雖然各 AI 技術的具體細節不盡相同，但核心原則皆是與資料息息相關。AI 系統可透過暴露在大量資料中來學習和改善，識別人類可能遺漏的模式和關係。

這段學習過程通常涉及演算法，也就是一組規則或指令，用來引導 AI 的分析與決策作業。在機器學習中 (常見的 AI 子集)，系統會根據加上標籤或未加上標籤的資料訓練演算法，以便進行預測或分類資訊。

深度學習是更進一步的專業技術，運用了多層人工類神經網路處理資訊、模仿人腦的結構和功能。AI 系統藉由不斷學習與適應，會越來越擅長處理特定工作，像是辨識圖片、翻譯語言等。

想瞭解如何開始使用 AI 嗎？歡迎參加免費的生成式 AI 簡介初學者課程。

依據開發階段或正在執行的動作，人工智慧可透過多種方式分類。

例如，AI 開發通常分為四個階段。

1. 被動機器：能力有限的 AI，僅依據預先編寫的規則回應不同類型的刺激。不會使用記憶體，也無法學習新的資料。 舉例來說，在 1997 年擊敗世界西洋棋冠軍 Garry Kasparov，由 IBM 打造的 Deep Blue 就是被動機器。
2. 有限的記憶體：現代大多數的 AI 都歸類為有限的記憶體。可運用新的資料訓練，並使用記憶體隨著時間不斷改善。通常會運用人工類神經網路或其他訓練模型來進行訓練。深度學習屬於機器學習的分支，屬於有限的記憶體人工智慧。
3. 心智理論：目前並沒有心智理論型的 AI 技術，但這是目前進行研究的方向之一。這類的 AI 技術可模擬人類的思維，並且具備與人類同等的決策能力，包括識別和記住情緒和在社交情境中做出回應，就像人類一樣。
4. 自我意識：比心智理論型更高層級的 AI 技術，自我意識型 AI 是虛構的機器類型，具備自我存在的意識以及人類的智慧和情感。如同心智理論型的 AI，自我意識型 AI 目前並不存在。

用來廣泛區分人工智慧類型的另一個實用方式，是根據機器可執行的工作來分類。目前所謂的人工智慧，都屬於「狹義」人工智慧，只能根據其程式設計和訓練執行範圍較小的操作。例如，用於物件分類的 AI 演算法無法執行自然語言處理。Google 搜尋就是一種狹義 AI 技術，預測性分析或虛擬助理也都是。

通用人工智慧 (AGI) 讓機器就像人類一樣，會「感覺、思考和採取行動」。AGI 目前並不存在。下一個層級是超級人工智慧 (ASI)，讓機器能夠以各方面皆優於人類的方式工作。

企業討論 AI 時，通常會說到「訓練資料」，而這代表什麼？請記住，有限記憶體人工智慧是一種 AI 技術，會藉由使用新資料訓練而逐漸改進。機器學習是人工智慧的分支，可利用演算法訓練資料取得結果。

大致而言，機器學習通常有三種類型的學習模式：

「監督式學習技術」是一種機器學習模型，會使用已加上標籤的訓練資料 (結構化資料) 將特定輸入內容對應至輸出。簡單來說，如要訓練演算法辨識貓咪的相片，就饋送標為貓的圖片。

「非監督式的學習技術」是一種機器學習模型，可根據未加上標籤的資料 (非結構化資料) 找出規律。與監督式學習技術不同，不能事先掌握最終結果。確切來說，其演算法會從資料中學習，並依據屬性將資料分組。舉例來說，非監督式的學習技術適用於模式比對和描述性模型。

除了監督式和非監督式學習技術外，通常也會採用名為「半監督式學習」的混合方法，僅為部分資料加上標籤。半監督式學習技術已知最終結果，但演算法必須找出如何組織及整理資料，才能達到理想的結果。

「強化學習」是一種機器學習模型，廣泛稱為「從做中學」。「代理程式」會藉由反覆試誤 (一種回饋循環) 來學習如何執行所定義的任務，直到效能達到理想範圍內。代理程式執行任務的情況良好時會獲得正面強化，並在表現不佳時得到負面強化。強化學習的其中一個例子，是訓練機器手臂拿起球。

AI 中常見的訓練模型類型是人工類神經網路，大致依據人類腦部設計的模型。

類神經網路指的是一套人工神經元 (有時稱為「感知器」)，這些人工神經元是一種用於分類及分析資料的運算節點。資料會送入類神經網路的第一層，每個感知會做出決定，然後將相關資訊傳送到下一層中的多個節點。訓練模型如果超過三個層，就稱為「深層類神經網路」或「深度學習」。有些現代類神經網路有成千上百層。最終感知器的輸出結果會完成為類神經網路設定的工作，例如分類物件或找出資料中的模式。

常見的人工類神經網路類型包括：

前饋類神經網路 (FF) 是最早期的類神經網路之一，資料會單向經過多層人工神經元，直到輸出完成為止。現代，大多數前饋類神經網路都被視為「深層前饋」，並含有多個層 (以及多個「隱藏」層)。前饋類神經網路通常會與名為「反向傳播」的錯誤校正演算法搭配使用，簡單來說，從類神經網路的結果開始，然後反向找出錯誤以改善類神經網路的準確度。許多簡單但強大的類神經網路都採用深層前饋。

循環類神經網路 (RNN) 與前饋類神經網路不同，差別在於這類神經網路通常會使用時間序列資料或序列相關的資料。與為各網路節點設定權重的前饋類神經網路不同的是，循環類神經網路具備前一層事件的「記憶」，並附加到目前層的輸出內容。例如，在執行自然語言處理時，RNN 可以「記住」句子中的其他字詞。RNN 通常用於語音辨識、翻譯和產生圖片說明文字。

長期/短期記憶 (LSTM) 是進階版 RNN，可利用記憶體「記住」前層發生的事情。RNN 與 LSTM 的差別在於，LSTM 能透過「記憶體儲存格」來記住前層發生的事情。LSTM 常用於語音辨識和預測。

「卷積類神經網路」(CNN) 包含一些現代人工智慧常見的類神經網路。CNN 通常用於圖片辨識，它會使用幾個不同的層 (先是卷積層，接著是池化層) 來篩選圖片的不同部分，然後在全連接層拼湊成完整圖片。早期的卷積層可能會先找出圖片的簡單特徵 (例如顏色和邊緣)，然後再尋找其他層中更複雜的特徵。

生成對抗網路 (GAN) 涉及兩個相互競爭的類神經網路，最終改善輸出內容的準確率。其中一個網路 (產生器) 會建立例子，讓另一個網路 (辨別器) 嘗試證明為真或否。GAN 曾用於打造寫實的圖片，甚至是藝術。