人工智能(ArtificialIntelligence),英文缩写为AI，也称机器智能。“人工智能”一词最初是在1956年的Dartmouth学会上提出的。它是计算机科学、控制论、信息论、神经生理学、心理学、语言学等多种学科互相渗透而发展起来的一门综合性学科。从计算机应用系统的角度出发，人工智能是研究如何制造智能机器或智能系统来模拟人类智能活动的能
力，以延伸人们智能的科学。
目前，人工智能技术在美国、欧洲和日本依然飞速发展。在AI技术领域十分活跃的IBM公司，已经为加州劳伦斯·利佛摩尔国家实验室制造了ASCIWhite电脑，号称具有人脑的千分之一的智力能力。而正在开发的更为强大的新超级电脑———“蓝色牛仔”（BlueJean），据其研究主任保罗·霍恩称，“蓝色牛仔”的智力水平将大致与人脑相当。
随着AI技术的发展，现代几乎各种技术的发展都涉及到了人工智能技术，可以说人工智能已经广泛应用到许多领域，其典型的应用包括：符号计算、模式识别，机器翻译、机器学习、问题求解、逻辑推理与定理证明、自然语言处理、分布式人工智能、计算机视觉、智能信息检索技术、专家系统等。
人工智能(AI)学科自1956年诞生至今已走过50多个年头,就研究解释和模拟人类智能、智能行为及其规律这一总目标来说,已经迈出了可喜的一步,某些领域已取得了相当的进展。但从整个发展的过程来看,人工智能发展曲折,而且还面临不少难题，主要有以下几个方面：
计算机博弈的困难。博弈是自然界的一种普遍现象，它表现在对自然界事物的对策或智力竞争上。博弈不仅存在于下棋之中,而且存在于政治、经济、军事和生物的斗智和竞争之中。尽管西洋跳棋和国际象棋的计算机程序已经达到了相当高的水平,然而计算机博弈依然面临着巨大的困难。这主要表现在以下两个方面的问题：其一是组合爆炸问题,状态空间法是人工智能中基本的形式化方法。若用博弈树来表示状态空间,对于几种常见的棋类,其状态空间都大得惊人,例如,西洋跳棋为10的40次方,国际象棋为10的120次方,围棋则是10的700次方。如此巨大的状态空间,现有计算机是很难忍受的。其二是现在的博弈程序往往是针对二人对弈、棋局公开、有确定走步的一类棋类进行研制的。而对于多人对弈、
随机性的博弈这类问题,至少目前计算机还是难以模拟实现的。
机器翻译所面临的问题。在计算机诞生的初期,有人提出了用计算机实现自动翻译的设想。目前机器翻译所面临的问题仍然是1964年语言学家黑列尔所说的构成句子的单词和歧义性问题。歧义性问题一直是自然语言理解(NLU)中的一大难关。同样一个句子在不同的场合使用,其含义的差异是司空见惯的。因此,要消除歧义性就要对原文的每一个句子及其上下文进行分析理解,寻找导致歧义的词和词组在上下文中的准确意义。然而,计算机却往往孤立地将句子作为理解单位。另外,即使对原文有了一定的理解,理解的意义如何有效地在计算机里表示出来也存在问题。目前的NLU系统几乎不能随着时间的增长而增强理解力,系统的理解大都局限于表层上,没有深层的推敲,没有学习,没有记忆,更没有归纳。导致这种结果的原因是计算机本身结构和研究方法的问题。现在NLU的研究方法很不成熟,大多数研究局限在语言这一单独的领域,而没有对人们是如何理解语言这个问题做深入有效的探讨。
自动定理证明和GPS的局限。自动定理证明的代表性工作是1965年鲁宾逊提出的归结原理。归结原理虽然简单易行,但它所采用的方法是演绎,而这种形式上的演绎与人类自然演绎推理方法是截然不同的。基于归结原理演绎推理要求把逻辑公式转化为子句集合,从而丧失了其固有的逻辑蕴含语义。前面曾提到过的GPS是企图实现一种不依赖于领域知识求解人工智能问题的通用方法。GPS想摆脱对问题内部表达形式的依赖,但是问题的内部表达形式的合理性是与领域知识密切相关的。不管是用一阶谓词逻辑进行定理证明的归结原理,还是求解人工智能问题的通用方法GPS,都可以从中分析出表达能力的局限性,而这种局限性使得它们缩小了其自身的应用范围。
模式识别的困惑。虽然使用计算机进行模式识别的研究与开发已取得大量成果,有的已成为产品投入实际应用,但是它的理论和方法与人的感官识别机制是全然不同的。人的识别手段、形象思维能力,是任何最先进的计算机识别系统望尘莫及的,另一方面,在现实世界中,生活并不是一项结构严密的任务，一般家畜都能轻而易举地对付,但机器不会,这并不是说它们永远不会,而是说目前不会。
人工智能的发展趋势。技术的发展总是超乎人们的想象，要准确地预测人工智能的未来是不可能的。但是，从目前的一些前瞻性研究可以看出，未来人工智能可能会向以下几个方面发展:模糊处理、并行化、神经网络和机器情感。
人工智能的发展潜力巨大。人工智能作为一个整体的研究才刚刚开始,离我们的目标还很遥远，但人工智能在某些方面将会有大的突破。
(1)自动推理是人工智能最经典的研究分支,其基本理论是人工智能其它分支的共同基础。一直以来自动推理都是人工智能研究的最热门内容之一,其中知识系统的动态演化特征及可行性推理的研究是最新的热点,很有可能取得大的突破。
(2)机器学习的研究取得长足的发展。许多新的学习方法相继问世并获得了成功的应用,如增强学习算法、reinforcementlearNIng等。也应看到,现有的方法处理在线学习方面尚不够有效,寻求一种新的方法,以解决移动机器人、自主agent、智能信息存取等研究中的在线学习问题是研究人员共同关心的问题,相信不久会在这些方面取得突破。
(3)自然语言处理是AI技术应用于实际领域的典型范例,经过AI研究人员的艰苦努力,这一领域已获得了大量令人瞩目的理论与应用成果。许多产品已经进入了众多领域。智能信息检索技术在Internet技术的影响下,近年来迅猛发展,已经成为了AI的一个独立研究分支。由于信息获取与精化技术已成为当代计算机科学与技术研究中迫切需要研究的课题,将AI技术应用于这一领域的研究是人工智能走向应用的契机与突破口。从近年的人工智能发展来看,这方面的研究已取得了可喜的进展。
人工智能在发展的同时也应该考虑一下，它带来的反作用，以便更好地去利用人工智能为人类服务。
