人工智能的定義可以分為兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什么是人力所能及制造的，或者人自身的智能程度有沒有高到可以創造人工智能的地步，等等。但總的來說，“人工系統”就是通常意義下的人工系統。

人工智能在計算機領域內，得到了愈加廣泛的重視。并在機器人，經濟政治決策，控制系統，仿真系統中得到應用。

人工智能是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、制造類似于人腦智能的計算機，使計算機能實現更高層次的應用。人工智能將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智能與思維科學的關系是實踐和理論的關系，人工智能是處于思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智能學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等范圍發揮作用，數學進入人工智能學科，它們將互相促進而更快地發展。

在20世紀40—50年代期間，為了實現“制造具有某種人類智慧的聰明機器”的理想，人們至少提出了三種途徑：

一是對環境適應。1948年，Wiener提出控制論，強調智能表現為“對變化的外界環境的適應”。其關鍵是反饋，這個思想后被Ashiby發展為以微分方程定性理論為基礎的控制理論，基于此，Ashiby寫出了?大腦設計?的著作，這個思想在以后人工智能的發展中并沒有起到主導作用，直到1991年，Brooks提出臨場人工智能時，這個思想才進入人工智能的研究范疇。

二是神經信息處理。鑒于智能來自神經活動的信息加工過程，根據神經科學的研究結果，建立智能模型是一個合理的選擇，這類研究與1943年Mcculloch與Pitts的神經元信息加工方式的模型，以及1948年Hebb的學習機制的研究有密切關系，建立模型的方法一般以統計學(優化)為基礎。

三是認知科學。在人類行為層次建立智能模型，其最重要的研究是Turing實驗，即一種根據行為判別機器是否具有智能的準則。1951年，Shannon首先設計并實現了第一個計算機下棋程序，相對于神經信息加工的智能研究，它不介意行為產生的原因，且模型一般以符號推理為基礎。

在“模擬與解釋人類智能行為”研究的半個世紀中，“對環境適應”一直沒有成為主流，除了“機器昆蟲”之外，在理論與方法上，似乎并沒有本質性的影響。基于認知科學(復雜信息處理)與基于神經信息加工兩種實現智能行為的研究，交替引領著這類研究。

人工智能的研究有兩個相輔相成的任務，一是發展具有類似生物(人類)智能的計算系統(智能信息處理或智能系統)，并以此來解決困難的實際問題。二是借助計算機模擬并解釋生物(人類)的智能(認知科學)，盡管有的研究者將后者劃歸為人工智能學科。但是，還是有很多研究者將人工智能的研究限制在前者的理論和方法上，這樣，人工智能也就自然成為計算機科學的一個分支。

人工智能學科的主要研究內容包括：知識表示，自動推理和搜索方法，機器學習和知識獲取，知識處理系統，自然語言處理，計算機視覺，智能機器人，自動程序設計等方面。

20世紀90年代以來，盡管人工智能學科的研究遇到的嚴重的困難，但還是出現了一系列至今對計算科學有重要影響的研究結果，其中最為重要的是，1991年，Minsky出版了他的著作，《Society of Mind(思維的社會)》，這本著作關于“智慧由一些小的無智慧的獨立功能單元組合后產生”的建議，以及創造的新術語“Agent”，已引起理論與應用研究者的關注。Agent已成為計算機科學很多領域廣泛使用的概念，據此還發展成為知識表示的方法論———本體論(Ontology)。

進入20世紀90年代，統計機器學習逐步開始引領人工智能研究的主流。這時，對人工智能十分重要的表示與推理的研究，由于基于優化的學習算法大多數采用給定基函數。因此，其表示變得單一，且由此導致推理成為計算模型函數的簡單問題，表示與推理在統計機器學習中失去了研究價值。

