四类“智能系统”深度解析：从无智能到“超人智能”
文本内容
四类“智能系统”
为了描述的直观性，让我们假定一个系统的总技能水平可以度量，比如说是它能解决的问题的数量。这样一来，系统的学习能力就体现为这个量和时间的关系，而根据前面的讨论，我们可以区分四类不同的系统，如下图所示:
（1） 蓝线对应于一个完全没有学习能力的系统。这样的系统仍然可能有很高的技能（如“深蓝”），但其技能完全来自于初始设计，而和系统的经验无关。传统的计算系统都属于这一类，其优点是可靠、高效，但没有灵活性、适应性和创造性等。
（2） 紫线对应于一个学习能力有限的系统。这里“有限”是指系统的总技能会趋近于一个常量，即这个学习系统最终会转化成一个计算系统。现有的“机器学习”系统（包括AlphaGo）大体是属于这一类。这种系统在学习阶段有适应性，但模型形成后就基本不变了。
（3） 绿线对应于一个学习能力基本固定的系统。这种系统的“智能”（元能力）是先天设计的，且基本保持稳定，但在习得的“技能”（具体能力）的增长上没有限制，最后在输入输出关系上也不会转变成一个计算系统。纳思和其它一些AGI系统属于这一类。
（4） 红线对应于一个学习能力本身在增长的系统。这大致上就是库兹韦尔和博斯特罗姆所说的“超人智能”了。
上图只是一个形象化的说明，而非对这些系统的严格刻画。以纳思为例，因为其中所有的学习都是以过去经验为依据的，所以在经验不足、思虑不周或时过境迁时也会犯错，这时候其总技能水平很可能不升反降了。这四类系统的实质性差别是：系统整体的输入输出关系是通过设计确定的还是通过学习得到的，以及系统的学习能力是否随时间而有根本性改变。
按我的观点（见《人工智能迷途：计算机的高技能等于高智能吗？》），“智能”应指学习能力，而非解决具体问题的能力（那是“技能”），因此上面四种系统的次序也就是智能由无到有，由低到高的次序。
在一个特定时刻，智能更高的系统未必技能也更高。而且从具体应用的角度看，并不是智能越高越好。实际上往往相反:在能满足使用要求的前提下，系统的智能越低，可靠性和效率通常越高。高智能只有在低智能不胜任的时候才是有效益的。当然，从理论研究的角度看，高智能系统更有意思，也更具挑战性。
有“超人智能”这回事吗？
整体描述
这是一篇人工智能领域的科普图文，通过一张折线图形象化展示了四类不同学习能力的智能系统：
1. 蓝线：无学习能力的系统（如传统计算系统、“深蓝”），技能全靠初始设计，可靠高效但缺乏灵活性；
2. 紫线：学习能力有限的系统（如AlphaGo等机器学习系统），技能增长会趋近常量，成型后不再变化；
3. 绿线：学习能力基本固定的系统（如纳思等AGI系统），先天智能稳定，技能增长无限制，不会转变为计算系统；
4. 红线：学习能力自身增长的系统，即库兹韦尔等提出的“超人智能”。
图文还明确区分了“智能（学习能力）”与“技能（解决具体问题的能力）”，指出智能高低不直接等同于技能强弱，低智能系统在满足需求时可靠性和效率更高，高智能仅在低智能无法胜任时才有效益，同时从理论研究角度高智能系统更具挑战性。最后抛出对“超人智能”的探讨。
来源说明
该内容出自人工智能领域的原创学术科普文章，文中引用了作者的《人工智能迷途：计算机的高技能等于高智能吗？》一文观点，通过原创折线图配合文字分析，系统阐述四类智能系统的差异，属于专业的人工智能科普内容，推测发布于学术博客、人工智能专栏或相关专业平台，面向对人工智能感兴趣的学习者、研究者及从业者。
