人工智慧(AI（人工智慧（Artificial Intelligence））):定

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智慧型的理論、方法、技術及套用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智慧型的實質，並生產出一種新的能以人類智慧型相似的方式做出反應的智慧型機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，套用領域也不斷擴大，可以構想，未來人工智慧帶來的科技產品，將會是人類智慧的“容器”。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智慧型，但能像人那樣思考、也可能超過人的智慧型。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智慧型才能完成的複雜工作。但不同的時代、不同的人對這種“複雜工作”的理解是不同的。2017年12月，人工智慧入選“2017年度中國媒體十大流行語”。

基本介紹

中文名：人工智慧
外文名：ARTIFICIAL INTELLIGENCE
簡稱：AI
提出時間：1956年
提出地點：DARTMOUTH學會
名稱來源：雨果·德·加里斯的著作

定義詳解,研究價值,發展階段,科學介紹,技術研究,研究方法,智慧型模擬,學科範疇,涉及學科,研究範疇,安全問題,實現方法,專業機構,美國,中國,主要成果,人機對弈,模式識別,自動工程,知識工程,相關著作,發展簡史,計算機時代,競賽,大量程式,日常生活,強弱對比,政策措施,研究課題,解決問題,知識表示法,規劃,學習,自然語言處理,運動和控制,知覺,社交,創造力,多元智慧型,人工智慧影響,套用領域,流行語,

定義詳解

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

關於什麼是“智慧型”，就問題多多了。這涉及到其它諸如意識（CONSCIOUSNESS）、自我（SELF）、思維（MIND）（包括無意識的思維（UNCONSCIOUS_MIND））等等問題。人唯一了解的智慧型是人本身的智慧型，這是普遍認同的觀點。但是我們對我們自身智慧型的理解都非常有限，對構成人的智慧型的必要元素也了解有限，所以就很難定義什麼是“人工”製造的“智慧型”了。因此人工智慧的研究往往涉及對人的智慧型本身的研究。其它關於動物或其它人造系統的智慧型也普遍被認為是人工智慧相關的研究課題。

人工智慧在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，仿真系統中得到套用。

尼爾遜教授對人工智慧下了這樣一個定義：“人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。”而另一個美國麻省理工學院的溫斯頓教授認為：“人工智慧就是研究如何使計算機去做過去只有人才能做的智慧型工作。”這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智慧型活動的規律，構造具有一定智慧型的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何套用計算機的軟硬體來模擬人類某些智慧型行為的基本理論、方法和技術。

人工智慧是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀三大尖端技術（基因工程、納米科學、人工智慧）之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛套用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。

人工智慧是研究使計算機來模擬人的某些思維過程和智慧型行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智慧型的原理、製造類似於人腦智慧型的計算機，使計算機能實現更高層次的套用。人工智慧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，其範圍已遠遠超出了計算機科學的範疇，人工智慧與思維科學的關係是實踐和理論的關係，人工智慧是處於思維科學的技術套用層次，是它的一個套用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，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，人工智慧學科也必須借用數學工具，數學不僅在標準邏輯、模糊數學等範圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。

研究價值

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“需要人類智慧型才能完成的複雜任務”，可見複雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智慧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”、“資訊理論”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並積累新的經驗，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“不依賴於量變的質變”，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，這裡的“實踐”並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。

這是智慧型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式性質的新方法。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，計算機不僅精於算，還會因精於算而精於創造。計算機學家們應該斬釘截鐵地剝奪“精於創造”的計算機過於全面的操作能力，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。

發展階段

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慧型的一系列有關問題，並首次提出了“人工智慧”這一術語，它標誌著“人工智慧”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西洋棋冠軍更是人工智慧技術的一個完美表現。

從1956年正式提出人工智慧學科算起，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，人工智慧的目的就是讓計算機這台機器能夠像人一樣思考。如果希望做出一台能夠思考的機器，那就必須知道什麼是思考，更進一步講就是什麼是智慧。什麼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裡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。