統計機器學習在以后的20年間，并沒有沿著BP的非線性算法的路線發展。反之，回歸線性感知機是其特點，在Valiant的概率近似正確(Probability Approximation correct,PAC)學習理論意義下Vapnik提出了支持向量機(Support Vector Machine,SVM)。盡管統計方法在這個時期占據了主流地位，但是，人工智能的研究者并沒有忘記“智能”的含義，因此，在這個時期，發展了大量不同的學習方式。這些方式大多來自對人類學習的研究，例如，流形學習、主動學習、集成學習、多示例學習等。

這個時期，這類研究分為兩個不同的研究路線：一是以PAC為基礎，強調學習過程可以基于有限樣本，并使得對誤差的分析以1-δ概率成立，這個路線的最重要的貢獻是強調建立模型的算法應該在線性空間設計。即，強調返回線性感知機，這是對BP算法設計的反叛。由此，導致至今還是重要的研究課題———核函數。

另一個有趣的路線是遵循傳統統計學理念。根據熱力學的“系綜(Enseble)”、神經科學的“集群(Enseble)”，以及統計學的重采樣(Resampling)等原理發展了現在稱為“集成學習(Enseble Learning)”的方法，其本質是，對實際問題隨機采樣并建立模型。采樣次數進行多次，由此獲得多個模型。然后，在這些模型張成的空間上建立實際問題的模型。在統計學上證明，如果采樣次數趨于無窮，由此建立的模型的均方差與一次采樣建立的模型的均方差相等。這就是已被廣泛應用于各個不同領域的Bootstrap原理。與此同時，1991年人們證明了弱可學習定理，由此發展了算法Boosting，它與上述隨機采樣的區別：一是對給定樣本集合的采樣，二是下一次采樣盡量包含上一次采樣建立的模型不能準確描述的樣本。因此，Boosting需要建立在PAC基礎上。

此期間最廣為人們所喜愛的研究結果是“最大間距(Margin)”算法，其誤差界依賴樣本集合兩個閉凸集之間的距離(Margin)。即，距離越大，泛化性能越好。由于這個原理的幾何解釋十分清晰，由此設計的算法簡單易懂。因此，被很多研究者所喜歡。

人工智能研究已經有50多年的歷史，發展是曲折的。從制造具有智能的機器夢想來看，相距甚遠。從計算機應用的角度來看，其成果甚豐。不夸張地說，它已經成為計算機應用發展的原始動力之一，甚至更長。

例如繁重的科學和工程計算本來是要人腦來承擔的，如今計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，因此當代人已不再把這種計算看作是“需要人類智能才能完成的復雜任務”，可見復雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智能這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，另一方面又轉向更有意義、更加困難的目標。

通常，“機器學習”的數學基礎是“統計學”、“信息論”和“控制論”。還包括其他非數學學科。這類“機器學習”對“經驗”的依賴性很強。計算機需要不斷從解決一類問題的經驗中獲取知識，學習策略，在遇到類似的問題時，運用經驗知識解決問題并積累新的經驗，就像普通人一樣。我們可以將這樣的學習方式稱之為“連續型學習”。但人類除了會從經驗中學習之外，還會創造，即“跳躍型學習”。這在某些情形下被稱為“靈感”或“頓悟”。一直以來，計算機最難學會的就是“頓悟”。或者再嚴格一些來說，計算機在學習和“實踐”方面難以學會“不依賴于量變的質變”，很難從一種“質”直接到另一種“質”，或者從一個“概念”直接到另一個“概念”。正因為如此，這里的“實踐”并非同人類一樣的實踐。人類的實踐過程同時包括經驗和創造。

這是智能化研究者夢寐以求的東西。

2013年，帝金數據普數中心數據研究員S.C WANG開發了一種新的數據分析方法，該方法導出了研究函數性質的新方法。作者發現，新數據分析方法給計算機學會“創造”提供了一種方法。本質上，這種方法為人的“創造力”的模式化提供了一種相當有效的途徑。這種途徑是數學賦予的，是普通人無法擁有但計算機可以擁有的“能力”。從此，計算機不僅精于算，還會因精于算而精于創造。計算機學家們應該斬釘截鐵地剝奪“精于創造”的計算機過于全面的操作能力，否則計算機真的有一天會“反捕”人類。

