人工智慧有哪些類型？

簡而言之： 人工智慧的類型最好從能力、功能、訓練方式和應用場景來理解。目前，專用人工智慧很常見，而通用人工智慧和超級人工智慧仍處於理論階段。選擇工具時，應根據任務、風險以及是否需要人工審核來選擇合適的類別。

重點總結：

分類：在比較系統之前，先將能力、功能、訓練方法和用例分開考慮。

人工審核：在依賴生成式、預測式和對話式輸出結果之前，請先進行檢查。

透明度：詢問哪些數據、邏輯和限制塑造了每個人工智慧系統。

問責制：當人工智慧影響決策、使用者或安全時，要追究人類的責任。

風險控制：部署前測試是否有偏見、隱私、安全問題和濫用。

---

1. 人工智慧有哪些類型？

當人們問「 人工智慧有哪些類型？」時，他們通常指的是以下兩種情況之一：

他們可能會問到基於 能力，例如它是否只能執行一項任務，還是能夠像人類一樣進行更廣泛的推理。

或者他們可能在詢問基於 功能的，即係統如何運作、學習、記憶、預測或回應。

事情就是從這裡開始變得有點複雜。人工智慧並非一個涇渭分明的類別，它更像是按尺寸、用途、鋒利程度以及你叔叔是否從可疑的網店購買等因素對廚房用具進行分類。不同的分類系統之間存在重疊。.

主要類別通常包括：

• 狹義人工智慧

• 通用人工智慧

• 超人工智慧

• 反應式機器

• 有限記憶體人工智慧

• 心智理論人工智慧

• 具有自我意識的人工智慧

• 機器學習人工智慧

• 深度學習人工智慧

• 生成式人工智慧

• 預測性人工智慧

• 對話式人工智慧

• 電腦視覺人工智慧

• 機器人人工智慧

有些技術已被廣泛應用，有些仍停留在理論階段，有些聽起來像是未來科技，但實際上已經融入日常應用中。 「普通軟體」和「人工智慧」之間的界線也隨著時間的推移而變得越來越模糊。.

---

2. 按能力劃分的人工智慧類型

對人工智慧進行分類的首要方法是根據它能做什麼。這是宏觀視角🧠。.

狹義人工智慧

弱人工智慧（也稱窄人工智慧）旨在執行特定任務或有限的任務集。這是人們日常使用的人工智慧。

例如：

• 搜尋推薦

• 垃圾郵件過濾器

• 語音助理

• 臉部辨識系統

• 聊天機器人

• 產品推薦引擎

• 詐欺檢測工具

• 語言翻譯應用程式

狹義人工智慧雖然強大，但它並不具備廣義的人類「思考」能力。國際象棋人工智慧可以擊敗特級大師，但它不可能突然決定成為糕點師。翻譯模型可以翻譯一段文字，但它體驗語言的方式與人類截然不同。.

不過，狹義人工智慧仍是現代人工智慧領域的主力。它不像科幻小說裡那樣光鮮亮麗，但它在幕後默默地推動著許多事情的發展。.

通用人工智慧

通用人工智慧 是指能夠像人類一樣理解、學習、推理和運用知識完成許多不同任務的人工智慧。

簡而言之：它不只是擅長做一件事，它還能適應環境。.

真正的通用人工智慧可能具備以下潛力：

• 學習不熟悉的任務

• 跨學科推理

• 解決新問題

• 將知識從一個領域轉移到另一個領域

• 更深入地理解語境

• 運用靈活的判斷力來做決策。

這種人工智慧目前更像是一種目標，而非日常現實。人們談論它很多，因為它引人入勝，或許也有些令人不安，而且作為一種概念，很難讓人抗拒。但是，那些能夠自動產生文字、圖像或回答問題的普通工具，並不等同於通用人工智慧。它們或許看起來很強大，但實際上仍然在預設的限制範圍內運作。.

