人工智能作为计算机科学的一个分支，通常是指通过普通计算机程序来呈现人类智能的技术，以及这样的智能系统是否能够实现，如何实现。主流的AI教科书将该领域定义为有关“智能主体”（intelligent agents）的研究。其中智能体是指任何能够感知环境并采取行动以最大程度地成功实现目标的设备或系统。通俗地讲，“人工智能”通常用于描述模仿人类思维相关的“认知”功能的机器，如“学习”和“解决问题”等。
人工智能研究领域起源于1956年的达特茅斯会议，并逐渐发展成一门学科。J.麦卡锡（John McCarthy）在达特茅斯会议上首次提出“人工智能”一词以区分该领域与控制论。自1956年达特茅斯会议之后到20世纪70年代，人工智能经历了其蓬勃发展的首个黄金时代。达特茅斯会议的与会者A.纽厄尔（Allen Newell，CMU）、H.西蒙（Herbert Simon，CMU）、J.麦卡锡（John McCarthy，MIT）、M.明斯基（Marvin Minsky，MIT）和A.塞缪尔（Arthur Samuel，IBM）成为AI研究的创始人和领导人。他们及其学生制作了程序“逻辑理论家”（logic theorist），计算机正在学习跳棋策略，解决单词代数问题，证明逻辑定理和英语问题等。到20世纪60年代中期，美国的研究已由国防部大量资助，并且在世界各地建立了实验室。AI的创始人对未来感到乐观：H.西蒙预测说，“20年内，机器能做到人类可以做的任何事情。”
进入20世纪70年代，科研人员在人工智能研究中对课题难度预估不足导致的问题慢慢显露出来，由于英国的J.莱特希尔（James Lighthill）的批评报告和美国国会不断要求提供更多生产性项目的压力，美国和英国政府都中断了对AI的探索性研究。人工智能项目难以获得资金，随后的几年被称为“人工智能的冬天”。
20世纪80年代，随着专家系统的出现与风靡、神经网络的复兴及日本的第5代计算机计划的实施，人工智能经历了它的第2个黄金时代。到1985年，人工智能市场规模已超过10亿美元。日本的第5代机计划在西方国家中引起强烈反响，激发了美国和英国政府恢复学术研究的资金。美国的“微电子与计算机技术合作工程”、英国的“阿尔维方案”等都是在这样的背景下产生的。第5代计算机计划促成了20世纪80年代中后期人工智能的繁荣，也提升了日本在全世界的形象。
然而，第5代计算机既没能证明它能干传统计算机不能干的工作，在典型的应用中也并不比传统计算机快多少。专家系统取得的成功也是有限的，它无法自我学习并更新知识库和算法，导致其维护成本越来越高，以至于很多企业后来都放弃了这些陈旧的专家系统。从1987年Lisp机器市场的崩溃开始，人工智能又一次声名狼藉，其第2次持久的寒冬开始了。
20世纪90年代末至21世纪初，由于对解决特定问题的重视，计算机芯片的计算能力突飞猛、人工智能算法也取得了重大突破等原因，人工智能开始用于物流、数据挖掘、医学诊断等领域。IBM公司的“深蓝”超级计算机于1997年5月11日击败G.卡斯帕罗夫（Garry Kasparov），成为首个击败世界冠军的计算机象棋游戏系统。2016年3月，基于深度强化学习方法的AlphaGo程序以4:1战胜世界围棋冠军李世石，成为首个轻松战胜人类顶级围棋选手的计算机围棋游戏系统。新一轮人工智能研究热潮被掀起。
2015年是人工智能具有里程碑意义的一年，使用AI的软件项目的数量从2012年的“零星使用”增加到2700多个。图像处理任务的错误率更低，微软开发的Skype系统可以自动翻译语言，Facebook系统可以向盲人描述图像，这些得益于互联网带来的海量数据、云计算的基础架构、神经网络的发展。在2017年的一项调查中，五分之一的公司报告显示“在某些产品或流程中集成了AI”。在2016年左右，中国大大加快了政府资金投入；鉴于其庞大的数据供应和快速增长的研究成果，一些观察家认为，它有望成为“人工智能超级大国”。但人们已经意识到，有关人工智能的报道往往被夸大了。
