進入二十一世紀以來，人工智能（AI）正在以前所未有的速度的進展，AI的各種技術、各態能力、各行業應用等，沖擊著人類社會和人類文明。因此，現今AI隨著學科技術與方法、應用場景與領域等的演進與發展，使得AI學科的分類方法顯得多種多樣、繁雜多維。事實上，人工智能（AI）是一個相對寬泛的概念，只要人類通過創意能使機器或裝置（可統稱“智能體”）輸出如學習、推理、決策等相關功能，表現出智能的，均應成為人工智能的范疇。鑒于此，根據人工智能（AI）的發展進程，結合目前AI在技術、方法、能力、應用等諸方面的表現與呈現，下述介紹AI學科比較常用的分類方法，且能夠重點反映出AI學科的主要概貌。

欲具體了解人工智能（AI）介紹的請進入。

一、相對于AI領域輪廓方面的分類方法

所謂AI領域輪廓方面，主要是指AI學科在研究、發展進程中對于名稱說、學術論、方法論等方面的一些叫法或稱呼，以對人工智能領域有一個清晰的輪廓感。

1、基于AI物理環境處理方式的分類方法

基于物理環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，其含義及特點詳見下表1-1。它們突出的差異體現在對智能體身體的依賴上和對環境處理方式上等。不得不說的一個現象，現今已把非具身式AI變成了AI的代名詞，這主要是因為生成式語言模型的火爆而致，如Open AI的GPT-4、DeepSeek的R1等。事實上，具身式AI的發展也同樣火爆，如工業機器人及其它應用或服務機器人（狗）等。

表 1-1：關于具身式AI和非具身式AI

2、基于AI能力表現水平的分類方法

基于AI能力表現水平的分類方法，可將AI分為弱人工智能（ANI，Artificial Narrow Intelligence）、強人工智能（AGI，Artificial General Intelligence）和超級人工智能（ASI，Artificial Super Intelligence）三類，其含義及特點詳見下表1-2的描述。事實上，目前AI仍處于ANI階段。強人工智能（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，此時的AI將伴生倫理與安全問題，人類必須要能駕馭AI。但若到了ASI階段將對人類智能能力帶來巨大的考驗。

表 1-2：關于AI能力表現水平的AI分類

3、基于AI學術方法的分類方法

基于AI學術方法的分類方法，可將AI分為符號主義AI（Symbolic AI）、連接主義AI（Connectionism AI）和行為主義AI（Behavior-Based AI）三類，其含義及特點詳見下表1-3的描述。事實上，符號主義AI、連接主義AI和行為主義AI是AI在學術研究與實踐中依次發展起來的，然而隨著AI的發展目前三者也在融合發展之中。

表 1-3：關于AI學術方法的分類

二、相對于AI技術方面的分類方法

所謂AI技術方面，主要是指AI最基礎的、最本能的技術，體現在AI對知識的學習能力、對輸入信息模態的處理能力等方面，基于這些技術方面，彰顯的是AI的感知、認知與決策的核心技術能力。除此之外，AI的其它技術僅是這些核心技術的支撐或承載。

1、基于AI的學習能力的分類方法

就基于AI的學習能力的分類方法，可分為機器學習（Machine Learning）類AI和深度學習（Deep Learning）類AI、強化學習（RL，Reinforcement Learning）類AI和聯邦學習（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：關于AI的學習能力的分類

機器學習（ML）類從學習方法上又可以進一步分為監督學習、無監督學習和半監督學習，含義及特點詳見下表2-1-2的對比。深度學習（DL）是ML的一個子集，它采用多層神經網絡，通過特征自動提取突破了傳統算法的局限。DL所采用的神經網絡常用的有：卷積神經網絡（CNN，Convolutional Neural Networks）、循環神經網絡（RNN，Recurrent neural network）、長短期記憶網絡（LSTM，Long Short-Term Memory Network）和生成對抗網絡（GAN，Generative Adversarial Network）等。下表2-1-3給出了各神經網絡的特征對比。

表 2-1-2：關于機器學習（ML）采用的各種學習方法

表 2-1-3：關于深度學習（DL）采用的各種神經網絡

欲具體了解機器學習（ML）介紹的請進入。

2、基于AI處理模態能力的分類方法

就基于AI處理模態能力的分類方法，主要可分為自然語言處理（NLP，Natural Language Processing ）技術、計算機視覺（CV，Computer Vision）處理技術和多模態（MM，Multi-mode）技術等，其含義及特點詳見下表2-2的描述。自然語言處理技術提供語義理解能力；計算機視覺處理技術提供視覺感知能力，多模態技術實現兩者的協同。三者共同推動AI從單一感知向綜合認知演進。

表 2-2：關于AI處理模態能力的分類

3、基于AI核心技術類型的分類方法

就基于AI核心技術類型的分類方法，可主要分為感知類技術（Perception Technologies）、認知類技術（Cognition Technologies）和生成類技術（Generation Technologies）三類，其含義及特點詳見下表2-3的描述。顯然，AI核心技術是基于上述AI的學習能力技術和模態處理能力技術所呈現的。事實上這三類技術依次具有進化的過程，進而可以融合協作使用。一個突出的實例就是汽車自動駕駛：攝像頭感知路況→認知系統規劃路徑→生成控制指令。三類核心技術的深度整合，將非常有利于強人工智能即通用人工智能（AGI）的實現。

表 2-3：關于AI核心技術類型的分類

欲具體了解人工智能（AI）關鍵技術介紹的請進入。

三、相對于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。智能體是一種數學框架或算法結構，通過從數據中學習規律或規則，實現對特定任務的預測、決策或生成能力。AI模型成為人工智能系統的核心組件，也是人工智能的“大腦”。AI模型的關鍵要素可詳見下表3-0。

表 3-0：AI模型的關鍵要素簡述

1、基于AI建模特點的分類方法

基于AI建模特點的分類方法，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：關于判別式AI模型和生成式AI模型

表 3-1-2：大語言AI模型與生成式AI模型的異同

2、基于AI的應用范圍的分類方法

基于AI的應用范圍的分類方法，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，具體含義及特點詳見下表3-2的描述。專用AI模型的典型實例如阿爾法狗（AlphaGo）；而通用AI（AGI）的典型實例如GPT、deepseek，但它們也僅為AGI的最初級階段模型。

表 3-2：關于專用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模型各有其獨特的優勢和適用場景。隨著技術的不斷進步和應用需求的多樣化，未來這兩種模型將更多地融合在一起，共同推動人工智能技術的發展和應用，尤其是通用AI（AGI）模型。

表 3-3：關于指令型AI模型和推理型AI模型

上述AI學科領域的分類方法，僅反映目前AI的概貌，可匯總于下表n中。當然，也可能有其它的分類方法，隨著AI的發展可能會表現出更多的分類。

表 n：AI學科領域的分類方法匯總

欲進一步了解關于人工智能（AI）系統的相關指標參數介紹的請進入。