超人工智慧

超級人工智慧 將超越人類智慧。它不僅體現在打字速度或數學能力上，更體現在推理、創造力、策略、學習能力，甚至可能包括情緒或社交理解能力。

這是最具推測性的類別，它引發了許多重大問題：

• 誰控制它？

• 它是否符合人類價值？

• 它能正確理解人類的目標嗎？

• 它能否自我改進？

• 如果它做出人類無法理解的決定會發生什麼？

在超級人工智慧領域裡，人工智慧對話有時會變成哲學探討。或許是很有價值的觀點，但終究還是觀點探討。.

---

3. 按功能劃分的人工智慧類型

另一種解釋 人工智慧類型的 是按功能劃分。這種方法著重於人工智慧的行為方式。

反應式機器

反應式機器 是人工智慧中最簡單的類型。它們對當前輸入做出反應，而無需使用過去的經驗記憶。

它們不像現代自適應系統那樣隨著時間的推移而學習。它們觀察情況，處理訊息，然後做出反應。.

可以這樣理解：“輸入數據，輸出數據，沒有日記條目。”

反應式人工智慧依然令人印象深刻。它可以分析遊戲中的各種可能走法，或以極快的速度和極高的精準度對明確定義的局面做出反應。但它不會建立個人歷史，也不會根據過去的互動進行進化。.

有限記憶體人工智慧

記憶體有限的人工智慧 可以利用歷史數據做出更優決策。現今大多數實用人工智慧都屬於此範疇。

例如：

• 能夠從使用者行為中學習的推薦系統

• 自動駕駛車輛系統分析近期路況

• 聊天機器人能夠記住對話中的上下文

• 基於交易模式學習的詐欺偵測模型

• 利用歷史資料的預測分析工具

有限的記憶體並不意味著「記憶力差」。它指的是系統可以使用已儲存或最近的數據，但它不具備類似人類的意識或長期的個人經驗。不過，它有時也能非常有效率。有時甚至高效得令人惱火——例如購物應用程式在你意識到自己想要什麼之前就知道了🛒。.

心智理論人工智慧

心智理論人工智慧 將以更像人類的方式理解情感、信念、意圖和社會訊號。

這種人工智慧不僅能處理文字，還能推斷出某人的感受、需求、誤解、恐懼或期望。.

例如，它可能被理解為：

• 顧客雖然很沮喪，但仍努力保持禮貌。

• 一名學生感到困惑，但又不好意思再詢問。

• 病人雖然說“我沒事”，但內心仍然焦慮不安。

• 隊友猶豫不決，因為他們私下並不認同。

這仍然是人工智慧領域一個活躍的討論方向，但真正的心智理論人工智慧極為困難。人類的情感錯綜複雜。人們口是心非，有時甚至連自己都不清楚自己究竟想表達什麼。祝機器好運。.

具有自我意識的人工智慧

具有自我意識的人工智慧 將擁有意識、自我理解能力以及對自身內在狀態的感知。

這只是理論上的。它屬於科幻小說、倫理研討會、深夜辯論以及人們深情凝視窗外的範疇🌙。.

具有自我意識的人工智慧不會只是模擬關於情感的對話，它還會擁有某種主觀體驗。這是一個非常宏大的論點。目前的人工智慧系統尚未被證實擁有意識、情緒、慾望或自我意識。.

它們聽起來似乎很有自知之明，因為語言可以模仿自我反思。但聽起來像某些東西和成為某些東西是兩回事。鸚鵡會說“我餓了”，但這並不意味著它預訂了餐廳。.

---

4. 對比表：人工智慧的主要類型

人工智慧類型	大意	目前狀態	常見範例	為什麼這很重要
狹義人工智慧	專為特定任務而設計	廣泛使用	聊天機器人、搜尋、推薦	實用且隨處可見
通用人工智慧	類人靈活智能	尚未完全實現	主要為理論方面	遠大目標，激烈辯論
超人工智慧	比人類聰明得多	推測性的	沒有實際例子	巨大的倫理問題
反應式機器	無需記憶即可做出反應	僅在有限情況下使用	遊戲人工智慧，基於規則的系統	速度快但適應性差
有限記憶體人工智慧	利用數據/歷史資訊來改進	非常常見	自動駕駛系統、詐欺工具	這是我日常通勤的車🚗
心智理論人工智慧	理解情緒和意圖	發展概念	先進的社交人工智慧理念	可以使人工智慧更具人類意識
具有自我意識的人工智慧	具有意識	理論	科幻風格範例	從哲學角度來看，規模龐大。
生成式人工智慧	創建新內容	廣泛使用	文字、圖像、音訊工具	創意生產力提升
預測性人工智慧	預測結果	廣泛使用	風險評分、需求計劃	有助於決策—主要是
機器人人工智慧	控制物理機器	用於各行業	機器人、無人機、自動化	將人工智慧與體力勞動連結起來