當計算機出現後，人類開始真正有了一個可以模擬人類思維的工具，在以後的歲月中，無數科學家為這個目標努力著。如今人工智慧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公司研製的深藍（DEEP BLUE）計算機戰勝了西洋棋大師卡斯帕洛夫（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於人類的工作，計算機以它的高速和準確為人類發揮著它的作用。人工智慧始終是計算機科學的前沿學科，計算機程式語言和其它計算機軟體都因為有了人工智慧的進展而得以存在。

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，已將與人工智慧密切相關的立法項目列入立法規劃。

科學介紹

實際套用

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，智慧型搜尋，定理證明，博弈，自動程式設計，智慧型控制，機器人學，語言和圖像理解，遺傳編程等。

學科範疇

人工智慧是一門邊緣學科，屬於自然科學和社會科學的交叉。

涉及學科

哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論

研究範疇

自然語言處理，知識表現，智慧型搜尋，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程式設計軟計算，不精確和不確定的管理，人工生命，神經網路，複雜系統，遺傳算法

意識和人工智慧

人工智慧就其本質而言，是對人的思維的信息過程的模擬。

對於人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，製造出“類人腦”的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。

弱人工智慧如今不斷地迅猛發展，尤其是2008年經濟危機後，美日歐希望藉機器人等實現再工業化，工業機器人以比以往任何時候更快的速度發展，更加帶動了弱人工智慧和相關領域產業的不斷突破，很多必須用人來做的工作如今已經能用機器人實現。

而強人工智慧則暫時處於瓶頸，還需要科學家們和人類的努力。

技術研究

用來研究人工智慧的主要物質基礎以及能夠實現人工智慧技術平台的機器就是計算機，人工智慧的發展歷史是和計算機科學技術的發展史聯繫在一起的。除了計算機科學以外，人工智慧還涉及資訊理論、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。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜尋方法、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、智慧型機器人、自動程式設計等方面。

研究方法

如今沒有統一的原理或範式指導人工智慧研究。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慧?或者像鳥類生物學對於航空工程一樣，人類生物學對於人工智慧研究是沒有關係的？智慧型行為能否用簡單的原則（如邏輯或最佳化）來描述？還是必須解決大量完全無關的問題？

智慧型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(出色的老式人工智慧)的概念，也提議人工智慧應歸類為SYNTHETIC INTELLIGENCE，[29]這個概念後來被某些非GOFAI研究者採納。

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繫。其中還造出一些使用電子網路構造的初步智慧型，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，儘管在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，數字計算機研製成功，研究者開始探索人類智慧型是否能簡化成符號處理。研究主要集中在卡內基梅隆大學，史丹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(出色的老式人工智慧)。[33] 60年代，符號方法在小型證明程式上模擬高級思考有很大的成就。基於控制論或神經網路的方法則置於次要。[34] 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慧的機器，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，同時他們為人工智慧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式。這方法一直在卡內基梅隆大學沿襲下來，並在80年代於SOAR發展到高峰。基於邏輯不像艾倫·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。他在史丹福大學的實驗室致力於使用形式化邏輯解決多種問題，包括知識表示，智慧型規劃和機器學習. 致力於邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發程式語言PROLOG和邏輯編程科學.“反邏輯”史丹福大學的研究者 (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）能夠達到所有的智慧型行為。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複雜的概念。基於知識大約在1970年出現大容量記憶體計算機，研究者分別以三個方法開始把知識構造成套用軟體。這場“知識革命”促成專家系統的開發與計畫，這是第一個成功的人工智慧軟體形式。“知識革命”同時讓人們意識到許多簡單的人工智慧軟體可能需要大量的知識。

子符號法

80年代符號人工智慧停滯不前，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慧問題。

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，否定符號人工智慧而專注於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慧中使用控制理論。這與認知科學領域中的表征感知論點是一致的:更高的智慧型需要個體的表征(如移動，感知和形象)。計算智慧型80年代中DAVID RUMELHART 等再次提出神經網路和聯結主義. 這和其他的子符號方法，如模糊控制和進化計算，都屬於計算智慧型學科研究範疇。

統計學法

90年代，人工智慧研究發展出複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，同時也是人工智慧成功的原因。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指出這些進步不亞於“革命”和“NEATS的成功”。有人批評這些技術太專注於特定的問題，而沒有考慮長遠的強人工智慧目標。

