Artificial Narrow Intelligence (ANI)

人工狭义智能 (ANI) 也称狭义 AI 或弱人工智能，是为执行单项任务或范围严格受限的一组任务而构建的人工智能 (AI)，例如检测图像中的物体、推荐视频或转录语音。ANI 系统在自身领域内可以达到或超越人类表现，但若没有新的训练数据并重新训练，就无法将这项技能迁移到无关的问题上。按照标准定义，如今部署的所有 AI 系统都属于狭义 AI，从垃圾邮件过滤器到为自动驾驶汽车提供指引的计算机视觉模型，皆是如此。

ANI、AGI 与 ASI 的比较#

AI 通常按能力划分为三个等级。ANI 是第一级：在单一领域内具备相应能力，其能力由训练所用的数据和目标决定。人工通用智能 (AGI)是一种假设中的系统，在几乎所有认知任务上的表现都能与人类相当，并且无需针对具体任务进行工程开发就能学习新任务。AGI 常被称为强人工智能；哲学家约翰·塞尔在 1980 年提出中文房间论证时，也用这个术语与弱人工智能相对，指真正拥有心智的计算机。人工超级智能 (ASI) 是一种假设中的系统，它在所有领域都超越最优秀的人类，也是技术奇点这一概念背后的设想。

大语言模型 (LLM)拓宽了狭义 AI 的范畴。一个模型可以编写代码、翻译、总结内容并回答有关图像的问题；欧盟《人工智能法案》将这类系统称为通用人工智能模型，承认了这一点。它们的技能仍不均衡，这种现象称为锯齿状智能：同一个模型可以解决奥数级别的数学题，却会判断错两个小数中哪个更大；而且训练结束后，它的权重就不再学习。

狭义 AI 的工作原理#

ANI 系统是针对单一目标、使用数据训练的模型，因此其能力受两方面限制：训练数据的分布，以及它能够生成的输出集合。在 COCO 数据集的 80 个类别上训练的物体检测模型，无法表达「这是一个新东西」。遇到不熟悉的物体时，它要么忽略该物体，要么将其识别为自己已知的最相近类别：

Ultralytics YOLO26直接展现了这一界限：在 COCO 上预训练的模型恰好能识别 80 个类别；要教会模型识别新物体（例如某个特定机器零件），就必须使用该零件的标注图像进行微调，这会用新数据集中的类别替换模型原有的类别列表。

from ultralytics import YOLO

# A COCO-pretrained detector: its whole vocabulary is fixed at training time
model = YOLO("yolo26n.pt")
print(f"Classes this model can name: {len(model.names)}")

# Every detection it returns must carry one of those labels
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]
print(result.verbose())

第一行会打印模型整个词汇表的大小，第二行则列出模型在图像中找到的类别；每个类别都来自同一个固定集合。

实际应用#

狭义 AI 为人们日常使用的大多数软件提供支持：

• 推荐系统：流媒体和购物平台根据每位用户的观看和购买历史为商品排序。
• 语音识别：语音助手和听写工具会将语音音频转换为文本。
• 制造业检测：视觉模型在生产线上检查每个零件，识别一组特定类型的缺陷。
• 医学图像分析：模型在一种成像模式中标记肺结节或糖尿病视网膜病变等发现。
• 自动驾驶车辆：自动驾驶系统由多个狭义模型组成，每个模型负责一项工作，例如车道分割、行人检测、物体跟踪或路径规划。

狭义 AI 的优势与局限#

在自身领域内，ANI 可以达到超人水平，速度快且不知疲倦。IBM 的 Deep Blue 于 1997 年击败国际象棋世界冠军 Garry Kasparov；DeepMind 的 AlphaGo则于 2016 年以 4 比 1 击败围棋冠军李世石。离开自身领域后，这些系统就完全不具备相关技能；遇到与训练数据不同的输入时，性能也会下降，模型部署后这种问题称为数据漂移。狭义系统也不理解自己处理的内容；它们通过从数据中学到的统计模式将输入映射到输出。即便 DeepMind 的 AlphaZero 能用同一种算法学习国际象棋、日本将棋和围棋，它仍为每种棋类分别训练了一个网络，而且它的国际象棋网络无法下围棋。