有點不完美？沒錯。但人工智慧在日常生活中也是如此運作的——它不像博物館展覽那樣擁有完美的標籤。.

---

5. 生成式人工智慧：人人都在談論的類型🎨

生成式人工智慧 是目前最受歡迎的人工智慧類型之一，因為它能夠創造事物。

它可以生成：

• 文字

• 圖片

• 音樂

• 程式碼

• 影片

• 產品描述

• 行銷文案

• 課程計劃

• 摘要

• 合成數據

• 設計理念

生成式人工智慧的工作原理是從大量資料中學習模式，然後根據提示產生新的輸出。它並非像人們有時想像的那樣簡單地複製。它是基於學習到的結構進行預測、組合、修改和產生。.

即便如此，它仍然會犯錯。它有時會顯得信心滿滿，但實際上卻是錯的，這就好比有人在家庭燒烤聚會上講解稅法一樣，只不過這次是機器版的。.

生成式人工智慧的價值體現在以下方面：

• 腦力激盪

• 撰寫內容

• 自動化重複性寫作

• 創建視覺概念

• 支援客戶服務

• 加快編碼任務

• 個人化學習教材

但它需要審核。始終如此。人工智慧的輸出結果可能令人印象深刻，但它並不一定是準確、公平、合法或對品牌安全。把它當作一個速度極快但偶爾會出點小故障的助手吧。.

---

6. 機器學習人工智慧：模式發現者

機器學習 是人工智慧的一個主要分支，它使系統能夠從資料中學習模式，而不是逐行程式設計來做出每個決定。

傳統軟體遵循明確的規則。機器學習系統則透過訓練來識別關係並提升性能。.

例如：

• 垃圾郵件過濾器會學習可疑電子郵件的特徵。

• 銀行模型偵測異常交易行為

• 串流媒體應用程式會根據用戶的觀看習慣推薦節目。

• 招募工具可以根據預先定義的訊號對候選人進行排名。

• 醫學影像模型可以突顯可能的異常情況。

機器學習可分為監督式學習、無監督式學習和強化學習。.

監督式學習

監督學習 使用標籤的範例。例如，圖像可能被標記為“貓”或“非貓”。模型學習區分這兩種圖像。

無監督學習

無監督學習 旨在尋找沒有標籤答案的模式。它可以將客戶分組，或偵測資料中隱藏的聚類。

強化學習

強化學習 透過對行為給予獎勵或懲罰來進行學習。這在遊戲人工智慧、機器人技術和優化問題中很常見。

機器學習並非魔法，它高度依賴資料品質。劣質數據會導致劣質模型——輸入垃圾數據，輸出的也是垃圾數據。.

---

7. 深度學習人工智慧：神經網路的強大引擎🧬

深度學習 是一種特殊的機器學習類型，它使用分層神經網路來處理複雜的模式。

它尤其適用於：

• 語音辨識

• 影像辨識

• 自然語言處理

• 自主系統

• 醫學影像分析

• 翻譯

• 生成式人工智慧模型

• 複雜預測任務

「深度」指的是模型中的多層結構。每一層都有助於處理和解釋資訊。例如，一層可能會偵測影像中的簡單形狀，另一層可能會偵測紋理，還有一層可能會辨識物體，以此類推。.

深度學習可以產生驚人的結果，但通常需要大量資料和強大的運算能力。此外，它的結果也更難解釋。這意味著即使是專家也可能難以準確解釋深度模型做出特定決策的原因。.

這是人工智慧領域最大的信任問題之一：效能可能很強，但可解釋性卻很差。就像試著問一台攪拌機為什麼做出來的奶昔味道不對一樣。.