集成方法

智慧型AGENT範式智慧型AGENT是一個會感知環境並作出行動以達致目標的系統。最簡單的智慧型AGENT是那些可以解決特定問題的程式。更複雜的AGENT包括人類和人類組織（如公司）。這些範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路或其他新的方法。範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年代智慧型AGENT範式被廣泛接受。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系統中智慧型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慧型系統，而對這種系統的研究則是人工智慧系統集成。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提供橋樑，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畫。

智慧型模擬

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，智慧型搜尋，定理證明，邏輯推理，博弈，信息感應與辨證處理。

學科範疇

人工智慧是一門邊沿學科，屬於自然科學、社會科學、技術科學三向交叉學科。

涉及學科

哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，社會結構學與科學發展觀。

研究範疇

語言的學習與處理，知識表現，智慧型搜尋，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程式設計，軟計算，不精確和不確定的管理，人工生命，神經網路，複雜系統，遺傳算法人類思維方式，最關鍵的難題還是機器的自主創造性思維能力的塑造與提升。

安全問題

人工智慧還在研究中，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。

實現方法

人工智慧在計算機上實現時有2種不同的方式。一種是採用傳統的編程技術，使系統呈現智慧型的效果，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）和人工神經網路（ARTIFICIAL NEURAL NETWORK，簡稱ANN）均屬後一類型。遺傳算法模擬人類或生物的遺傳-進化機制，人工神經網路則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智慧型效果，兩種方式通常都可使用。採用前一種方法，需要人工詳細規定程式邏輯，如果遊戲簡單，還是方便的。如果遊戲複雜，角色數量和活動空間增加，相應的邏輯就會很複雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程式，重新編譯、調試，最後為用戶提供一個新的版本或提供一個新補丁，非常麻煩。採用後一種方法時，編程者要為每一角色設計一個智慧型系統（一個模組）來進行控制，這個智慧型系統（模組）開始什麼也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種複雜情況。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慧，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，就可得到廣泛套用。由於這種方法編程時無須對角色的活動規律做詳細規定，套用於複雜問題，通常會比前一種方法更省力。

專業機構

美國

⒈ MASSACHUSETTS INSTITUTE OF TECHNOLOGY麻省理工學院

⒉ STANFORD UNIVERSITY史丹福大學(CA)

⒊ CARNEGIE MELLON UNIVERSITY卡內基美隆大學(PA)

⒋ UNIVERSITY OF CALIFORNIA-BERKELEY加州大學伯克利分校

⒌ UNIVERSITY OF WASHINGTON華盛頓大學

⒍ UNIVERSITY OF TEXAS-AUSTIN德克薩斯大學奧斯汀分校

⒎ UNIVERSITY OF PENNSYLVANIA賓夕法尼亞大學

⒏ UNIVERSITY OF ILLINOIS-URBANA-CHAMPAIGN 伊利諾伊大學厄本那—香檳分校

⒐ UNIVERSITY OF MARYLAND-COLLEGE PARK馬里蘭大學帕克分校

⒑ CORNELL UNIVERSITY 康奈爾大學 (NY)

⒒ UNIVERSITY OF MASSACHUSETTS-AMHERST麻薩諸塞大學AMHERST校區

⒓ GEORGIA INSTITUTE OF TECHNOLOGY喬治亞理工學院

UNIVERSITY OF MICHIGAN-ANN ARBOR 密西根大學-安娜堡分校

⒕ UNIVERSITY OF SOUTHERN CALIFORNIA南加州大學

⒖ COLUMBIA UNIVERSITY哥倫比亞大學(NY)

UNIVERSITY OF CALIFORNIA-LOS ANGELES加州大學洛杉磯分校

⒘ BROWN UNIVERSITY布朗大學(RI)

⒙ YALE UNIVERSITY耶魯大學(CT)