计算机科学将AI研究定义为对“智能主体”的研究，智能主体是指任何能够感知环境并采取行动以最大程度地成功实现目标的设备或系统。可以更具体将AI定义为：具备正确解释外部数据，从而从此类数据中学习，并通过灵活适配以利用这些所学的知识来实现特定目标和任务的能力的系统。
人工智能领域借鉴了计算机科学、信息工程、数学、心理学、语言学、哲学和许多其他领域，被划分为几个子领域，这些子领域或是基于技术考虑因素；比如特定目标（机器人、机器学习）；或是基于特定工具的使用（逻辑、神经网络），或是基于深层次的哲学差异或是社会文化等因素。传统的人工智能研究包括推理、知识表示、规划、学习、自然语言处理、感知、物体移动及操控力。
随着机器能力的不断提高，通常被认为需要“智能”的任务也在常常被从AI的定义中移除，这种现象被称为AI效应。例如，光学字符识别因为已成为一种常规技术而常常被排除在AI事物之外。通常归类为AI的现代机器有正确理解人类语言、在策略游戏系统（如国际象棋和围棋）中以最高水平竞争，自动驾驶汽车，内容传送网络中的智能路由以及军事模拟等能力。
知识表示和知识工程是经典AI研究的核心。一些“专家系统”试图将某些领域的专家所拥有的明确知识汇集在一起。另外，一些项目试图将普通人已知的“常识”收集到一个包含有关世界的广泛知识的数据库中。一个全面的常识性知识库将包括对象、属性、对象分类及其之间的联系、情景、事件，状态和时间、因果关系及影响等内容。
智能主体必须能够设定并实现目标。他们需要一种方法将未来可视化以表示世界的状态，得以预测并通过行为改变未来，并能够做出使得可用选择的效用最大化的选择。在经典的计划问题中，智能体可以假定它是世界上唯一运行的系统，从而使自己可以确定其行为的后果。但是，如果代理不是唯一的参与者，则要求代理可以在不确定性下进行推理。这就要求智能体不仅要评估其环境并做出预测，而且还要评估其预测并根据其评估进行调整。
机器学习作为人工智能领域的基本概念，是指对能通过经验进行自动改的计算机算法的研究。无监督学习是指无需人工标签输入，在一串输入流中寻找模式的能力。监督学习需要给定人工标签输入，包括分类和数值回归。
使机器能够阅读和理解人类语言。一个足够强大的自然语言处理系统将能够实现自然语言的用户界面，并直接从诸如新闻专线之类的人工来源获取知识。自然语言处理的一些直接应用包括信息检索、文本挖掘、问题解答和机器翻译。当前许多方法使用单词共现频率来构造文本的句法表示。搜索的“关键词发现”策略是流行且可扩展的，但也很笨。对于“dog”的搜索查询可能只将文字单词“dog”与文档匹配，而将单词“贵宾犬”与文档丢失。“词汇相似性”策略使用诸如“意外”之类的词语出现来评估文档的情感。现代统计NLP方法可以将所有这些策略以及其他策略结合在一起，并且通常在页面或段落级别达到可接受的准确性，但是仍然缺乏对孤立句子进行良好分类所需的语义理解。除了编码语义常识知识通常遇到的困难之外，现有的语义NLP有时缩放得太差，无法在业务应用程序中使用。除语义NLP之外，“叙事”NLP的最终目标是体现对常识推理的充分理解。
机器感知是利用传感器，如摄像机（可见光谱或红外）、传声器、无线信号、雷达和触觉传感器的输入来推论世界的面貌的能力。应用包括人脸识别和目标识别。计算机视觉是指分析模糊视觉输入的能力。一个巨大的、高五十米的行人可能会产生与附近正常大小的行人完全相同的像素，因此要求AI判断不同解释相应的可能性和合理性。
人工智能在机器人技术中被大量应用。现代工厂中广泛应用高级机械臂及其他机器人，它们能从经验中学习如何更有效的移动以避免摩擦力和齿轮转动。现代智能手机在给定的狭小、稳定的可见环境中，可以轻松断定自己的位置并绘制出所处环境的地图。但是在如（内窥镜）患者呼吸器官内等动态环境中面临更大的挑战。运动规划是将动作任务分解为“原始动作”（如独立关节动作）的过程。这种运动通常涉及顺应性运动，在该过程中，运动需要保持与物体的物理接触。
联系客服
