人工智慧（AI）涵蓋了多種技術和應用的廣泛領域，涉及推論、學習和行動等多方面能力。AI 不僅涵蓋了電腦科學和資料分析，還涉及到語言學、神經科學甚至哲學與心理學等多學科交叉，您知道AI 有哪些分類嗎？以下將介紹幾種常見的 AI 分類方式及AI 在不同領域的應用。
根據功能分類的 AI 類型
狹義 AI（Narrow AI）
這種類型的 AI 專注執行特定任務，無法跨越設計範疇。這些 AI 系統無法自行學習或進化，只能根據預設的規則和訓練數據做出反應。常見的狹義 AI 應用包括語音助手如 Siri 和 Google Assistant，它們可以理解和回應語音指令，但無法進行複雜的決策或創新。
被動機器（Reactive Machines）
被動機器是最基本的 AI 類型，僅能對特定的輸入做出反應，沒有記憶和學習能力。這些機器無法根據過去的經驗進行調整或預測未來的情況。典型例子包括 IBM 的深藍（Deep Blue）國際象棋程式，它能夠計算出最佳的棋步，但無法記住之前的對局或學習新的策略。
有限記憶 AI（Limited Memory AI）
有限記憶 AI 是現今最常見的 AI 類型，具備在短期內利用過去數據進行學習和決策的能力。這類 AI 系統可以根據新的數據進行調整和改進，以提高其性能。常見應用包括自動駕駛汽車，它們能夠使用攝像頭和傳感器收集路況數據，並根據這些數據即時調整駕駛策略。此外，有限記憶 AI 也常見於推薦系統和語音識別技術中，透過不斷學習和改進，提供更準確和個性化的服務。
其他分類方式
除了根據功能分類，AI 還可以根據開發階段和應用領域進行分類：
訓練模型分類
生成式人工智慧（Generative AI）和分辨式人工智慧（Discriminative AI）
根據應用領域的分類
監督式學習
最典型的 AI 訓練方式。AI 使用標記過的數據進行訓練，從而學會預測或識別特定內容。例如，AI 可以通過大量已標記的圖像來學會辨識貓和狗。
非監督式學習
這種類型的 AI 不需要標記數據，它可以自動發現數據中的模式和關係。非監督式學習經常用於進行描述性分析，如內容摘要、分類、提取和影片分析等。
強化學習（增強式學習）
強化學習通過反覆試驗和獎懲機制來進行訓練，通過反覆試驗來最佳化策略，常用於個人化行銷策略、財務預測和自動駕駛技術。
根據開發階段分類
被動機器（Reactive Machines）
最基本的 AI 類型，只能對特定的輸入做出反應，沒有記憶和學習能力。
有限記憶 AI（Limited Memory AI）
現代大多數的 AI 都歸類為有限的記憶體。可運用新的資料訓練，並使用記憶體隨著時間不斷改善。通常會運用人工類神經網路或其他訓練模型來進行訓練。深度學習屬於機器學習的分支，屬於有限的記憶體人工智慧。
心智理論 AI（Theory of Mind AI）
目前還在研究階段，目的在模擬人類的思維與決策能力，能夠理解和回應人類情感。
自我意識 AI（Self-Aware AI）
比心智理論型更高層級的 AI 技術，尚屬於虛構，這種 AI 具備自我意識和人類的智慧與情感。
如何運用不同AI工具？
AI 的分類方法幫助我們更好地理解 AI 的發展方向和實際應用，並為企業在不同情境中選擇合適的 AI 技術提供指引。許多 AI 工具的機器學習演算法的智慧程度取決於訓練 AI 時所提供的數據。由於這些數據產出由人類選擇和提供而成，存在一定資料偏頗的風險，此外，生成式 AI 在資訊安全與隱私上也存在疑慮，因此需要使用者用心思考和獨立判斷。
參考：