⒚ UNIVERSITY OF CALIFORNIA-SAN DIEGO加利福尼亞大學聖地亞哥分校

⒛ UNIVERSITY OF WISCONSIN-MADISON威斯康星大學麥迪遜分校

中國

1、中國科學院自動化研究所

2、清華大學

3、北京大學

7、吉林大學

10、北京理工大學

11、廈門大學人工智慧研究所

12、西安交通大學智慧型車研究所

13、中南大學智慧型系統與智慧型軟體研究所

14、西安電子科技大學智慧型所

15、華中科技大學圖像與人工智慧研究所

16、重慶郵電大學

17、武漢工程大學

主要成果

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輸於改進後的“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

採用 $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（玩游智慧型版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慧和軟體技術，設計、構造和維護知識系統

專家系統

智慧型搜尋引擎

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

發展簡史

人工智慧的傳說可以追溯到古埃及，但隨著1941年以來電子計算機的發展，技術已最終可以創造出機器智慧型，“人工智慧”（ARTIFICIAL INTELLIGENCE）一詞最初是在1956年DARTMOUTH學會上提出的，從那以後，研究者們發展了眾多理論和原理，人工智慧的概念也隨之擴展，在它還不長的歷史中，人工智慧的發展比預想的要慢，但一直在前進，從40年前出現至今，已經出現了許多AI程式，並且它們也影響到了其它技術的發展。

計算機時代

1941年的一項發明使信息存儲和處理的各個方面都發生了革命.這項同時在美國和德國出現的發明就是電子計算機.第一台計算機要占用幾間裝空調的大房間，對程式設計師來說是場噩夢：僅僅為運行一個程式就要設定成千的線路.1949年改進後的能存儲程式的計算機使得輸入程式變得簡單些，而且計算機理論的發展產生了計算機科學，並最終促使了人工智慧的出現.計算機這個用電子方式處理數據的發明，為人工智慧的可能實現提供了一種媒介.

雖然計算機為AI提供了必要的技術基礎，但直到50年代早期人們才注意到人類智慧型與機器之間的聯繫. NORBERT WIENER是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調溫器.它將收集到的房間溫度與希望的溫度比較，並做出反應將加熱器開大或關小，從而控制環境溫度.這項對反饋迴路的研究重要性在於：WIENER從理論上指出，所有的智慧型活動都是反饋機制的結果.而反饋機制是有可能用機器模擬的.這項發現對早期AI的發展影響很大.

1955年末，NEWELL和SIMON做了一個名為"邏輯專家"(LOGIC THEORIST）的程式.這個程式被許多人認為是第一個AI程式.它將每個問題都表示成一個樹形模型，然後選擇最可能得到正確結論的那一枝來求解問題."邏輯專家"對公眾和AI研究領域產生的影響使它成為AI發展中一個重要的里程碑.1956年，被認為是人工智慧之父的JOHN MCCARTHY組織了一次學會，將許多對機器智慧型感興趣的專家學者聚集在一起進行了一個月的討論.他請他們到 VERMONT參加 " DARTMOUTH人工智慧夏季研究會".從那時起，這個領域被命名為 "人工智慧".雖然 DARTMOUTH學會不是非常成功，但它確實集中了AI的創立者們，並為以後的AI研究奠定了基礎.

DARTMOUTH會議後的7年中，AI研究開始快速發展.雖然這個領域還沒明確定義，會議中的一些思想已被重新考慮和使用了. CARNEGIE MELLON大學和MIT開始組建AI研究中心.研究面臨新的挑戰：下一步需要建立能夠更有效解決問題的系統，例如在"邏輯專家"中減少搜尋；還有就是建立可以自我學習的系統.

1957年一個新程式，"通用解題機"(GPS）的第一個版本進行了測試.這個程式是由製作"邏輯專家" 的同一個組開發的.GPS擴展了WIENER的反饋原理，可以解決很多常識問題.兩年以後，IBM成立了一個AI研究組.HERBERT GELERNETER花3年時間製作了一個解幾何定理的程式.

當越來越多的程式湧現時，MCCARTHY正忙於一個AI史上的突破.1958年MCCARTHY宣布了他的新成果：LISP語言. LISP到今天還在用."LISP"的意思是"表處理"(LIST PROCESSING），它很快就為大多數AI開發者採納.