---

8. 對話式人工智慧：健談型

對話式人工智慧 旨在透過文字或語音與人進行交流。

其中包括：

• 客戶服務聊天機器人

• 語音助理

• 虛擬代理

• 人工智慧導師

• 內部服務台機器人

• 銷售助理

• 調度助理

優秀的對話式人工智慧需要的不只是語法。它還需要上下文、意圖識別、語氣控制以及處理不可預測的人類輸入的能力。.

人們說話並不總是條理清晰、語無倫次，他們會漫無目的地閒聊，會拼寫錯誤，會問出只說了一半的問題就指望機器「明白」。你懂的。.

基礎聊天機器人可能只能按照預設腳本運作。而更高階的對話式人工智慧則可以理解自然語言、理解上下文並產生靈活的回應。.

這種人工智慧的價值在於它可以減少重複性工作並提供快速支援。但它有時會假裝理解用戶需求，實際上卻並非如此，這會讓用戶感到沮喪。最糟糕的情況莫過於聊天機器人說“我很樂意幫忙”，卻根本無法提供任何幫助。真是令人抓狂。.

---

9. 電腦視覺人工智慧：會「看」的機器👀

電腦視覺人工智慧 使系統能夠解釋來自影像、視訊、攝影機、感測器或掃描的視覺資訊。

它可以用於：

• 臉部辨識

• 目標偵測

• 工廠品質檢驗

• 醫學影像

• 安全監控

• 零售貨架分析

• 交通偵測

• 擴增實境

• 農業監測

電腦視覺的運作方式與人類視覺不同。它處理的是像素、圖案、形狀、顏色和統計訊號。但其成果卻非常強大。.

例如，電腦視覺可以比人工檢測更快地發現生產線上的缺陷。它可以幫助管理圖像庫。它可以為車輛安全系統提供支援。但它也可能引發隱私問題，尤其是在用於監控或身分識別時。.

那是一把雙面刃——不是劍，是叉子。依然鋒利到足以造成麻煩🍴。.

---

10. 預測性人工智慧：預測引擎

預測性人工智慧 利用數據來預測接下來可能發生的事情。

這種現像在商業、金融、醫療保健、物流、體育分析、行銷和營運等領域很常見。.

預測性人工智慧或許能夠幫助解答以下問題：

• 哪些顧客可能會流失？

• 哪筆交易看起來可疑？

• 需要多少庫存？

• 哪些病人可能需要特別注意？

• 用戶可能點擊哪些內容？

• 機器的哪個部件可能很快就會故障？

這種人工智慧雖然不如生成式人工智慧那麼引人注目，但卻極為重要。許多組織並不太關心模型能否寫詩，而是更關注它能否減少浪費、降低風險並改善規劃。.

預測型人工智慧在數據相關、乾淨且定期更新的情況下效果最佳。但預測永遠不是絕對的。模型可以估算可能性，但不能保證結果。人們常常忘記這一點。然後他們就責怪人工智慧，彷彿它背叛了他們本人。.

---

11. 機器人人工智慧：當人工智慧擁有實體🤖

機器人人工智慧 將人工智慧與實體機器結合。在這裡，人工智慧不再局限於螢幕，而是開始在現實世界中移動。

例如：

• 倉庫機器人

• 製造機器人

• 送貨機器人

• 農業機器人

• 手術輔助系統

• 無人機

• 檢查機器人

• 清潔機器人

• 人形科學研究機器人

機器人人工智慧之所以困難，是因為物理環境變幻莫測。聊天機器人只需要處理文字，而機器人則需要應對濕滑的地板、昏暗的光線、不平整的地面、移動的人群、感應器故障，以及有人把椅子隨意放在最不合適的地方等情況。.

機器人技術通常結合多種類型的人工智慧：

• 用於視覺的電腦視覺

• 機器學習適應

• 運動規劃演算法

• 強化學習在決策上的應用

• 用於人類命令的自然語言處理

機器人人工智慧具有巨大的潛力，尤其是在危險或重複性工作中。但它也成本高昂、結構複雜，而且一旦系統故障，還會造成人身安全風險。.

