人工智能的分类方式多样，以下是一些常见的分类方法及具体类型：
一、按功能目标分类
弱人工智能（ANI，Narrow AI）：专注于单一任务，无自主意识，如图像识别（人脸解锁）、语音助手（Siri、小爱同学）、推荐系统（抖音、淘宝算法）等，当前所有商用AI均属此类。
强人工智能（AGI，Artificial General Intelligence）：具备人类水平的通用认知能力，能运用已学知识完成新任务，无需人类干预，可自行解决问题，但目前还处于理论探索阶段。
超级人工智能（ASI）：全面超越人类智能的形态，拥有思考、推理、学习、决策能力，能够感受情感，拥有需求、信念和欲望，目前还处于理论阶段。
二、按技术方法分类
符号主义AI（Symbolic AI）：基于逻辑规则和知识表示，如专家系统（如20世纪80年代医疗诊断系统MYCIN），但难以处理模糊信息。
连接主义AI（Connectionism）：模拟人脑神经网络，代表技术有深度学习（CNN图像识别、Transformer自然语言处理）、神经网络（BP反向传播、GAN生成对抗网络）。
行为主义AI（Behaviorism）：智能源于环境交互反馈，代表技术为强化学习（AlphaGo、自动驾驶决策）。
三、按能力等级分类
感知智能：主要涉及计算机视觉、语音识别等技术，典型应用有人脸门禁、语音转文字。
认知智能：基于知识图谱、推理引擎等技术，如法律咨询AI、医疗诊断辅助。
创造智能：以生成式AI（AIGC）为代表，如AI绘画（Midjourney）、小说创作。
四、按学习方式分类
监督学习（Supervised Learning）：用标注数据训练模型，实现输入→输出映射，常用于分类（垃圾邮件识别）、回归（房价预测）等场景。
无监督学习（Unsupervised Learning）：发现未标注数据的隐藏结构，如聚类（客户分群）、降维（数据可视化）。
半监督/自监督学习：利用少量标注数据和大量未标注数据，适用于医学影像分析等标注成本高的场景。
强化学习（Reinforcement Learning）：智能体通过奖惩机制优化策略，如游戏AI（AlphaStar）、机器人控制。
机器学习 (Machine Learning, ML) 是最大的一个领域，它指的是让计算机通过数据自动学习和改进，而无需显式地进行编程。监督学习、无监督学习、强化学习 是机器学习的三种主要范式（或类型），它们定义了学习的过程和数据的组织形式。半监督/自监督学习 是介于监督和无监督学习之间的一种策略，旨在利用少量标注数据和大量未标注数据。
深度学习 (Deep Learning, DL) 是一种实现机器学习的技术或方法，它使用被称为"深度神经网络"的复杂模型。它可以应用于前面提到的所有三种学习范式。
五、按应用领域分类
医疗健康：医学影像分析、药物分子生成等，如DeepMind AlphaFold（蛋白质预测）。
金融科技：欺诈检测、量化交易等，如蚂蚁集团风控系统。
智能制造：工业质检、预测性维护等，如特斯拉工厂视觉检测。
智慧城市：交通流量预测、安防监控等，如海康威视城市大脑。
六、按系统架构分类
单体AI系统：独立模型完成任务，如单机版图像分类软件。
分布式AI系统：多模型协作，如自动驾驶中感知+决策+控制模块联动。
边缘AI（Edge AI）：本地设备端运行模型，如手机人脸解锁、无人机避障。
云端AI：依赖云计算资源，如ChatGPT、大模型训练。
七、按特殊类型分类
生成式AI（Generative AI）：技术包括扩散模型（Stable Diffusion）、大语言模型（LLM），可输出文本、图像、音乐、视频创作等内容。
具身智能（Embodied AI）：AI+机器人实体，如波士顿动力Atlas，具备物理世界交互、多模态感知能力。
AI Agent（智能代理）：架构为感知→规划→行动闭环，如AutoGPT（自动执行多步骤任务）。