1963年MIT從美國政府得到一筆220萬美元的資助，用於研究機器輔助識別.這筆資助來自國防部高級研究計畫署（ARPA），已保證美國在技術進步上領先於蘇聯.這個計畫吸引了來自全世界的計算機科學家，加快了AI研究的發展步伐.

競賽

LOEBNER（人工智慧類）

以人類的智慧創造出堪與人類大腦相平行的機器腦（人工智慧），對人類來說是一個極具誘惑的領域，人類為了實現這一夢想也已經奮鬥了很多個年頭了。而從一個語言研究者的角度來看，要讓機器與人之間自由交流那是相當困難的，甚至可以說可能會是一個永無答案的問題。人類的語言，人類的智慧型是如此的複雜，以至於我們的研究還並未觸及其導向本質的外延部分的邊沿。

大量程式

以後幾年出現了大量程式.其中一個叫"SHRDLU"."SHRDLU"是"微型世界"項目的一部分，包括在微型世界（例如只有有限數量的幾何形體）中的研究與編程.在MIT由MARVIN MINSKY領導的研究人員發現，面對小規模的對象，電腦程式可以解決空間和邏輯問題.其它如在60年代末出現的"STUDENT"可以解決代數問題，"SIR"可以理解簡單的英語句子.這些程式的結果對處理語言理解和邏輯有所幫助.

70年代另一個進展是專家系統.專家系統可以預測在一定條件下某種解的機率.由於當時計算機已有巨大容量，專家系統有可能從數據中得出規律.專家系統的市場套用很廣.十年間，專家系統被用於股市預測，幫助醫生診斷疾病，以及指示礦工確定礦藏位置等.這一切都因為專家系統存儲規律和信息的能力而成為可能.

70年代許多新方法被用於AI開發，如MINSKY的構造理論.另外DAVID MARR提出了機器視覺方面的新理論，例如，如何通過一副圖像的陰影，形狀，顏色，邊界和紋理等基本信息辨別圖像.通過分析這些信息，可以推斷出圖像可能是什麼.同時期另一項成果是PROLOGE語言，於1972年提出. 80年代期間，AI前進更為迅速，並更多地進入商業領域.1986年，美國AI相關軟硬體銷售高達4.25億美元.專家系統因其效用尤受需求.象數字電氣公司這樣的公司用XCON專家系統為VAX大型機編程.杜邦，通用汽車公司和波音公司也大量依賴專家系統.為滿足計算機專家的需要，一些生產專家系統輔助製作軟體的公司，如TEKNOWLEDGE和INTELLICORP成立了。為了查找和改正現有專家系統中的錯誤，又有另外一些專家系統被設計出來.

日常生活

人們開始感受到計算機和人工智慧技術的影響.計算機技術不再只屬於實驗室中的一小群研究人員. 個人電腦和眾多技術雜誌使計算機技術展現在人們面前.有了像美國人工智慧協會這樣的基金會.因為AI開發的需要，還出現了一陣研究人員進入私人公司的熱潮。150多所像DEC（它雇了700多員工從事AI研究）這樣的公司共花了10億美元在內部的AI開發組上.

其它AI領域也在80年代進入市場.其中一項就是機器視覺. MINSKY和MARR的成果如今用到了生產線上的相機和計算機中，進行質量控制.儘管還很簡陋，這些系統已能夠通過黑白區別分辨出物件形狀的不同.到1985年美國有一百多個公司生產機器視覺系統，銷售額共達8千萬美元.

但80年代對AI工業來說也不全是好年景.86-87年對AI系統的需求下降，業界損失了近5億美元.象 TEKNOWLEDGE和INTELLICORP兩家共損失超過6百萬美元，大約占利潤的三分之一巨大的損失迫使許多研究領導者削減經費.另一個令人失望的是國防部高級研究計畫署支持的所謂"智慧卡車".這個項目目的是研製一種能完成許多戰地任務的機器人。由於項目缺陷和成功無望，PENTAGON停止了項目的經費.

