人工智能在計算機領(lǐng)域內(nèi)，得到了愈加廣泛的重視。并在機器人，經(jīng)濟(jì)政治決策，控制系統(tǒng)，仿真系統(tǒng)中得到應(yīng)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(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，主要包括計算機實現(xiàn)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(xiàn)更高層次的應(yīng)用。人工智能將涉及到計算機科學(xué)、心理學(xué)、哲學(xué)和語言學(xué)等學(xué)科?？梢哉f幾乎是自然科學(xué)和社會科學(xué)的所有學(xué)科，其范圍已遠(yuǎn)遠(yuǎn)超出了計算機科學(xué)的范疇，人工智能與思維科學(xué)的關(guān)系是實踐和理論的關(guān)系，人工智能是處于思維科學(xué)的技術(shù)應(yīng)用層次，是它的一個應(yīng)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(jìn)人工智能的突破性的發(fā)展，數(shù)學(xué)常被認(rèn)為是多種學(xué)科的基礎(chǔ)科學(xué)，數(shù)學(xué)也進(jìn)入語言、思維領(lǐng)域，人工智能學(xué)科也必須借用數(shù)學(xué)工具，數(shù)學(xué)不僅在標(biāo)準(zhǔn)邏輯、模糊數(shù)學(xué)等范圍發(fā)揮作用，數(shù)學(xué)進(jìn)入人工智能學(xué)科，它們將互相促進(jìn)而更快地發(fā)展。

在20世紀(jì)40—50年代期間，為了實現(xiàn)“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(huán)境適應(yīng)。1948年，Wiener提出控制論，強調(diào)智能表現(xiàn)為“對變化的外界環(huán)境的適應(yīng)”。其關(guān)鍵是反饋，這個思想后被Ashiby發(fā)展為以微分方程定性理論為基礎(chǔ)的控制理論，基于此，Ashiby寫出了?大腦設(shè)計?的著作，這個思想在以后人工智能的發(fā)展中并沒有起到主導(dǎo)作用，直到1991年，Brooks提出臨場人工智能時，這個思想才進(jìn)入人工智能的研究范疇。

二是神經(jīng)信息處理。鑒于智能來自神經(jīng)活動的信息加工過程，根據(jù)神經(jīng)科學(xué)的研究結(jié)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(jīng)元信息加工方式的模型，以及1948年Hebb的學(xué)習(xí)機制的研究有密切關(guān)系，建立模型的方法一般以統(tǒng)計學(xué)(優(yōu)化)為基礎(chǔ)。

三是認(rèn)知科學(xué)。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(jù)行為判別機器是否具有智能的準(zhǔn)則。1951年，Shannon首先設(shè)計并實現(xiàn)了第一個計算機下棋程序，相對于神經(jīng)信息加工的智能研究，它不介意行為產(chǎn)生的原因，且模型一般以符號推理為基礎(chǔ)。

在“模擬與解釋人類智能行為”研究的半個世紀(jì)中，“對環(huán)境適應(yīng)”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(zhì)性的影響?；谡J(rèn)知科學(xué)(復(fù)雜信息處理)與基于神經(jīng)信息加工兩種實現(xiàn)智能行為的研究，交替引領(lǐng)著這類研究。

人工智能的研究有兩個相輔相成的任務(wù)，一是發(fā)展具有類似生物(人類)智能的計算系統(tǒng)(智能信息處理或智能系統(tǒng))，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(rèn)知科學(xué))，盡管有的研究者將后者劃歸為人工智能學(xué)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(xué)的一個分支。

人工智能學(xué)科的主要研究內(nèi)容包括：知識表示，自動推理和搜索方法，機器學(xué)習(xí)和知識獲取，知識處理系統(tǒng)，自然語言處理，計算機視覺，智能機器人，自動程序設(shè)計等方面。

20世紀(jì)90年代以來，盡管人工智能學(xué)科的研究遇到的嚴(yán)重的困難，但還是出現(xiàn)了一系列至今對計算科學(xué)有重要影響的研究結(jié)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(guān)于“智慧由一些小的無智慧的獨立功能單元組合后產(chǎn)生”的建議，以及創(chuàng)造的新術(shù)語“Agent”，已引起理論與應(yīng)用研究者的關(guān)注。Agent已成為計算機科學(xué)很多領(lǐng)域廣泛使用的概念，據(jù)此還發(fā)展成為知識表示的方法論———本體論(Ontology)。