當回頭審視新方法的推演過程和數學的時候，作者拓展了對思維和數學的認識。數學簡潔，清晰，可靠性、模式化強。在數學的發展史上，處處閃耀著數學大師們創造力的光輝。這些創造力以各種數學定理或結論的方式呈現出來，而數學定理最大的特點就是：建立在一些基本的概念和公理上，以模式化的語言方式表達出來的包含豐富信息的邏輯結構。應該說，數學是最單純、最直白地反映著（至少一類）創造力模式的學科。

1956年夏季，以麥卡賽、明斯基、羅切斯特和申農等為首的一批有遠見卓識的年輕科學家在一起聚會，共同研究和探討用機器模擬智能的一系列有關問題，并首次提出了“人工智能”這一術語，它標志著“人工智能”這門新興學科的正式誕生。IBM公司“深藍”電腦擊敗了人類的世界國際象棋冠軍更是人工智能技術的一個完美表現。

從1956年正式提出人工智能學科算起，50多年來，取得長足的發展，成為一門廣泛的交叉和前沿科學。總的說來，人工智能的目的就是讓計算機這臺機器能夠像人一樣思考。如果希望做出一臺能夠思考的機器，那就必須知道什么是思考，更進一步講就是什么是智慧。什么樣的機器才是智慧的呢？科學家已經作出了汽車，火車，飛機，收音機等等，它們模仿我們身體器官的功能，但是能不能模仿人類大腦的功能呢？到目前為止，我們也僅僅知道這個裝在我們天靈蓋里面的東西是由數十億個神經細胞組成的器官，我們對這個東西知之甚少，模仿它或許是天下最困難的事情了。

當計算機出現后，人類開始真正有了一個可以模擬人類思維的工具，在以后的歲月中，無數科學家為這個目標努力著。如今人工智能已經不再是幾個科學家的專利了，全世界幾乎所有大學的計算機系都有人在研究這門學科，學習計算機的大學生也必須學習這樣一門課程，在大家不懈的努力下，如今計算機似乎已經變得十分聰明了。例如，1997年5月，IBM公司研制的深藍（DEEP BLUE）計算機戰勝了國際象棋大師卡斯帕洛夫（KASPAROV）。大家或許不會注意到，在一些地方計算機幫助人進行其它原來只屬于人類的工作，計算機以它的高速和準確為人類發揮著它的作用。人工智能始終是計算機科學的前沿學科，計算機編程語言和其它計算機軟件都因為有了人工智能的進展而得以存在。

2019年3月4日，十三屆全國人大二次會議舉行新聞發布會，大會發言人張業遂表示，已將與人工智能密切相關的立法項目列入立法規劃。

2021年7月，在2021世界人工智能大會開幕式上，工信部部長肖亞慶表示，中國人工智能產業發展取得了顯著成效，圖像識別、語音識別等技術創新應用進入了世界先進行列，人工智能發明專利授權總量全球排名第一，核心產業規模持續增長，已經形成覆蓋基礎層、技術層和應用層的完整產業鏈和應用生態。

2021年7月，美國政府問責署 ( the U.S. Government Accountability Office, GAO)對聯邦機構及其他組織機構發布了人工智能（Artificial Intelligence, AI）問責框架，該框架分為治理（Governance）、數據（Data）、性能（Performance）和監測（Monitoring）四個部分。每部分都包含關鍵做法，關鍵問題和問責程序等內容。

2021年8月，全球專業招聘集團瀚納仕日前發布了2021年《中國大陸科技行業報告》表示，中國在人工智能領域處于世界領先地位，擁有全球近60%大數據專家。然而隨著產業不斷細分，新賽道日新月異，人才的供給端與需求端存在差異，在AI賦能的跨界領域，人才競爭更是日益激烈。