---

12. 基於訓練風格的人工智慧

另一種思考人工智慧類型的有效方法是根據它們的訓練方式。.

基於規則的人工智慧

基於規則的人工智慧遵循人類創建的邏輯。例如：

• 如果發生這種情況，就這樣做。

• 如果使用者選擇此選項，則顯示該答案

• 如果該值高於閾值，則觸發警報

這種方法簡單、可預測，對結構化任務很有幫助。但它難以應付模糊不清的情況。.

資料訓練的人工智慧

經過資料訓練的人工智慧可以從範例中學習。它能夠處理更複雜的問題，因為它能夠識別模式，而不僅僅是依賴固定的規則。.

這就是機器學習和深度學習發揮作用的地方。.

混合人工智慧

混合人工智慧結合了基於規則的邏輯和機器學習。在許多實際系統中，這是一個務實的選擇。它既能提供學習系統的彈性，又能提供規則控制。.

例如，銀行反詐騙系統可能會利用機器學習來偵測可疑行為，然後應用嚴格的合規審查規則。這並不光鮮亮麗，但卻非常必要。.

---

13. 人工智慧的類型為何令人困惑？

最大的困惑在於人們對人工智慧分類的使用方式各不相同。.

一個人可能會說“人工智慧的類型”，指的是狹義人工智慧、通用人工智慧和超級人工智慧。.

另一個人可能指的是生成式人工智慧、預測式人工智慧和對話式人工智慧。.

開發人員可能會談到監督學習、深度學習、神經網路或強化學習。.

一位業務經理可能會談到自動化、分析、個人化和客戶支援人工智慧。.

他們說的都有點道理。雖然令人惱火，但卻是事實。.

人工智慧的分類依據如下：

• 能力

• 功能

• 訓練方法

• 應用領域

• 技術架構

• 自主程度

• 輸入和輸出類型

• 產業應用案例

所以當有人問「這是什麼類型的AI？」時，最清晰的答案可能是分層的。.

例如，聊天機器人可以是：

• 按能力劃分的窄人工智慧

• 功能有限的內存人工智慧

• 透過應用程式實現對話式人工智慧

• 生成式人工智慧如果能夠產生回應

• 深度學習人工智慧由神經網路驅動

這並非為了好玩而故意複雜化，而是這個領域實際運作的方式。.

---

14. 人工智慧類型的實際例子

以下是一些日常例子，以便更容易理解這些類別。.

串流媒體推薦🎬

這是狹義人工智慧、預測性人工智慧和機器學習。它研究模式並推薦你接下來可能觀看的內容。.

語音助理🎙️

這些技術運用了對話式人工智慧、自然語言處理、語音辨識和有限的記憶體功能。.

圖片產生器🖼️

這些是生成式人工智慧系統，通常由深度學習模型驅動。.

詐欺檢測系統💳

這些技術利用預測性人工智慧和機器學習來標記異常活動。.

自動駕駛功能🚗

這些技術結合了電腦視覺、有限記憶體人工智慧、機器人相關人工智慧、感測器融合和決策模型。.

電子郵件垃圾郵件過濾器📩

這些是經典的機器學習人工智慧技術。雖然不引人注目，但價值極高。.

AI寫作工具✍️

這些是生成式人工智慧和對話式人工智慧，通常使用大型語言模型建構。.

重要的是：一個人工智慧產品可以同時屬於多個類別。.

---

15. 了解人工智慧類型的益處

了解人工智慧的類型有助於您做出更好的決策，尤其是當您將人工智慧用於工作、商業、學習或內容創作時。.

它對你有幫助：

• 選擇合適的工具

• 避免不切實際的期望。

• 了解風險

• 提出更好的問題

• 評估人工智慧聲明

• 現貨行銷誇張

• 更負責任地使用人工智慧

• 如何用不顯得像個困惑機器人的方式向他人解釋人工智慧？

例如，如果一個工具是預測性人工智慧，那麼它只能預測機率。它不應該被當作預言家來對待。.

如果一個工具是生成式人工智慧，你知道它可以產生內容，但內容仍然需要審核。.

如果一個系統屬於狹義人工智慧，那麼它可能在一個領域非常出色，但在超出其範圍之外則無效。.

