狭义人工智能（ANI）

人工智能（Artificial Narrow Intelligence，ANI），通常与弱人工智能（Weak AI）交替使用。 弱人工智能（Weak AI），构成了当今人工智能的全部内容。 智能的全部。它代表了经过设计、训练和部署的系统，能够熟练地执行特定的、单一的 任务或有限的一组相关任务。与人类智能不同，弱人工智能具有很强的适应性，能 人工智能则不同，它具有很强的适应性，能够跨越不同领域传递知识。从 推荐下一部电影的推荐系统 从为您推荐下一部电影的推荐系统到为自动驾驶提供动力的复杂算法，当前的每一种应用都在使用人工智能。这些 系统利用先进的 机器学习 (ML)和 深度学习 (DL)技术来分析数据和进行预测。 这些系统利用先进的机器学习（ML）和深度学习（DL）技术来分析数据和进行预测，在其特定的操作范围内，其速度和准确性往往超过人类的能力。 的速度和准确性。

ANI 的核心特征

人工智能的显著特点是它的专业化。人工智能系统不具备 意识或真正的理解能力；相反，它擅长 模式识别和统计分析 它擅长的是基于数据的模式识别和统计分析。

• 任务特定性：ANI 模型针对单一功能进行优化。例如，为 医学图像分析的模型可以 但却不能下棋或翻译语言。
• 数据依赖性：ANI 的性能在很大程度上取决于训练数据的质量和数量。 训练数据的质量和数量。系统通过识别 这一过程由 神经网络 (NN)在一定程度上模拟了人脑结构。 神经网络（NN）在一定程度上模仿了人类大脑的结构。
• 缺乏意识：与科幻小说中描述的有生命的机器不同，ANI 在运行时 没有自我意识。它通过执行算法来实现人类开发人员定义的目标，并遵循 监督学习原则或其他 训练方法。

实际应用

人工智能（Artificial Narrow Intelligence）是现代人工智能革命背后的引擎，推动着几乎所有行业的效率和创新。 几乎每一个行业。

• 计算机视觉（CV）：计算机视觉（CV 人工智能最突出的应用之一就是让机器 "看见"。像 Ultralytics YOLO11等模型代表了这一领域的 等模型代表了这一领域的先进水平。 识别和定位图像或视频流中的物品。
• 自然语言处理（NLP）： 苹果的 Siri 和亚马逊的 Alexa 等虚拟助手利用 ANI 来理解和响应语音命令。 这些系统利用语音识别和语义分析来 处理特定语境中的人类语言。
• 医疗保健领域的人工智能：专业 算法分析病人数据，协助诊断和制定治疗计划。例如，人工智能工具可以扫描 视网膜图像，detect 糖尿病视网膜病变的早期迹象，展示了 预测建模如何挽救视力和生命。
• 自动驾驶汽车： 自动驾驶汽车依靠一整套 ANI 系统协同工作。这些系统包括 语义分割以了解道路 边界的语义分割、监控行人的物体跟踪以及安全导航交通的决策算法。

人工智能（ANI）与人工通用智能（AGI

将 ANI 与人工智能研究中更先进的理论概念区分开来至关重要。

• 人工狭义智能（ANI）： 如前所述，这是一种针对特定领域的智能。它模仿人类对特定任务的认知功能，但缺乏 将知识推广到陌生问题的能力。
• 人工通用智能（AGI）： AGI 又称强人工智能，是指一种假设的 拥有人类水平认知能力的机器。AGI 系统可以学习人类可以学习的任何智力任务，显示出适应性、创造性和潜在的意识。 能学习的任何智力任务，表现出适应能力、创造力和潜在的意识。虽然像 OpenAI和Google DeepMind 等组织的目标是实现 AGI，但这仍是未来的 里程碑。

Python 示例：实际 ANI

下面的代码片段演示了使用Ultralytics 库进行 ANI 的一个实际例子。在这里，一个预先训练好的 YOLO11 模型--一种专门的狭义智能模型--用于detect 图像中的物体。该模型在 该模型在这一特定的视觉任务中非常有效，但无法执行计算机视觉以外的任务。

from ultralytics import YOLO

# Load a pretrained YOLO11 model, an ANI specialized for object detection
model = YOLO("yolo11n.pt")

# Run inference on an image to detect specific objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results, visualizing the model's narrow task performance
results[0].show()

ANI 的未来

虽然 ANI 的定义是 "狭义 "的，但其功能正在迅速扩展。在 模型部署方面的创新使这些 系统在边缘设备上运行得更快、更高效。 边缘设备上运行得更快、更高效。此外，对 此外，对基础模型的研究使单一模型可 此外，对基础模型的研究还能使单一模型适用于多种狭义任务，从而略微模糊了界限，但仍在 ANI 的范围内运行。展望未来 在我们展望未来时，YOLO26等广受期待的开发项目将在 ANI 框架内推动准确性和速度的发展，从而进一步巩固 ANI 框架。 和速度的极限，进一步巩固专业人工智能在我们日常生活中的作用。