人工智能（ANI）

核心特征

ANI 的显著特点是专业化。这些系统通常使用与其指定功能相关的大量数据集进行开发，并经常利用机器学习 (ML)技术。主要特点包括

• 特定任务：为单一目的或非常有限的一组密切相关的任务而设计，如下棋、识别人脸（面部识别）或翻译语言。
• 数据驱动：性能在很大程度上取决于开发过程中使用的训练数据的质量和数量。常见的训练范式包括监督学习、无监督学习和强化学习。
• 目标导向型：根据开发人员设定的算法和参数运行，以实现特定的、可衡量的目标。
• 缺乏意识：自动智能系统不具备自我意识、感知能力或真正的理解能力；它们根据从数据中学习到的模式，在其狭小的范围内模拟智能。您可以查看Ultralytics 文档，了解有关如何训练和部署这些模型的更多详情。

与其他人工智能类型的区别

要理解人工智能，就必须将其与更先进的、理论上的人工智能形式区分开来：

• 人工通用智能（AGI）：AGI 通常被称为 "强人工智能"（Strong AI），指的是具有类似人类认知能力的假想机器，能够像人类一样理解、学习并在各种任务中应用智能。Google DeepMind和OpenAI等组织正在积极研究实现 AGI 的途径。AGI 在很大程度上仍停留在理论层面，它比目前的人工智能能力高出一大步。
• 人工超级智能（ASI）：这是一个假设的未来阶段，人工智能在几乎所有具有经济价值的领域都超越了人类智能。ASI 代表的智能水平甚至远远超过最聪明的人类头脑，尼克-博斯特罗姆等思想家对这一概念进行了详细探讨。

虽然人工智能为复杂的应用提供了动力，但它的功能完全基于其编程和训练数据，没有真正的理解能力，也没有超出其指定任务的概括能力。

实际应用

ANI 在现代技术中无处不在。这里有两个突出的例子：

1. 计算机视觉 (CV) 系统：模型，如 Ultralytics YOLO，包括以下版本 YOLOv8和 YOLO11都是 ANI 的典型代表。它们擅长特定的视觉任务，如物体检测（用边界框识别和定位物体）、实例分割（勾勒单个物体实例）和姿态估计（检测关键身体点）。这些功能在不同领域都至关重要，如自动驾驶汽车导航（参见Waymo 的方法）、增强安全系统、自动化制造质量控制以及辅助医学图像分析。Ultralytics HUB等平台为此类专业 CV 模型的培训和部署提供了便利。您可以在我们的文档中找到 YOLO 模型之间的比较。
2. 自然语言处理 (NLP) 系统： 苹果 Siri和亚马逊 Alexa 等虚拟助手、客户服务中使用的复杂聊天机器人以及Google 翻译等机器翻译工具都由 ANI 提供支持。它们在海量文本数据集上接受训练，以理解和生成人类语言，用于回答问题、执行命令或在不同语言之间翻译文本等特定应用。虽然它们非常精通这些任务，但却缺乏广泛的世界知识或常识推理能力，无法胜任训练有素的领域。Hugging Face 变换器等框架为构建此类 NLP 模型提供了工具。

其他广泛应用的人工智能实例包括Netflix和Spotify 等平台使用的推荐系统、电子邮件垃圾邮件过滤器以及金融建模中使用的软件。在人工智能合作伙伴关系（Partnership on AI ）等组织和 "可解释的人工智能"（XAI）原则的指导下，这些系统的开发和部署越来越多地涉及对人工智能伦理的审慎考虑，以确保公平并防止有害的偏见。