狭义人工智能（ANI）

狭义人工智能（ANI），通常被称为弱人工智能，描述的是旨在以高熟练度执行特定单一任务的智能系统。与适应性强、通用性广的生物智能不同，ANI严格在预定义范围内运行，无法将其知识转移到不相关的领域。当今使用的几乎所有人工智能（AI）应用都属于这一类别，从推荐电影的推荐系统到自动驾驶中使用的复杂计算机视觉算法。这些系统利用先进的机器学习（ML）技术来识别模式并做出决策，在其狭窄的操作范围内，其速度和准确性通常超越人类。

ANI的定义特征

ANI的主要区别在于其专业化。为特定目的训练的ANI模型，若不进行重新训练或架构更改，则无法在另一个上下文中自动运行。

• 任务特异性：人工神经网络系统是为特定目的而设计的。例如，一个用于图像分类训练的模型能够区分不同犬种，但无法理解口语或下棋。
• 意识缺失：这些系统通过统计相关性模拟智能行为， 而非基于真实理解或自我意识。它们依赖海量训练数据学习规则与模式， 却无法理解数据背后的"意义"。
• 性能驱动：狭义人工智能（ANI）在特定指标上表现出色。在目标detect等任务中，像YOLO26这样的现代模型能够实时处理视频流，其一致性是人类操作员长时间内无法比拟的。

实际应用

狭义人工智能驱动着现代数字经济，通过自动化复杂但具体的任务，提高各行各业的效率。

• 自动驾驶汽车： 自动驾驶汽车依赖于协同运作的自动导航智能（ANI）模型组合。这些模型包括： 语义分割技术用于识别车道， 目标追踪技术用于监测行人， 以及决策算法用于导航交通。
• 医疗AI: 专用算法通过detect医学影像中的异常来协助放射科医生。例如，Ultralytics YOLO26可以训练以高精度识别X射线中的肿瘤，作为强大的诊断辅助工具。
• 自然语言处理（NLP）： 虚拟助手如Siri和Alexa利用NLP技术解析语音指令。通过 语音转文本技术与语义分析， 它们将音频输入映射为特定操作，但无法在预设逻辑之外 进行真正开放式的对话。
• 智能制造：在工业环境中，ANI系统对装配线进行异常检测。它们能够高速识别产品中的微观缺陷，其质量控制效果远超人工检测。

人工智能（ANI）与人工通用智能（AGI

区分 ANI 与理论上的未来概念至关重要，以便理解当前的技术现状。

• 人工窄智能（ANI）： 如前所述，这是特定领域的智能。它主导着当前技术领域，从 垃圾邮件过滤器到高频 交易机器人。
• 通用人工智能（AGI）： 亦称强人工智能，指具备人类级认知灵活性的假想机器。 此类人工智能能学习人类掌握的任何智力任务， 无需专门再培训即可解决陌生问题。 尽管OpenAI等研究机构正致力于此， 但这仍是未来的发展里程碑。

Python ：为视觉系统实现自动号码识别（ANI）

以下代码演示了Ultralytics 实现ANI的实际应用。此处采用预训练的YOLO26模型进行detect 。该模型是窄人工智能的典型代表：它在目标检测领域处于顶尖水平，却完全不具备创作诗歌或预测股价的能力。

from ultralytics import YOLO

# Load a pre-trained YOLO26 model, specialized for object detection tasks
model = YOLO("yolo26n.pt")

# Run inference on an image to identify objects like cars or pedestrians
# The model applies its learned narrow intelligence to this specific visual task
results = model.predict("https://ultralytics.com/images/bus.jpg")

# Display the results to visualize the model's output
results[0].show()

窄人工智能的未来

尽管范围有限，但ANI（狭义人工智能）仍在快速发展。模型量化方面的创新使这些系统能够在边缘设备上高效运行，无需依赖云即可为摄像头和传感器带来智能。此外，基础模型的兴起使得单个大型模型能够针对多个狭窄任务进行微调，在ANI框架内运行的同时提高了多功能性。通过使用像Ultralytics Platform这样的工具，开发人员可以轻松训练和部署这些专用模型。随着研究人员通过像Transformers这样的架构不断突破界限，专业化AI将在解决科学、工业和日常生活中复杂的领域特定问题方面变得更加不可或缺。