所谓人工智能，是研发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用的一门新的技术科学。它是计算机科学的一个分支，企图凭借了解智能的实质来生产出一个类似于人类智能对事情做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等方面。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科研成果，将会是人类智慧的体现。人工智能可以对人的意识、思维的信息过程的模拟。人工智能指的是虽然不是人的智能，但能像人那样思考、也可能通过发展演变成超过人的智能。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为，比如学习、推理、思考、规划等方式，主要包括通过计算机实现智能的原理或者制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能涉及计算机科学、心理学、哲学和语言学等多门学科，其范围已远远超出了计算机科学的范畴，成为一门综合学科。人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象、灵感思维才能促进人工智能的突破性的发展。数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具。数学进入人工智能学科，它们将互相促进而更快地发展。数学给予人工智能学科计算方法和逻辑思维，人工智能学科给数学计算和发展提供了可靠的未来。
人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行：一是结构模拟，仿照人脑的结构机制，制造出类似人脑一样思考方式的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟思考。现代电子计算机的产生便是对人脑思维功能的模拟，是在对人脑思维的信息过程的模拟过程中产生的。人工智能的起源最早要从1955年的一个叫做学习机讨论会的小会开始，然后就是公认的1956年达特茅斯会议，这是人工智能史上最重要的里程碑，被公认为人工智能之开始。达特茅斯会议中的讨论预示了人工智能随后几十年关于“结构与功能”两个阶级，两条路线的斗争。他们讨论着一个主题：用机器来模仿人类学习以及其他方面的智能。他们公布了的“逻辑理论家”是当时唯一可以工作的人工智能软件，引起了会议代表极大的兴趣与关注。会议的召集人麦卡锡给这个活动起了个别出心裁的名字：人工智能夏季研讨会。这是人工智能一词正式在学术会议中亮相，而1956年也就成为了人工智能元年。虽然之后一段时间内对人工智能并没有大规模投入资金和大量科研人员，但是毋庸置疑的打开了新发展的大门，为后来的道路提供了方向和目标。
数学哲学有三大派：逻辑主义、形式主义以及直觉主义。自动定理证明起源于逻辑，初衷就是把逻辑演算自动化。而人工智能中的符号派的思想源头和理论基础就是定理证明，不懂定理证明就没法深入了解符号派。虽然归结的简单性引起了人们的重视，但它也有组合问题，在人类面对如何驾驭归结没有拥有理论和经验的共识之前，整个邻域已经改朝换代，至于问题是否解决，已经无人关心。定理的证明过程，都是一个归纳的过程，无论是逻辑派还是形式派。自动定理证明研究这个数学过程的全自动化。但毕竟是作为人的辅助工具，有时候证明过程是人机互动的，尽管整个过程可能是机器主导的，但是人也可以在证明过程中给予干预。不过有的机器证明的定理本身并不长，而有的则太长，人根本看不过来。对于全自动的定理证明，验证过程更加容易机械化，而计算机辅助证明可能各种各样，很难有一个统一的过程。自动定理证明依靠的工具是计算机，而正是计算模糊了理性判断和经验的边界。我们可以认为：计算是知识演化的基础，也是知识大众化的工具。人工智能尤其是定理证明，都是开始把大部分的简单问题解决了，之后就一直很难，进展缓慢，很少有新的发展和突破。深度学习领域近来的进步更多得益于硬件的发展和进步，而定理证明即使是硬件再发达也很难再到达新的高度。定理证明是极端的符号派，所有符号派的人工智能技术的基础都是定理证明。
人工神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。作文www.yuananren.com它是一种凭借大量节点相互连接构成的运算模型，每个节点都是一个特定的函数。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。尽管它在20世纪80年代的光芒被后来的互联网掩盖，但互联网所产生的大量数据也给了神经网络更大的机会，人工智能学者也逐渐成为公共知识分子。神经网咯由一层层的“神经元”构成。层数越多，学习就越深，所谓深度学习就是用很多的层数构成的神经网络达到能让机器学习的功能。网络越深，表达能力越强，但伴随而来的训练复杂程度也就越大。
“机定胜人，人定胜天”，这是对计算机在棋类中的概括。下棋一直是人类智能的挑战和表现，自然而然就成为了科学家们研发人工智能的目的和标志之一。在1951年，第一款跳棋程序在曼切斯特诞生。1956年，第二个跳棋程序诞生，它的特点是自学习，这也是最早的机器学习程序之一。而到了2007年，计算机翻过了跳棋这一页。然后到了1996年，出现了名为“深蓝”的项目，对着国际象棋发起冲锋。到了1997年5月11日，“深蓝”成为第一位战胜当时世界冠军的机器。在此之后人们更多的把机器作为教练，有利于人类棋手的进步。在此之后，计算机开始面对更具挑战的围棋。由于围棋的性质和变化多端，使其被视为计算机难以翻越的大山以及人类捍卫在棋类方面主导地位的堡垒，但是alphago的出现成为了里程碑。它使用了强化学习的方式使得机器和自己下棋对弈学习，最后打出了战胜李世石的成名之战。
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是计算机科学，人工智能，语言学关注计算机和人类以及自然语言之间的相互作用的领域，其目的在于研发出有效实现自然语言通信的计算机系统。自然语言复杂而多样，如何将这些知识较完整地加以收集和整理出来，又如何找到合适的形式，将它们存入计算机系统中去，以及如何有效地利用它们来消除歧义，都是工作量极大且十分困难的工作。这不是少数人短时期内可以完成的，还有待长期的、系统的工作来解决这些问题。从简单的翻译，到“计算语言学”概念的第一次提出，再到对句法分析、查找资料、语音记录和翻译、与人进行语言交流。
遗传算法是根据大自然中生物体进化规律而设计提出的。从生物学里找计算的模型一直是人工智能的研究算法之一。一般有两条发展线路：一是神经网络演化的深度学习；另一个是细胞自动机经过遗传算法和编程演化变成的强化学习。遗传算法有着“优胜劣汰”的含义，遗传编程数学性质更加复杂。强化学习是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题，即学习系统想最大化环境对随着人工智能的快速发展，随之而来的是与哲学的冲突。人工智能发展中的漏洞和不完善经常遇到哲学家的批判。哲学家很喜欢对人工智能说三道四，原因可能是人工智能关心的问题，例如意识、生命、思维、自由意志等概念，都是哲学家自认固有的地盘。但我们难以要求哲学家能够很了解科学家们讨论的有所体会。“人是机器吗”这是一个古老的哲学问题。但如果我们把“智能”当作人类特有的性质，那么“人是机器吗”就转变为了“机器有智能吗”。开始我们可能不会去在意这个问题，但随着人工智能的发展，我们的思维正在逐步被改变。如果是纯逻辑问题，最重要的发明图灵机可能和人没多大区别，但在非逻辑问题上两者就有了差异性，这也是理性和感性之间的矛盾。
人类的智能在不断进化，相对的人工智能在被创造出来后也在不断地进化。弱人工智能指的是在某些方面达到人的智能，目前已经不会有人质疑了。但是强人工智能作为不同智能功能的整合，面临着各种挑战。未来究竟会如何发展，会对人类造成什么影响，人类和人工智能之间的关系又会变得如何，是人类继续驾驭着高速发展并可能进化成为超智能的人工智能，还是被人工智能逐步反控？