進(jìn)入20世紀(jì)90年代，統(tǒng)計機器學(xué)習(xí)逐步開始引領(lǐng)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(yōu)化的學(xué)習(xí)算法大多數(shù)采用給定基函數(shù)。因此，其表示變得單一，且由此導(dǎo)致推理成為計算模型函數(shù)的簡單問題，表示與推理在統(tǒng)計機器學(xué)習(xí)中失去了研究價值。

統(tǒng)計機器學(xué)習(xí)在以后的20年間，并沒有沿著BP的非線性算法的路線發(fā)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(xué)習(xí)理論意義下Vapnik提出了支持向量機(Support Vector Machine,SVM)。盡管統(tǒng)計方法在這個時期占據(jù)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(fā)展了大量不同的學(xué)習(xí)方式。這些方式大多來自對人類學(xué)習(xí)的研究，例如，流形學(xué)習(xí)、主動學(xué)習(xí)、集成學(xué)習(xí)、多示例學(xué)習(xí)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(chǔ)，強調(diào)學(xué)習(xí)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(xiàn)是強調(diào)建立模型的算法應(yīng)該在線性空間設(shè)計。即，強調(diào)返回線性感知機，這是對BP算法設(shè)計的反叛。由此，導(dǎo)致至今還是重要的研究課題———核函數(shù)。

另一個有趣的路線是遵循傳統(tǒng)統(tǒng)計學(xué)理念。根據(jù)熱力學(xué)的“系綜(Enseble)”、神經(jīng)科學(xué)的“集群(Enseble)”，以及統(tǒng)計學(xué)的重采樣(Resampling)等原理發(fā)展了現(xiàn)在稱為“集成學(xué)習(xí)(Enseble Learning)”的方法，其本質(zhì)是，對實際問題隨機采樣并建立模型。采樣次數(shù)進(jìn)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(tǒng)計學(xué)上證明，如果采樣次數(shù)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(yīng)用于各個不同領(lǐng)域的Bootstrap原理。與此同時，1991年人們證明了弱可學(xué)習(xí)定理，由此發(fā)展了算法Boosting，它與上述隨機采樣的區(qū)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(zhǔn)確描述的樣本。因此，Boosting需要建立在PAC基礎(chǔ)上。

此期間最廣為人們所喜愛的研究結(jié)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(shè)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(jīng)有50多年的歷史，發(fā)展是曲折的。從制造具有智能的機器夢想來看，相距甚遠(yuǎn)。從計算機應(yīng)用的角度來看，其成果甚豐。不夸張地說，它已經(jīng)成為計算機應(yīng)用發(fā)展的原始動力之一，甚至更長。

通常，“機器學(xué)習(xí)”的數(shù)學(xué)基礎(chǔ)是“統(tǒng)計學(xué)”、“信息論”和“控制論”。還包括其他非數(shù)學(xué)學(xué)科。這類“機器學(xué)習(xí)”對“經(jīng)驗”的依賴性很強。計算機需要不斷從解決一類問題的經(jīng)驗中獲取知識，學(xué)習(xí)策略，在遇到類似的問題時，運用經(jīng)驗知識解決問題并積累新的經(jīng)驗，就像普通人一樣。我們可以將這樣的學(xué)習(xí)方式稱之為“連續(xù)型學(xué)習(xí)”。但人類除了會從經(jīng)驗中學(xué)習(xí)之外，還會創(chuàng)造，即“跳躍型學(xué)習(xí)”。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(xué)會的就是“頓悟”?；蛘咴賴?yán)格一些來說，計算機在學(xué)習(xí)和“實踐”方面難以學(xué)會“不依賴于量變的質(zhì)變”，很難從一種“質(zhì)”直接到另一種“質(zhì)”，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(jīng)驗和創(chuàng)造。