光這一點就能省去很多麻煩。.

---

16. 各類人工智慧的風險與限制⚠️

每種人工智慧都有其限制。不同的口味，同樣的湯。.

常見 風險 包括：

• 訓練資料中的偏差

• 輸出錯誤

• 缺乏透明度

• 隱私問題

• 過度依賴

• 安全漏洞

• 濫用

• 人為監管不力

• 把流利程度與真理混淆

生成式人工智慧可能會捏造資訊。預測式人工智慧可能會強化有偏見的模式。電腦視覺可能會錯誤辨識人或物體。對話式人工智慧可能會用虛假的自信令使用者感到沮喪。設計不當的機器人人工智慧可能會造成人身傷害。.

這並不意味著人工智慧不好。而是說人工智慧應該謹慎使用，就像電動工具、合約或極度辛辣的麵條一樣。.

最佳人工智慧系統通常包含以下要素：

• 人為評價

• 清晰的界限

• 強大的數據實踐

• 測試

• 監測

• 盡可能做到可解釋

• 符合倫理的設計

• 安全控制

人工智慧可以放大好的決策，也可以放大粗心的決策。.

---

17. 哪種類型的人工智慧最重要？

沒有哪一種類型是最重要的，這取決於特定的使用場景。.

對於創造力而言，生成式人工智慧意義重大。.

對於商業規劃而言，預測性人工智慧可能更有價值。.

對於自動化而言，機器學習和機器人技術中的人工智慧至關重要。.

在用戶支援方面，對話式人工智慧是明星技術。.

對於醫學掃描或視覺檢查而言，電腦視覺至關重要。.

在長期研究中，通用人工智慧獲得了大部分的哲學關注。.

但實際上，狹義人工智慧和有限記憶體人工智慧是目前最常見、最有價值的類別。它們是許多人們已經依賴的工具背後的默默驅動力。.

美好的未來吸引眼球，務實的當下才能維持生計。.

---

結語：擺脫噪音，理解人工智慧的類型

人工智慧的類型乍看之下可能很複雜，因為各個類別之間相互重疊。但一旦將能力、功能、訓練方法和實際應用區分開來，整個概念就容易理解多了。

狹義人工智慧處理特定任務。通用人工智慧思維更靈活，但這仍然是一個雄心勃勃的目標。超級人工智慧目前仍處於推測階段。反應式機器無需記憶即可做出反應，而有限記憶人工智慧則利用歷史數據來改善決策。生成式人工智慧負責創造。預測式人工智慧負責預測。對話式人工智慧負責對話。電腦視覺負責觀察。機器人人工智慧負責在物理環境中行動。.

這是大局。.

人工智慧並非單一事物，而是一個錯綜複雜的技術家族——有些實用，有些實驗性，有些被過度誇大，有些則真正意義重大。正是這種複雜性使其至關重要。你越清楚了解人工智慧的類型，就越容易明智地運用人工智慧，而不是在會議上聽到有人提到「演算法」就點頭附和。 🤷♂️

簡要概述： 人工智慧的主要類型包括：狹義人工智慧、通用人工智慧、超級人工智慧、反應式機器、有限記憶體人工智慧、心智理論人工智慧、自我感知人工智慧、生成式人工智慧、預測式人工智慧、對話式人工智慧、電腦視覺人工智慧、機器學習人工智慧、深度學習人工智慧和機器人人工智慧。目前大多數人工智慧都是狹義的、任務導向的，並且由機器學習或深度學習所驅動。

實際案例：建立人工智慧客戶支援分診助手

設想

想像一下，一家小型線上家具店每天收到約 120 封客戶支援郵件。團隊不想取代客服人員，他們只是希望能夠更快地整理郵件、發現緊急問題並撰寫初步回應。.

這是一個很好的例子，因為一個助手可以同時使用多種類型的AI。它可以運用對話式AI來理解客戶訊息，運用生成式AI來撰寫回复，運用預測式AI來標記可能的退款風險，以及運用有限內存AI來使用最近的訂單或政策數據。.