儘管經歷了這些受挫的事件，AI仍在慢慢恢復發展.新的技術在日本被開發出來，如在美國首創的模糊邏輯，它可以從不確定的條件作出決策；還有神經網路，被視為實現人工智慧的可能途徑.總之，80年代AI被引入了市場，並顯示出實用價值.可以確信，它將是通向21世紀之匙. 人工智慧技術接受檢驗在"沙漠風暴"行動中軍方的智慧型設備經受了戰爭的檢驗.人工智慧技術被用於飛彈系統和預警顯示以及其它先進武器.AI技術也進入了家庭.智慧型電腦的增加吸引了公眾興趣；一些面向蘋果機和IBM兼容機的套用軟體例如語音和文字識別已可買到；使用模糊邏輯，AI技術簡化了攝像設備.對人工智慧相關技術更大的需求促使新的進步不斷出現.人工智慧已經並且將繼續不可避免地改變我們的生活。

強弱對比

人工智慧的一個比較流行的定義，也是該領域較早的定義，是由約翰·麥卡錫（JOHN MCCARTHY）在1956年的達特矛斯會議（DARTMOUTH CONFERENCE）上提出的：人工智慧就是要讓機器的行為看起來就象是人所表現出的智慧型行為一樣。但是這個定義似乎忽略了強人工智慧的可能性（見下）。另一個定義指人工智慧是人造機器所表現出來的智慧型性。總體來講，對人工智慧的定義大多可劃分為四類，即機器“像人一樣思考”、“像人一樣行動”、“理性地思考”和“理性地行動”。這裡“行動”應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。

強人工智慧(BOTTOM-UP AI)

強人工智慧觀點認為有可能製造出真正能推理（REASONING）和解決問題（PROBLEM_SOLVING）的智慧型機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：

類人的人工智慧，即機器的思考和推理就像人的思維一樣。

非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

弱人工智慧(TOP-DOWN AI)

弱人工智慧觀點認為不可能製造出能真正地推理（REASONING）和解決問題（PROBLEM_SOLVING）的智慧型機器，這些機器只不過看起來像是智慧型的，但是並不真正擁有智慧型，也不會有自主意識。

主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。強人工智慧的研究則處於停滯不前的狀態下。

對強人工智慧的哲學爭論

“強人工智慧”一詞最初是約翰·羅傑斯·希爾勒針對計算機和其它信息處理機器創造的，其定義為：

“強人工智慧觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程式，計算機本身就是有思維的。”（J SEARLE IN MINDS BRAINS AND PROGRAMS. THE BEHAVIORAL AND BRAIN SCIENCES,VOL. 3,1980）這是指使計算機從事智慧型的活動。在這裡智慧型的涵義是多義的、不確定的，像下面所提到的就是其中的例子。利用計算機解決問題時，必須知道明確的程式。可是，人即使在不清楚程式時，根據發現（HEU- RISTIC）法而設法巧妙的解決了問題的情況是不少的。如識別書寫的文字、圖形、聲音等，所謂認識模型就是一例。再有，能力因學習而得到的提高和歸納推理、依據類推而進行的推理等，也是其例。此外，解決的程式雖然是清楚的，但是實行起來需要很長時間，對於這樣的問題，人能在很短的時間內找出相當好的解決方法，如競技的比賽等就是其例。還有，計算機在沒有給予充分的合乎邏輯的正確信息時，就不能理解它的意義，而人在僅是被給予不充分、不正確的信息的情況下，根據適當的補充信息，也能抓住它的意義。自然語言就是例子。用計算機處理自然語言，稱為自然語言處理。

關於強人工智慧的爭論不同於更廣義的一元論和二元論（DUALISM）的爭論。其爭論要點是：如果一台機器的唯一工作原理就是對編碼數據進行轉換，那么這台機器是不是有思維的？希爾勒認為這是不可能的。他舉了箇中文房間的例子來說明，如果機器僅僅是對數據進行轉換，而數據本身是對某些事情的一種編碼表現，那么在不理解這一編碼和這實際事情之間的對應關係的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。

也有哲學家持不同的觀點。DANIEL C. DENNETT 在其著作 CONSCIOUSNESS EXPLAINED 里認為，人也不過是一台有靈魂的機器而已，為什麼我們認為人可以有智慧型而普通機器就不能呢？他認為像上述的數據轉換機器是有可能有思維和意識的。