這是智能化研究者夢寐以求的東西。

2013年，帝金數(shù)據(jù)普數(shù)中心數(shù)據(jù)研究員S.C WANG開發(fā)了一種新的數(shù)據(jù)分析方法，該方法導(dǎo)出了研究函數(shù)性質(zhì)的新方法。作者發(fā)現(xiàn)，新數(shù)據(jù)分析方法給計算機學(xué)會“創(chuàng)造”提供了一種方法。本質(zhì)上，這種方法為人的“創(chuàng)造力”的模式化提供了一種相當(dāng)有效的途徑。這種途徑是數(shù)學(xué)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(chuàng)造。計算機學(xué)家們應(yīng)該斬釘截鐵地剝奪“精于創(chuàng)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(dāng)回頭審視新方法的推演過程和數(shù)學(xué)的時候，作者拓展了對思維和數(shù)學(xué)的認(rèn)識。數(shù)學(xué)簡潔，清晰，可靠性、模式化強。在數(shù)學(xué)的發(fā)展史上，處處閃耀著數(shù)學(xué)大師們創(chuàng)造力的光輝。這些創(chuàng)造力以各種數(shù)學(xué)定理或結(jié)論的方式呈現(xiàn)出來，而數(shù)學(xué)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(dá)出來的包含豐富信息的邏輯結(jié)構(gòu)。應(yīng)該說，數(shù)學(xué)是最單純、最直白地反映著（至少一類）創(chuàng)造力模式的學(xué)科。

從1956年正式提出人工智能學(xué)科算起，50多年來，取得長足的發(fā)展，成為一門廣泛的交叉和前沿科學(xué)。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(jìn)一步講就是什么是智慧。什么樣的機器才是智慧的呢？科學(xué)家已經(jīng)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(shù)十億個神經(jīng)細(xì)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(dāng)計算機出現(xiàn)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(shù)科學(xué)家為這個目標(biāo)努力著。如今人工智能已經(jīng)不再是幾個科學(xué)家的專利了，全世界幾乎所有大學(xué)的計算機系都有人在研究這門學(xué)科，學(xué)習(xí)計算機的大學(xué)生也必須學(xué)習(xí)這樣一門課程，在大家不懈的努力下，如今計算機似乎已經(jīng)變得十分聰明了。例如，1997年5月，IBM公司研制的深藍(lán)（DEEP BLUE）計算機戰(zhàn)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(jìn)行其它原來只屬于人類的工作，計算機以它的高速和準(zhǔn)確為人類發(fā)揮著它的作用。人工智能始終是計算機科學(xué)的前沿學(xué)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(jìn)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(fā)布會，大會發(fā)言人張業(yè)遂表示，已將與人工智能密切相關(guān)的立法項目列入立法規(guī)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(chǎn)業(yè)發(fā)展取得了顯著成效，圖像識別、語音識別等技術(shù)創(chuàng)新應(yīng)用進(jìn)入了世界先進(jìn)行列，人工智能發(fā)明專利授權(quán)總量全球排名第一，核心產(chǎn)業(yè)規(guī)模持續(xù)增長，已經(jīng)形成覆蓋基礎(chǔ)層、技術(shù)層和應(yīng)用層的完整產(chǎn)業(yè)鏈和應(yīng)用生態(tài)。

2021年7月，美國政府問責(zé)署 ( the U.S. Government Accountability Office, GAO)對聯(lián)邦機構(gòu)及其他組織機構(gòu)發(fā)布了人工智能（Artificial Intelligence, AI）問責(zé)框架，該框架分為治理（Governance）、數(shù)據(jù)（Data）、性能（Performance）和監(jiān)測（Monitoring）四個部分。每部分都包含關(guān)鍵做法，關(guān)鍵問題和問責(zé)程序等內(nèi)容。

2021年8月，全球?qū)I(yè)招聘集團(tuán)瀚納仕日前發(fā)布了2021年《中國大陸科技行業(yè)報告》表示，中國在人工智能領(lǐng)域處于世界領(lǐng)先地位，擁有全球近60%大數(shù)據(jù)專家。然而隨著產(chǎn)業(yè)不斷細(xì)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(lǐng)域，人才競爭更是日益激烈。

