（AI）是一個(gè)相對(duì)寬泛的概念，只要人類通過(guò)創(chuàng)意能使機(jī)器或裝置（可統(tǒng)稱“智能體”）輸出如學(xué)習(xí)、推理、決策等相關(guān)功能，表現(xiàn)出智能的，均應(yīng)成為人工智能的范疇。鑒于此，根據(jù)人工智能（AI）的發(fā)展進(jìn)程，結(jié)合目前AI在技術(shù)、方法、能力、應(yīng)用等諸方面的表現(xiàn)與呈現(xiàn)，下述介紹AI學(xué)科比較常用的分類方法，且能夠重點(diǎn)反映出AI學(xué)科的主要概貌。
欲具體了解人工智能（AI）介紹的請(qǐng)進(jìn)入。
一、相對(duì)于AI領(lǐng)域輪廓方面的分類方法
所謂AI領(lǐng)域輪廓方面，主要是指AI學(xué)科在研究、發(fā)展進(jìn)程中對(duì)于名稱說(shuō)、學(xué)術(shù)論、方法論等方面的一些叫法或稱呼，以對(duì)人工智能領(lǐng)域有一個(gè)清晰的輪廓感。
1、基于AI物理環(huán)境處理方式的分類方法
基于物理環(huán)境處理方式的分類方法，可把AI分為具身式AI（Embodied AI）和非具身式AI（Noon-Embodied AI）兩類，其含義及特點(diǎn)詳見下表1-1。它們突出的差異體現(xiàn)在對(duì)智能體身體的依賴上和對(duì)環(huán)境處理方式上等。不得不說(shuō)的一個(gè)現(xiàn)象，現(xiàn)今已把非具身式AI變成了AI的代名詞，這主要是因?yàn)樯墒秸Z(yǔ)言模型的火爆而致，如Open AI的GPT-4、DeepSeek的R1等。事實(shí)上，具身式AI的發(fā)展也同樣火爆，如工業(yè)機(jī)器人及其它應(yīng)用或服務(wù)機(jī)器人（狗）等。
表 1-1：關(guān)于具身式AI和非具身式AI
2、基于AI能力表現(xiàn)水平的分類方法
基于AI能力表現(xiàn)水平的分類方法，可將AI分為弱人工智能（ANI，Artificial Narrow Intelligence）、強(qiáng)人工智能（AGI，Artificial General Intelligence）和超級(jí)人工智能（ASI，Artificial Super Intelligence）三類，其含義及特點(diǎn)詳見下表1-2的描述。事實(shí)上，目前AI仍處于ANI階段。強(qiáng)人工智能（AGI）也稱為通用人工智能，是人類目前在追求的方向。真正的AGI其突出特征是將使智能體具有自主意識(shí)，此時(shí)的AI將伴生倫理與安全問(wèn)題，人類必須要能駕馭AI。但若到了ASI階段將對(duì)人類智能能力帶來(lái)巨大的考驗(yàn)。
表 1-2：關(guān)于AI能力表現(xiàn)水平的AI分類
3、基于AI學(xué)術(shù)方法的分類方法
基于AI學(xué)術(shù)方法的分類方法，可將AI分為符號(hào)主義AI（Symbolic AI）、連接主義AI（Connectionism AI）和行為主義AI（Behavior-Based AI）三類，其含義及特點(diǎn)詳見下表1-3的描述。事實(shí)上，符號(hào)主義AI、連接主義AI和行為主義AI是AI在學(xué)術(shù)研究與實(shí)踐中依次發(fā)展起來(lái)的，然而隨著AI的發(fā)展目前三者也在融合發(fā)展之中。
表 1-3：關(guān)于AI學(xué)術(shù)方法的分類
二、相對(duì)于AI技術(shù)方面的分類方法
所謂AI技術(shù)方面，主要是指AI最基礎(chǔ)的、最本能的技術(shù)，體現(xiàn)在AI對(duì)知識(shí)的學(xué)習(xí)能力、對(duì)輸入信息模態(tài)的處理能力等方面，基于這些技術(shù)方面，彰顯的是AI的感知、認(rèn)知與決策的核心技術(shù)能力。除此之外，AI的其它技術(shù)僅是這些核心技術(shù)的支撐或承載。
1、基于AI的學(xué)習(xí)能力的分類方法
就基于AI的學(xué)習(xí)能力的分類方法，可分為機(jī)器學(xué)習(xí)（Machine Learning）類AI和深度學(xué)習(xí)（Deep Learning）類AI、強(qiáng)化學(xué)習(xí)（RL，Reinforcement Learning）類AI和聯(lián)邦學(xué)習(xí)（FL，Federated Learning）類AI等，它們的含義及特征詳見下表2-1-1所描述。
表 2-1-1：關(guān)于AI的學(xué)習(xí)能力的分類
機(jī)器學(xué)習(xí)（ML）類從學(xué)習(xí)方法上又可以進(jìn)一步分為監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)，含義及特點(diǎn)詳見下表2-1-2的對(duì)比。深度學(xué)習(xí)（DL）是ML的一個(gè)子集，它采用多層神經(jīng)網(wǎng)絡(luò)，通過(guò)特征自動(dòng)提取突破了傳統(tǒng)算法的局限。DL所采用的神經(jīng)網(wǎng)絡(luò)常用的有：卷積神經(jīng)網(wǎng)絡(luò)（CNN，Convolutional Neural Networks）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN，Recurrent neural network）、長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM，Long Short-Term Memory Network）和生成對(duì)抗網(wǎng)絡(luò)（GAN，Generative Adversarial Network）等。下表2-1-3給出了各神經(jīng)網(wǎng)絡(luò)的特征對(duì)比。