2021年10月29日，由國家網信辦、工信部、公安部、國家廣電總局等聯合主辦，以“融新匯智，競促發展”為主題的第三屆中國人工智能大賽在京啟動。

2022年6月6日消息，日本國土交通省正在推進技術研發，利用人工智能（AI）從防災直升機拍攝的影像中推定河流泛濫的浸水范圍和塌方地點。

機器視覺，指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，自動規劃，智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。

用來研究人工智能的主要物質基礎以及能夠實現人工智能技術平臺的機器就是計算機，人工智能的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智能還涉及信息論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智能學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。

如今沒有統一的原理或范式指導人工智能研究。許多問題上研究者都存在爭論。其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智能？或者像鳥類生物學對于航空工程一樣，人類生物學對于人工智能研究是沒有關系的？智能行為能否用簡單的原則（如邏輯或優化）來描述？還是必須解決大量完全無關的問題？

智能是否可以使用高級符號表達，如詞和想法？還是需要“子符號”的處理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提議人工智能應歸類為SYNTHETIC INTELLIGENCE，這個概念后來被某些非GOFAI研究者采納。

大腦模擬

主條目：控制論和計算神經科學

20世紀40年代到50年代，許多研究者探索神經病學，信息理論及控制論之間的聯系。其中還造出一些使用電子網絡構造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。這些研究者還經常在普林斯頓大學和英國的RATIO CLUB舉行技術協會會議。直到1960，大部分人已經放棄這個方法，盡管在80年代再次提出這些原理。

符號處理

主條目：GOFAI

當20世紀50年代，數字計算機研制成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學，斯坦福大學和麻省理工學院，而各自有獨立的研究風格。JOHN HAUGELAND稱這些方法為GOFAI(出色的老式人工智能)。 60年代，符號方法在小型證明程序上模擬高級思考有很大的成就。基于控制論或神經網絡的方法則置于次要。 60~70年代的研究者確信符號方法最終可以成功創造強人工智能的機器，同時這也是他們的目標。

認知模擬經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們為人工智能的基本原理打下基礎，如認知科學，運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，并在80年代于SOAR發展到高峰。基于邏輯不像艾倫·紐厄爾和赫伯特·西蒙，JOHN MCCARTHY認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的算法。他在斯坦福大學的實驗室致力于使用形式化邏輯解決多種問題，包括知識表示，智能規劃和機器學習。致力于邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發編程語言PROLOG和邏輯編程科學。“反邏輯”斯坦福大學的研究者 (如馬文·閔斯基和西摩爾·派普特)發現要解決計算機視覺和自然語言處理的困難問題，需要專門的方案-他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。ROGER SCHANK 描述他們的“反邏輯”方法為 "SCRUFFY" 。常識知識庫 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子，因為他們必須人工一次編寫一個復雜的概念。基于知識大約在1970年出現大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟件。這場“知識革命”促成專家系統的開發與計劃，這是第一個成功的人工智能軟件形式。“知識革命”同時讓人們意識到許多簡單的人工智能軟件可能需要大量的知識。

子符號法

80年代符號人工智能停滯不前，很多人認為符號系統永遠不可能模仿人類所有的認知過程，特別是感知，機器人，機器學習和模式識別。很多研究者開始關注子符號方法解決特定的人工智能問題。

自下而上，接口AGENT，嵌入環境（機器人），行為主義，新式AI機器人領域相關的研究者，如RODNEY BROOKS，否定符號人工智能而專注于機器人移動和求生等基本的工程問題。他們的工作再次關注早期控制論研究者的觀點，同時提出了在人工智能中使用控制理論。這與認知科學領域中的表征感知論點是一致的：更高的智能需要個體的表征(如移動，感知和形象)。計算智能80年代中DAVID RUMELHART 等再次提出神經網絡和聯結主義。這和其他的子符號方法，如模糊控制和進化計算，都屬于計算智能學科研究范疇。

