智能AuI應該如何的應用，同時HI和AI具有哪些差別？
增強智能(AuI)內建了人類智能(HI)和人工智能(AI)，以利用它們的優勢并減輕它們的劣勢。與單獨的HI和AI方法相比，HI和AI的結合提高了人和機器的能力，并實作了更好的性能。
傳統上，人工智能的目标是創造出具有與人類同等智能的先進計算機和機器，例如通過圖靈測試。各種人工智能方法，特定的機器學習方法（例如，支援向量機和随機森林）已被應用于在各種應用（例如，資料挖掘和交通信号控制）和部門中執行需要HI的各種任務（例如，分類和回歸）（例如，運輸、制造和醫療保健）。
自從谷歌的DeepMindAlphaGo在2016年使用深度學習擊敗了圍棋最佳棋手之一的李世石,人工智能領域出現了新的和令人耳目一新的熱情，将非智能系統變得智能，智能系統變得更智能，甚至實作比人類更好的智能。随着大資料、物聯網、雲計算等先進使能技術的出現，人工智能有望在無人駕駛、智能萬物等下一代技術中發揮重要作用。
然而，人工智能也有缺點，例如究竟如何做出決策和解釋尚不清楚，是以識别和量化結果錯誤以及排除故障具有挑戰性。錯誤的根本原因可能是訓練資料不足、配置不當等。
想象一下在醫學診斷中做出的生死決定，人工智能做出的不透明決定在很大程度上是不可接受的。HI和AI的融合也意味着AI的傳統缺點被繼承到AuI上。
例如，AI架構的複雜性、運作AI的專用硬體需求，以及提高AI算法能效和速度的需求,是以，AI的缺點對AuI的影響需要進行徹底的調查。
HI和AI在學習知識、決策和執行任務的能力方面各有優勢和劣勢，HI具有更高的學習知識的能力。首先，HI在高噪聲環境下實作了更高的學習能力，當語音混合口音、充滿語義或在嘈雜環境下進行時，與聽寫軟體相比，速記員顯示出更高的準确率。
HI實作了更高的學習能力，基于不可量化的資訊和情況做出直覺決策,第三，HI在可能缺乏訓練資料和經驗的情況下，實作了基于任意資訊和情況的更高學習能力。
AI的品質在很大程度上取決于訓練資料集的品質，訓練資料集必須正确标記、完整、無偏見且不與測試資料集重疊。此外，收集個人資訊（例如，醫療資訊）可能具有挑戰性，是以可能存在不足和不完整的資料集。
在大資料時代處理由範圍廣泛的實體産生的海量資料，以及機率和分析任務盡管工作時間長、速度快，但工作仍以一緻和高效的方式進行，記憶和計算技能都是人類的左腦能力。換句話說，AI擁有人類更高的左腦能力，HI擁有人類更高的右腦能力。
在HI-AI方法中，HI是為AI決策引擎提供輸入的起點，這有助于提高系統的上下文感覺和正确性。在沒有明确程式設計的情況下，人工智能使用人類和傳感器提供的實時私人資訊來生成本地決策。
由于HI可能不一緻并受到偏見的影響，是以可以使用推理标準的人類可解釋性來排除偏見，例如種族主義,人工輸入主要分為三種類型。首先，在執行不同難度級别的認知任務時，基于腦電圖(EEG)和功能性近紅外光譜(fNIRS)信号測量大腦活動的變化。然而，這種技術需要将人拴在電線上，這很不友善。
其次，從身體傳感器接收的測量值，例如提供心率和皮膚溫度的MicrosoftBand[參考資料]。此外，HI還提供标記資料和特征以及人類回報，用于訓練AI。第三，使普通個人能夠提供資訊的衆包。
其次，在AI-HI方法中，人工智能作為生成知識的起點，并作為決策引擎為人類提供輸入或指導,這有助于提高人為決策的正确性。這使人類能夠在沒有社互動動的情況下，在複雜場景中減少工作量，進而在彼此之間學習和交換隐性知識。
這種方法認為人類更可靠,可以将最終決定提供給AI以進一步增,例如，人工智能用于在外科手術期間為醫生提供建議。
增強智能(AuI)結合了人類智能(HI)和人工智能(AI)，以擷取兩種智能的優勢，同時彌補彼此的不足。
AuI中主要有三個模型：a) HI-AI模型使HI能夠作為訓練AI的輸入；b) AI-HI模型使AI能夠作為輸入來增強HI；c)組合的HI和AI模型使HI和AI能夠同時根據HI和AI輸入做出決策。
目前，AuI處于起步階段，是以可以進行更多調查以了解其全部潛力并探索其實際應用.AuI中流行的AI方法包括深度神經網絡和卷積神經網絡,AuI的特征示例包括評估HI和AI決策的置信度、對人類感覺進行模組化以及根據工作量調整人類和機器的參與。