2021年10月29日，由國家網(wǎng)信辦、工信部、公安部、國家廣電總局等聯(lián)合主辦，以“融新匯智，競促發(fā)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(jìn)技術(shù)研發(fā)，利用人工智能（AI）從防災(zāi)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(wǎng)膜識別，虹膜識別，掌紋識別，專家系統(tǒng)，自動規(guī)劃，智能搜索，定理證明，博弈，自動程序設(shè)計，智能控制，機器人學(xué)，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(zhì)基礎(chǔ)以及能夠?qū)崿F(xiàn)人工智能技術(shù)平臺的機器就是計算機，人工智能的發(fā)展歷史是和計算機科學(xué)技術(shù)的發(fā)展史聯(lián)系在一起的。除了計算機科學(xué)以外，人工智能還涉及信息論、控制論、自動化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語言學(xué)、醫(yī)學(xué)和哲學(xué)等多門學(xué)科。人工智能學(xué)科研究的主要內(nèi)容包括：知識表示、自動推理和搜索方法、機器學(xué)習(xí)和知識獲取、知識處理系統(tǒng)、自然語言理解、計算機視覺、智能機器人、自動程序設(shè)計等方面。

如今沒有統(tǒng)一的原理或范式指導(dǎo)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(jié)論的問題是：是否應(yīng)從心理或神經(jīng)方面模擬人工智能？或者像鳥類生物學(xué)對于航空工程一樣，人類生物學(xué)對于人工智能研究是沒有關(guān)系的？智能行為能否用簡單的原則（如邏輯或優(yōu)化）來描述？還是必須解決大量完全無關(guān)的問題？

智能是否可以使用高級符號表達(dá)，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(yīng)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(jīng)科學(xué)

20世紀(jì)40年代到50年代，許多研究者探索神經(jīng)病學(xué)，信息理論及控制論之間的聯(lián)系。其中還造出一些使用電子網(wǎng)絡(luò)構(gòu)造的初步智能，如W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。這些研究者還經(jīng)常在普林斯頓大學(xué)和英國的RATIO CLUB舉行技術(shù)協(xié)會會議。直到1960，大部分人已經(jīng)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(dāng)20世紀(jì)50年代，數(shù)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(nèi)基梅隆大學(xué)，斯坦福大學(xué)和麻省理工學(xué)院，而各自有獨立的研究風(fēng)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(jīng)網(wǎng)絡(luò)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(chuàng)造強人工智能的機器，同時這也是他們的目標(biāo)。

認(rèn)知模擬經(jīng)濟(jì)學(xué)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?yōu)槿斯ぶ悄艿幕驹泶蛳禄A(chǔ)，如認(rèn)知科學(xué)，運籌學(xué)和經(jīng)營科學(xué)。他們的研究團(tuán)隊使用心理學(xué)實驗的結(jié)果開發(fā)模擬人類解決問題方法的程序。這方法一直在卡內(nèi)基梅隆大學(xué)沿襲下來，并在80年代于SOAR發(fā)展到高峰?；谶壿嫴幌癜瑐悺ぜ~厄爾和赫伯特·西蒙，JOHN MCCARTHY認(rèn)為機器不需要模擬人類的思想，而應(yīng)嘗試找到抽象推理和解決問題的本質(zhì)，不管人們是否使用同樣的算法。他在斯坦福大學(xué)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(guī)劃和機器學(xué)習(xí)。致力于邏輯方法的還有愛丁堡大學(xué)，而促成歐洲的其他地方開發(fā)編程語言PROLOG和邏輯編程科學(xué)?！胺催壿嫛彼固垢４髮W(xué)的研究者 (如馬文·閔斯基和西摩爾·派普特)發(fā)現(xiàn)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(dá)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(fù)雜的概念?；谥R大約在1970年出現(xiàn)大容量內(nèi)存計算機，研究者分別以三個方法開始把知識構(gòu)造成應(yīng)用軟件。這場“知識革命”促成專家系統(tǒng)的開發(fā)與計劃，這是第一個成功的人工智能軟件形式?！爸R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(rèn)為符號系統(tǒng)永遠(yuǎn)不可能模仿人類所有的認(rèn)知過程，特別是感知，機器人，機器學(xué)習(xí)和模式識別。很多研究者開始關(guān)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(huán)境（機器人），行為主義，新式AI機器人領(lǐng)域相關(guān)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(guān)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(rèn)知科學(xué)領(lǐng)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(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義。這和其他的子符號方法，如模糊控制和進(jìn)化計算，都屬于計算智能學(xué)科研究范疇。