表 2-1-2：關(guān)于機(jī)器學(xué)習(xí)（ML）采用的各種學(xué)習(xí)方法
表 2-1-3：關(guān)于深度學(xué)習(xí)（DL）采用的各種神經(jīng)網(wǎng)絡(luò)
欲具體了解機(jī)器學(xué)習(xí)（ML）介紹的請(qǐng)進(jìn)入。
2、基于AI處理模態(tài)能力的分類方法
就基于AI處理模態(tài)能力的分類方法，主要可分為自然語(yǔ)言處理（NLP，Natural Language Processing ）技術(shù)、計(jì)算機(jī)視覺(jué)（CV，Computer Vision）處理技術(shù)和多模態(tài)（MM，Multi-mode）技術(shù)等，其含義及特點(diǎn)詳見下表2-2的描述。自然語(yǔ)言處理技術(shù)提供語(yǔ)義理解能力；計(jì)算機(jī)視覺(jué)處理技術(shù)提供視覺(jué)感知能力，多模態(tài)技術(shù)實(shí)現(xiàn)兩者的協(xié)同。三者共同推動(dòng)AI從單一感知向綜合認(rèn)知演進(jìn)。
表 2-2：關(guān)于AI處理模態(tài)能力的分類
3、基于AI核心技術(shù)類型的分類方法
就基于AI核心技術(shù)類型的分類方法，可主要分為感知類技術(shù)（Perception Technologies）、認(rèn)知類技術(shù)（Cognition Technologies）和生成類技術(shù)（Generation Technologies）三類，其含義及特點(diǎn)詳見下表2-3的描述。顯然，AI核心技術(shù)是基于上述AI的學(xué)習(xí)能力技術(shù)和模態(tài)處理能力技術(shù)所呈現(xiàn)的。事實(shí)上這三類技術(shù)依次具有進(jìn)化的過(guò)程，進(jìn)而可以融合協(xié)作使用。一個(gè)突出的實(shí)例就是汽車自動(dòng)駕駛：攝像頭感知路況→認(rèn)知系統(tǒng)規(guī)劃路徑→生成控制指令。三類核心技術(shù)的深度整合，將非常有利于強(qiáng)人工智能即通用人工智能（AGI）的實(shí)現(xiàn)。
表 2-3：關(guān)于AI核心技術(shù)類型的分類
欲具體了解人工智能（AI）關(guān)鍵技術(shù)介紹的請(qǐng)進(jìn)入。
三、相對(duì)于AI模型的分類
人工智能模型（AI模型）即“AI”的載體，也即智能體，人們通常都稱為AI模型。智能體是一種數(shù)學(xué)框架或算法結(jié)構(gòu)，通過(guò)從數(shù)據(jù)中學(xué)習(xí)規(guī)律或規(guī)則，實(shí)現(xiàn)對(duì)特定任務(wù)的預(yù)測(cè)、決策或生成能力。AI模型成為人工智能系統(tǒng)的核心組件，也是人工智能的“大腦”。AI模型的關(guān)鍵要素可詳見下表3-0。
表 3-0：AI模型的關(guān)鍵要素簡(jiǎn)述
1、基于AI建模特點(diǎn)的分類方法
基于AI建模特點(diǎn)的分類方法，可劃分為判別式AI模型（Discriminative Models）和生成式AI模型（Generative Models）兩類，其含義及特點(diǎn)詳見下表3-1-1的描述。判別式模型也稱決策式模型或分析式模型。大語(yǔ)言模型是生成式模型的特例，兩者異同詳見下表3-1-2中。
表 3-1-1：關(guān)于判別式AI模型和生成式AI模型
表 3-1-2：大語(yǔ)言AI模型與生成式AI模型的異同
2、基于AI的應(yīng)用范圍的分類方法
基于AI的應(yīng)用范圍的分類方法，可分為專用AI（Domain-Specific Artificial Intelligence）模型與通用AI（AGI，Artificial General Intelligence）模型，其含義是顯而易見的，具體含義及特點(diǎn)詳見下表3-2的描述。專用AI模型的典型實(shí)例如阿爾法狗（AlphaGo）；而通用AI（AGI）的典型實(shí)例如GPT、deepseek，但它們也僅為AGI的最初級(jí)階段模型。
表 3-2：關(guān)于專用AI模型與通用AI模型
3、基于AI使用功能的分類方法
基于AI使用功能的分類方法，可將AI模型分為指令型（instruct model）AI模型和推理型（reasoning model）AI模型兩類，具體含義及特點(diǎn)詳見下表3-3的描述。指令型AI模型和推理型AI模型各有其獨(dú)特的優(yōu)勢(shì)和適用場(chǎng)景。隨著技術(shù)的不斷進(jìn)步和應(yīng)用需求的多樣化，未來(lái)這兩種模型將更多地融合在一起，共同推動(dòng)人工智能技術(shù)的發(fā)展和應(yīng)用，尤其是通用AI（AGI）模型。
表 3-3：關(guān)于指令型AI模型和推理型AI模型
上述AI學(xué)科領(lǐng)域的分類方法，僅反映目前AI的概貌，可匯總于下表n中。當(dāng)然，也可能有其它的分類方法，隨著AI的發(fā)展可能會(huì)表現(xiàn)出更多的分類。
表 n：AI學(xué)科領(lǐng)域的分類方法匯總
欲進(jìn)一步了解關(guān)于人工智能（AI）系統(tǒng)的相關(guān)指標(biāo)參數(shù)介紹的請(qǐng)進(jìn)入。