有的哲學家認為如果弱人工智慧是可實現的，那么強人工智慧也是可實現的。比如SIMON BLACKBURN在其哲學入門教材 THINK 里說道，一個人的看起來是“智慧型”的行動並不能真正說明這個人就真的是智慧型的。我永遠不可能知道另一個人是否真的像我一樣是智慧型的，還是說她/他僅僅是看起來是智慧型的。基於這個論點，既然弱人工智慧認為可以令機器看起來像是智慧型的，那就不能完全否定這機器是真的有智慧型的。BLACKBURN 認為這是一個主觀認定的問題。

需要要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在百多年前是被認為很需要智慧型的。

政策措施

2019年6月17日，國家新一代人工智慧治理專業委員會發布《新一代人工智慧治理原則——發展負責任的人工智慧》，提出了人工智慧治理的框架和行動指南。這是中國促進新一代人工智慧健康發展，加強人工智慧法律、倫理、社會問題研究，積極推動人工智慧全球治理的一項重要成果。

研究課題

人工智慧的研究方向已經被分成幾個子領域，研究人員希望一個人工智慧系統應該具有某些特定能力，以下將這些能力列出並說明。

解決問題

早期的人工智慧研究人員直接模仿人類進行逐步的推理，就像是玩棋盤遊戲或進行邏輯推理時人類的思考模式。到了1980和1990年代，利用機率和經濟學上的概念，人工智慧研究還發展了非常成功的方法處理不確定或不完整的資訊。

對於困難的問題，有可能需要大量的運算資源，也就是發生了“可能組合爆增”：當問題超過一定的規模時，電腦會需要天文數量級的存儲器或是運算時間。尋找更有效的算法是優先的人工智慧研究項目。

人類解決問題的模式通常是用最快捷，直觀的判斷，而不是有意識的，一步一步的推導，早期人工智慧研究通常使用逐步推導的方式。人工智慧研究已經於這種“次表征性的”解決問題方法取得進展：實體化AGENT研究強調感知運動的重要性。神經網路研究試圖以模擬人類和動物的大腦結構重現這種技能。

知識表示法

AN ONTOLOGY REPRESENTS KNOWLEDGE AS A SET OF CONCEPTS WITHIN A DOMAIN AND THE RELATIONSHIPS BETWEEN THOSE CONCEPTS.

主條目：知識表示和常識知識庫

規劃

智慧型AGENT必須能夠制定目標和實現這些目標。他們需要一種方法來建立一個可預測的世界模型(將整個世界狀態用數學模型表現出來，並能預測它們的行為將如何改變這個世界)，這樣就可以選擇功效最大的行為。在傳統的規劃問題中，智慧型AGENT被假定它是世界中唯一具有影響力的，所以它要做出什麼行為是已經確定的。但是，如果事實並非如此，它必須定期檢查世界模型的狀態是否和自己的預測相符合。如果不符合，它必須改變它的計畫。因此智慧型代理必須具有在不確定結果的狀態下推理的能力。在多AGENT中，多個AGENT規劃以合作和競爭的方式去完成一定的目標，使用演化算法和群體智慧可以達成一個整體的突現行為目標。

學習

主條目：機器學習

機械學習的主要目的是為了從使用者和輸入數據等處獲得知識，從而可以幫助解決更多問題，減少錯誤，提高解決問題的效率。對於人工智慧來說，機械學習從一開始就很重要。1956年，在最初的達特茅斯夏季會議上，雷蒙德索洛莫諾夫寫了一篇關於不監視的機率性機械學習：一個歸納推理的機械。

機器感知是指能夠使用感測器所輸入的資料(如照相機，麥克風，聲納以及其他的特殊感測器)然後推斷世界的狀態。計算機視覺能夠分析影像輸入。另外還有語音識別、人臉辨識和物體辨識。

社交

主條目：情感計算

KISMET, 一個具有表情等社交能力的機器人

情感和社交技能對於一個智慧型AGENT是很重要的。首先，通過了解他們的動機和情感狀態，代理人能夠預測別人的行動(這涉及要素博弈論、決策理論以及能夠塑造人的情感和情緒感知能力檢測)。此外，為了良好的人機互動，智慧代理人也需要表現出情緒來。至少它必須出現禮貌地和人類打交道。至少，它本身應該有正常的情緒。