統計學法

90年代，人工智能研究發展出復雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法，即這些方法的結果是可測量的和可驗證的，同時也是人工智能成功的原因。共用的數學語言也允許已有學科的合作（如數學，經濟或運籌學）。STUART J. RUSSELL和PETER NORVIG指出這些進步不亞于“革命”和“NEATS的成功”。有人批評這些技術太專注于特定的問題，而沒有考慮長遠的強人工智能目標。

集成方法

智能AGENT范式智能AGENT是一個會感知環境并作出行動以達致目標的系統。最簡單的智能AGENT是那些可以解決特定問題的程序。更復雜的AGENT包括人類和人類組織（如公司）。這些范式可以讓研究者研究單獨的問題和找出有用且可驗證的方案，而不需考慮單一的方法。一個解決特定問題的AGENT可以使用任何可行的方法-一些AGENT用符號方法和邏輯方法，一些則是子符號神經網絡或其他新的方法。范式同時也給研究者提供一個與其他領域溝通的共同語言--如決策論和經濟學（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被廣泛接受。AGENT體系結構和認知體系結構研究者設計出一些系統來處理多ANGENT系統中智能AGENT之間的相互作用。一個系統中包含符號和子符號部分的系統稱為混合智能系統，而對這種系統的研究則是人工智能系統集成。分級控制系統則給反應級別的子符號AI和最高級別的傳統符號AI提供橋梁，同時放寬了規劃和世界建模的時間。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一個早期的分級系統計劃。

智能模擬

機器視、聽、觸、感覺及思維方式的模擬：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，智能搜索，定理證明，邏輯推理，博弈，信息感應與辨證處理。

人工智能還在研究中，但有學者認為讓計算機擁有智商是很危險的，它可能會反抗人類。這種隱患也在多部電影中發生過，其主要的關鍵是允不允許機器擁有自主意識的產生與延續，如果使機器擁有自主意識，則意味著機器具有與人同等或類似的創造性，自我保護意識，情感和自發行為。

人工智能在計算機上實現時有2種不同的方式。一種是采用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（ENGINEERING APPROACH），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（MODELING APPROACH），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。遺傳算法（GENERIC ALGORITHM，簡稱GA）和人工神經網絡（ARTIFICIAL NEURAL NETWORK，簡稱ANN）均屬后一類型。遺傳算法模擬人類或生物的遺傳-進化機制，人工神經網絡則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。采用前一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最后為用戶提供一個新的版本或提供一個新補丁，非常麻煩。采用后一種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發布新版本或打補丁。利用這種方法來實現人工智能，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由于這種方法編程時無須對角色的活動規律做詳細規定，應用于復雜問題，通常會比前一種方法更省力。

人機對弈

1996年2月10～17日， GARRY KASPAROV以4：2戰勝“深藍” （DEEP BLUE）。

1997年5月3～11日， GARRY KASPAROV以2.5：3.5輸于改進后的“深藍”。

2003年2月GARRY KASPAROV 3:3戰平“小深”（DEEP JUNIOR）。

2003年11月GARRY KASPAROV 2:2戰平“X3D德國人” (X3D-FRITZ）。

模式識別

采用 $模式識別引擎，分支有2D識別引擎，3D識別引擎，駐波識別引擎以及多維識別引擎

2D識別引擎已推出指紋識別，人像識別，文字識別，圖像識別，車牌識別；駐波識別引擎已推出語音識別；3D識別引擎已推出指紋識別玉帶林中掛（玩游智能版1.25）

自動工程

自動駕駛（OSO系統）

印鈔工廠（￥流水線）

獵鷹系統（YOD繪圖）

知識工程

以知識本身為處理對象，研究如何運用人工智能和軟件技術，設計、構造和維護知識系統

專家系統

智能搜索引擎

計算機視覺和圖像處理

機器翻譯和自然語言理解

數據挖掘和知識發現