人工智能（AI）并非单一技术，而是涵盖多个分支的复杂体系。根据技术实现路径和应用场景，主流分类可分为以下四类，每类都有独特的技术逻辑和实用价值。
一、按能力范围：弱 AI 与强 AI
这是最基础的分类方式。弱 AI（窄 AI） 是当前主流，指仅在特定领域具备智能的系统，如语音助手、图像识别软件等。它们能高效处理单一任务，却无法理解任务背后的逻辑，比如 ChatGPT 能生成文本，但不懂文字的情感内涵；人脸识别系统能精准匹配人脸，却无法感知人的情绪。
强 AI（通用 AI） 目前仍处于理论阶段，目标是让机器拥有与人类相当的通用智能，能自主学习跨领域知识、理解复杂场景并做出决策。例如，强 AI 应能像人类一样，既会下围棋，也能写代码，还能分析医学影像，且能解释决策理由。但受限于脑科学和算法瓶颈，强 AI 尚未有突破性进展。
强 AI（通用 AI） 目前仍处于理论阶段，目标是让机器拥有与人类相当的通用智能，能自主学习跨领域知识、理解复杂场景并做出决策。例如，强 AI 应能像人类一样，既会下围棋，也能写代码，还能分析医学影像，且能解释决策理由。但受限于脑科学和算法瓶颈，强 AI 尚未有突破性进展。
二、按技术路径：传统 AI 与深度学习 AI
传统 AI 依赖人工设计规则，通过预设算法处理数据。比如早期的垃圾邮件过滤器，工程师需手动编写 “含‘中奖’‘汇款’关键词即判定为垃圾邮件” 的规则。这类 AI 灵活性差，遇到未预设的场景就会失效，如今仅在简单规则场景（如交通信号灯控制）中应用。
深度学习 AI 是当前的技术核心，模拟人类神经网络结构，通过大量数据自主学习规律。例如，AlphaGo 通过学习数百万盘围棋对局，自主总结战术；自动驾驶系统通过分析海量路况数据，逐步掌握避险策略。这类 AI 无需人工设计规则，擅长处理图像、语音等复杂非结构化数据，但对数据量和计算力要求极高。
深度学习 AI 是当前的技术核心，模拟人类神经网络结构，通过大量数据自主学习规律。例如，AlphaGo 通过学习数百万盘围棋对局，自主总结战术；自动驾驶系统通过分析海量路况数据，逐步掌握避险策略。这类 AI 无需人工设计规则，擅长处理图像、语音等复杂非结构化数据，但对数据量和计算力要求极高。
三、按应用场景：专用 AI 分支
随着技术落地，AI 衍生出多个场景化分支：
· 计算机视觉：让机器 “看懂” 世界，如手机拍照的人像模式、工厂的产品缺陷检测、自动驾驶的障碍物识别。
· 自然语言处理：实现人机语言交互，如翻译软件、智能客服、语音转文字工具，核心是让机器理解文字和语音的语义。
· 强化学习 AI：通过 “试错” 学习最优策略，典型应用是机器人控制（如机械臂抓取物体）、游戏 AI（如 AI 玩《王者荣耀》），能在动态环境中不断优化行为。
这些分类并非孤立，实际应用中常相互融合。比如智能客服既用到自然语言处理，也会结合强化学习优化回复策略。了解 AI 分类，能帮助我们更清晰地认识这项技术的能力边界与发展方向。
