狭义人工智能 (Narrow AI)

Parent: ai_keywords

狭义人工智能 (Narrow AI)

核心定义

狭义人工智能（Weak AI）指针对单一特定任务设计的人工智能系统，其智能表现被严格限定在预设的领域内，无法像人类一样跨域迁移知识或进行通用推理。当前绝大多数商用AI（如语音助手、人脸识别、推荐算法）均属此类，其本质是通过数据驱动模型在封闭环境中完成模式匹配或决策优化。

关键技术点

• 监督深度学习：依赖大量标注数据学习输入-输出映射（如卷积神经网络用于图像分类），是Narrow AI最主流范式，但对数据质量和分布极其敏感，一旦超出训练分布即失效。
• 强化学习：通过与环境交互的奖励信号训练策略网络（如AlphaGo），在规则明确的博弈或控制任务中表现卓越，但难以处理动态开放环境。
• 自然语言处理流水线：将语言任务分解为命名实体识别、情感分析等子模块，各模块独立优化，缺乏对语义的深层理解（如BERT模型仅统计文本概率关联）。
• 迁移学习瓶颈：Narrow AI模型在任务切换时需完全重新训练或微调，无法像人类专家实现“举一反三”（如训练好的病灶检测模型不能直接用于诊断另一类疾病）。
• 可解释性挑战：深度神经网络的“黑箱”特性使其在医疗等高风险场景中难以获得临床信任，激发了对可解释AI（XAI）的独立研究。

医学/神经科学应用场景

以脑卒中超早期影像诊断为例：
在首都医科大学神经病学研究中，利用Narrow AI构建的卷积神经网络模型，专用于快速分析非增强CT脑影像。该模型训练于数万例标注了“急性缺血病灶”的扫描切片，可在数秒内输出病灶位置、体积及Alberta卒中项目早期CT评分（ASPECTS）。相比传统人工判读，其灵敏度高达92.3%，特异性达96.8%，显著缩短了4.5小时溶栓窗内的决策时间。但局限同样显著：模型对脑白质高信号（慢性缺血改变）的误判率高达15%，且无法泛化至MRI或DWI序列——这恰恰体现了Narrow AI仅在其预设的“CT平扫-脑梗死”任务空间内有效，一旦脱离该上下文，性能急剧退化。