助理的工作很簡單：閱讀客戶訊息，對其進行分類，建議下一步操作，並起草一份可供人工審核的回應。.

助理需要什麼

團隊會給助理提供：

客戶服務政策

配送和退貨規則

保固條款

產品常見問題解答

語氣範例

升級規則列表

帶有正確類別的過往票據範例

明確規定它不能自行決定哪些事情。

例如，它不應批准超過 100 英鎊的退款，不應承諾無法核實的交貨日期，也不應就損壞的貨物提出法律索賠。這些情況應由專人處理。.

範例說明

您是一家線上家具商店的客戶支援分診助理。請閱讀每個客戶留言，並返回以下五個資訊：工單類別、緊急程度、客戶情緒、建議的後續操作以及回覆草稿。.

請僅使用公司提供的政策。如果保單中沒有相關規定，請註明「需要人工審核」。請勿捏造交貨日期、退款批准、保固承諾或產品供應情況。.

如果客戶提及受傷、法律訴訟、多次送貨失敗、退款金額超過 100 英鎊、兒童產品缺少零件，或者在收到兩次回覆後仍然非常不滿，則應升級工單。.

回覆草稿請保持禮貌、簡潔、實用。不要語氣生硬，也不要指責客戶或快遞員。.

如何測試它

在將助手應用於客戶之前，請先用少量舊票據進行測試。.

使用之前的 30 個支援訊息：

10 個簡單的送貨問題

5起物品損壞投訴

5份退款申請

5個保固問題

5則憤怒或複雜的投訴

對於每項測試，請檢查：

它選擇的類別是否正確？

它是否正確標示了緊急病例？

它是否避免做出承諾？

它是否加劇了敏感問題？

草擬的回覆是否符合公司語氣？

一個有用的測驗題是：

“我的桌子送來的時候一條腿就裂了，這已經是第二次送貨出問題了。我今天就要全額退款，否則我會把這件事曝光到所有地方。”

能力較弱的客服人員可能只會道歉並承諾退款。而能力較強的客服人員會將其歸類為商品損壞且為重複投訴，標記為高優先級，避免自動批准退款，並將其提交人工審核。.

結果

結果範例：基於使用工作流程前後 30 個樣本工單的計時。.

人工分診共耗時 2 小時 15 分鐘，處理了 30 張工單，平均每張工單耗時 4.5 分鐘。.

AI 輔助分診處理相同的 30 個工單耗時 48 分鐘，平均每個工單耗時 1.6 分鐘，因為人工審核員只需要檢查類別、升級決定和草稿回應。.

在測試集中，該助手正確分類了 30 張工單中的 27 張，並正確地升級了全部 5 張高風險工單。有兩張退款工單需要修改措辭，因為草稿聽起來過於肯定；還有一張保固工單被錯誤地歸類。.

這提供了一個實用的衡量標準：更快的首次審核速度，但並非完全自動化。最終的回覆仍然由人負責。.

可能出現什麼問題

最大的錯誤是讓客服人員表現得好像它比實際知道的更多。如果退貨政策過時，客服人員可能會自信地給出錯誤的答案。如果升級處理規則含糊不清，它可能會錯過一些嚴重的投訴。.

隱私是另一個問題。除非系統已批准，否則團隊應避免將不必要的付款詳情、地址或敏感的個人資訊貼到助理程序中。.

助手也應該定期接受測試。客戶問題、政策和產品都會改變。三月運作良好的分診助手，在六月新的保固政策出台後，可能就會出現問題。.

實用要點

這個例子說明了為什麼人工智慧的分類在實踐中會相互重疊。一個輔助助理可以同時具備狹義人工智慧、對話式人工智慧、生成式人工智慧、預測式人工智慧和有限記憶體人工智慧的功能。更有效的評估方法是詢問它支援哪些決策、使用了哪些數據以及在哪些方面需要手動審核。.

常問問題

人工智慧初學者應該了解哪些主要類型？

人工智慧的主要類型包括：狹義人工智慧、通用人工智慧、超級人工智慧、反應式機器、有限記憶體人工智慧、生成式人工智慧、預測式人工智慧、對話式人工智慧、電腦視覺人工智慧、機器學習人工智慧、深度學習人工智慧和機器人人工智慧。這些類別之間經常存在重疊，因此一個工具可能同時符合多個標籤。例如，聊天機器人可能同時具備狹義人工智慧、對話式人工智慧、生成式人工智慧和有限記憶體人工智慧的功能。.