統(tǒng)計學(xué)法

90年代，人工智能研究發(fā)展出復(fù)雜的數(shù)學(xué)工具來解決特定的分支問題。這些工具是真正的科學(xué)方法，即這些方法的結(jié)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(shù)學(xué)語言也允許已有學(xué)科的合作（如數(shù)學(xué)，經(jīng)濟(jì)或運籌學(xué)）。STUART J. RUSSELL和PETER NORVIG指出這些進(jìn)步不亞于“革命”和“NEATS的成功”。有人批評這些技術(shù)太專注于特定的問題，而沒有考慮長遠(yuǎn)的強人工智能目標(biāo)。

集成方法

智能AGENT范式智能AGENT是一個會感知環(huán)境并作出行動以達(dá)致目標(biāo)的系統(tǒng)。最簡單的智能AGENT是那些可以解決特定問題的程序。更復(fù)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(jīng)網(wǎng)絡(luò)或其他新的方法。范式同時也給研究者提供一個與其他領(lǐng)域溝通的共同語言--如決策論和經(jīng)濟(jì)學(xué)（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(jié)構(gòu)和認(rèn)知體系結(jié)構(gòu)研究者設(shè)計出一些系統(tǒng)來處理多ANGENT系統(tǒng)中智能AGENT之間的相互作用。一個系統(tǒng)中包含符號和子符號部分的系統(tǒng)稱為混合智能系統(tǒng)，而對這種系統(tǒng)的研究則是人工智能系統(tǒng)集成。分級控制系統(tǒng)則給反應(yīng)級別的子符號AI和最高級別的傳統(tǒng)符號AI提供橋梁，同時放寬了規(guī)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(tǒng)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(wǎng)膜識別，虹膜識別，掌紋識別，專家系統(tǒng)，智能搜索，定理證明，邏輯推理，博弈，信息感應(yīng)與辨證處理。

人工智能還在研究中，但有學(xué)者認(rèn)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(fā)生過，其主要的關(guān)鍵是允不允許機器擁有自主意識的產(chǎn)生與延續(xù)，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(chuàng)造性，自我保護(hù)意識，情感和自發(fā)行為。

人工智能在計算機上實現(xiàn)時有2種不同的方式。一種是采用傳統(tǒng)的編程技術(shù)，使系統(tǒng)呈現(xiàn)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(xué)方法（ENGINEERING APPROACH），它已在一些領(lǐng)域內(nèi)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(xiàn)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(jīng)網(wǎng)絡(luò)（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(jìn)化機制，人工神經(jīng)網(wǎng)絡(luò)則是模擬人類或動物大腦中神經(jīng)細(xì)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(xì)規(guī)定程序邏輯，如果游戲簡單，還是方便的。如果游戲復(fù)雜，角色數(shù)量和活動空間增加，相應(yīng)的邏輯就會很復(fù)雜（按指數(shù)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(diào)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(shè)計一個智能系統(tǒng)（一個模塊）來進(jìn)行控制，這個智能系統(tǒng)（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠?qū)W習(xí)，能漸漸地適應(yīng)環(huán)境，應(yīng)付各種復(fù)雜情況。這種系統(tǒng)開始也常犯錯誤，但它能吸取教訓(xùn)，下一次運行時就可能改正，至少不會永遠(yuǎn)錯下去，用不到發(fā)布新版本或打補丁。利用這種方法來實現(xiàn)人工智能，要求編程者具有生物學(xué)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(yīng)用。由于這種方法編程時無須對角色的活動規(guī)律做詳細(xì)規(guī)定，應(yīng)用于復(fù)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(zhàn)勝“深藍(lán)” （DEEP BLUE）。

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

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

2003年11月GARRY KASPAROV 2:2戰(zhàn)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(tǒng)）

印鈔工廠（￥流水線）

獵鷹系統(tǒng)（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(shù)，設(shè)計、構(gòu)造和維護(hù)知識系統(tǒng)

專家系統(tǒng)

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(shù)據(jù)挖掘和知識發(fā)現(xiàn)