創造力

主條目：計算機創造力

一個人工智慧的子領域，代表了理論(從哲學和心理學的角度)和實際(通過特定的實現產生的系統的輸出是可以考慮的創意，或系統識別和評估創造力)所定義的創造力。相關領域研究的包括了人工直覺和人工想像。

多元智慧型

大多數研究人員希望他們的研究最終將被納入一個具有多元智慧型(稱為強人工智慧)，結合以上所有的技能並且超越大部分人類的能力。有些人認為要達成以上目標，可能需要擬人化的特性，如人工意識或人工大腦。上述許多問題被認為是人工智慧完整性：為了解決其中一個問題，你必須解決全部的問題。即使一個簡單和特定的任務，如機器翻譯，要求機器按照作者的論點(推理)，知道什麼是被人談論(知識)，忠實地再現作者的意圖(情感計算)。因此，機器翻譯被認為是具有人工智慧完整性：它可能需要強人工智慧，就像是人類一樣。

人工智慧影響

（1）人工智慧對自然科學的影響。在需要使用數學計算機工具解決問題的學科，AI帶來的幫助不言而喻。更重要的是，AI反過來有助於人類最終認識自身智慧型的形成。

（2）人工智慧對經濟的影響。專家系統更深入各行各業，帶來巨大的巨觀效益。AI也促進了計算機工業網路工業的發展。但同時，也帶來了勞務就業問題。由於AI在科技和工程中的套用，能夠代替人類進行各種技術工作和腦力勞動，會造成社會結構的劇烈變化。

（3）人工智慧對社會的影響。AI也為人類文化生活提供了新的模式。現有的遊戲將逐步發展為更高智慧型的互動式文化娛樂手段，今天，遊戲中的人工智慧套用已經深入到各大遊戲製造商的開發中。
伴隨著人工智慧和智慧型機器人的發展，不得不討論是人工智慧本身就是超前研究，需要用未來的眼光開展現代的科研，因此很可能觸及倫理底線。作為科學研究可能涉及到的敏感問題，需要針對可能產生的衝突及早預防，而不是等到問題矛盾到了不可解決的時候才去想辦法化解。

套用領域

機器翻譯，智慧型控制，專家系統，機器人學，語言和圖像理解，遺傳編程機器人工廠，自動程式設計，航天套用，龐大的信息處理，儲存與管理，執行化合生命體無法執行的或複雜或規模龐大的任務等等。

值得一提的是，機器翻譯是人工智慧的重要分支和最先套用領域。不過就已有的機譯成就來看，機譯系統的譯文質量離終極目標仍相差甚遠；而機譯質量是機譯系統成敗的關鍵。中國數學家、語言學家周海中教授曾在論文《機器翻譯五十年》中指出：要提高機譯的質量，首先要解決的是語言本身問題而不是程式設計問題；單靠若干程式來做機譯系統，肯定是無法提高機譯質量的；另外在人類尚未明了大腦是如何進行語言的模糊識別和邏輯判斷的情況下，機譯要想達到“信、達、雅”的程度是不可能的。智慧型家居之後，人工智慧成為家電業的新風口，而長虹正成為將這一浪潮掀起的首個家電巨頭。長虹發布兩款CHiQ智慧型電視新品，主打手機遙控器、帶走看、隨時看、分類看功能

流行語

2017年12月，人工智慧入選“2017年度中國媒體十大流行語”。

入選理由：經過多年的演進，人工智慧發展進入了新階段。為搶抓人工智慧發展的重大戰略機遇，構築我國人工智慧發展的先發優勢，加快建設創新型國家和世界科技強國，2017年7月20日，國務院印發了《新一代人工智慧發展規劃》。《規劃》提出了面向2030年我國新一代人工智慧發展的指導思想、戰略目標、重點任務和保障措施，為我國人工智慧的進一步加速發展奠定了重要基礎。

人工智慧(人工智慧（Artificial Intelligence）)