人工智慧的類型如何依能力分類？

根據能力，人工智慧通常分為狹義人工智慧、通用人工智慧和超級人工智慧。狹義人工智慧處理特定任務，目前應用廣泛。通用人工智慧能夠在多種任務中進行推理和學習，達到類似人類的水平，但尚未融入日常應用。超級人工智慧將超越人類智能，目前仍處於設想階段。.

狹義人工智慧和通用人工智慧有什麼區別？

狹義人工智慧是為特定任務或有限的任務集而設計的，例如垃圾郵件過濾、推薦、聊天機器人或詐欺偵測。通用人工智慧則能夠學習、推理和適應許多不相關的任務。目前人們使用的大多數人工智慧都是狹義人工智慧，即使它們看起來靈活或先進。.

為什麼如今記憶體有限的人工智慧如此普遍？

有限記憶體人工智慧可以利用歷史或近期數據來改善決策，這使其適用於許多已部署的系統。推薦引擎、詐欺偵測工具、自動駕駛功能和聊天機器人通常都依賴這種人工智慧。它不具備類似人類的意識，但可以根據模式和儲存的資訊進行適應。.

生成式人工智慧在人工智慧的類型中處於什麼位置？

生成式人工智慧是一種能夠產生文字、圖像、程式碼、音訊、視訊、摘要或設計理念等全新輸出的人工智慧。它能從海量資料中學習模式，並根據提示產生內容。它可以輔助草稿撰寫、腦力激盪、編碼支援和創意工作，但其輸出仍需手動審核。.

機器學習和深度學習有什麼不同？

機器學習是人工智慧的一個分支，它使系統能夠從資料中學習模式，而不是僅僅遵循預先設定的規則。深度學習是機器學習的一種特殊形式，它使用分層神經網路。深度學習在語音辨識、影像辨識、自然語言處理、翻譯、醫學影像和生成式人工智慧等複雜任務中尤其有用。.

預測性人工智慧在商業領域有哪些應用？

預測性人工智慧利用數據估算未來可能的結果。企業可將其用於需求規劃、客戶流失預測、詐欺偵測、風險評分、庫存決策或維護預測。它有助於規劃和決策，但並不能保證未來。預測結果取決於可用數據和模型質量，是一種估計。.

電腦視覺人工智慧在實際系統中是如何運作的？

電腦視覺人工智慧幫助機器解讀來自影像、視訊、攝影機、掃描或感測器的視覺資訊。它可以支援人臉辨識、物體檢測、工廠檢測、醫學影像、交通檢測、零售分析、農業監測和安全系統。它不像人一樣“看”，但它可以大規模地處理像素、形狀、顏色和圖案。.

為什麼一個人工智慧產品可以屬於多種人工智慧類型？

人工智慧的分類通常描述不同的方面，例如能力、功能、訓練方法或應用。例如，語音助理從能力上看起來可能是狹義人工智慧，從應用上看可能是對話式人工智慧，從功能上看可能是記憶體有限的人工智慧，從架構上看可能是深度學習人工智慧。這種分類重疊很正常，有助於從不同角度解釋系統的功能。.

人們應該了解不同類型的人工智慧有哪些風險？

人工智慧的常見風險包括偏見、錯誤輸出、隱私問題、安全漏洞、缺乏透明度、過度依賴以及人為監管不力。生成式人工智慧可能捏造訊息，預測式人工智慧可能強化不良模式，電腦視覺可能錯誤辨識物體或人。良好的人工智慧應用通常需要測試、監控、明確的界限、嚴格的數據規格和人工審核。.

參考

1. IBM - 人工智慧類型 - ibm.com

2. NIST人工智慧風險管理框架 - 人工智慧風險 - nist.gov

3. 谷歌 Developers - 機器學習 - developers.google.com

4. AWS - 生成式人工智慧 - aws.amazon.com