人工智能（AI）是指在机器上实现类似乃至超越人类的感知、认知、行为等智能的系统。与人类历史上其他技术革命相比，人工智能对人类社会发展的影响可能位居前列。人类社会也正在由以计算机、通信、互联网、大数据等技术支撑的信息社会，迈向以人工智能为关键支撑的智能社会，人类生产生活以及世界发展格局将由此发生更加深刻的改变。

　　人工智能分为强人工智能和弱人工智能。强人工智能，也称通用人工智能，是指达到或超越人类水平的、能够自适应地应对外界环境挑战的、具有自我意识的人工智能。弱人工智能，也称狭义人工智能，是指人工系统实现专用或特定技能的智能，如人脸识别、机器翻译等。迄今为止大家熟悉的各种人工智能系统，都只实现了特定或专用的人类智能，属于弱人工智能系统。弱人工智能可以在单项上挑战人类，比如下围棋，人类已经不是人工智能的对手了。

　　人工智能发展的基本思想和技术路径有三种

　　人工智能研究工作肇始于20世纪40年代，但其完整概念在1956年才正式登上历史舞台，在美国达特茅斯学院举行的“人工智能夏季研讨会”上提出。这个研讨会的主题就是用机器来模仿人类学习以及其他方面的智能，推进了人工智能起起伏伏、螺旋发展的历程。

　　第一个阶段，1956—1976年，基于符号逻辑的推理证明阶段。这一阶段的主要成果是利用布尔代数作为逻辑演算的数学工具，利用演绎推理作为推理工具，发展了逻辑编程语言，实现了包括代数机器定理证明等机器推理决策系统。但在人工智能理论与方法工具尚不完备的初期阶段，以攻克认知作为目标显然不切实际，人工智能研究逐步从高潮进入低谷。

　　第二个阶段，1976—2006年，基于人工规则的专家系统阶段。这个阶段的主要进展是打开了知识工程的新研究领地，研制出专家系统工具与相关语言，开发出多种专家系统，比如故障诊断专家系统、农业专家系统、疾病诊断专家系统、邮件自动分拣系统等等。专家系统主要由知识库、推理机以及交互界面构成，其中，知识库的知识主要由各领域专家人工构建。然而，知识仅靠专家的手工表达实现，终不免挂一漏万，使得专家系统无法与人类专家与时俱进的学习能力相匹配，人工智能研究第二次进入瓶颈期。

　　第三个阶段，2006年至今，大数据驱动的深度神经网络阶段，也是深度学习大行其道的时期。人工神经网络的发展，随着人工智能的发展起起伏伏。初期人们对其可以模拟生物神经系统的某些功能十分关注，但是对复杂网络的学习收敛性、健壮性和快速学习能力一直难以把握，直到上世纪80年代反向传播算法的发明和90年代卷积网络的发明，神经网络研究取得重要突破。深度神经网络方法走到前台，开启了人工智能新阶段。

　　自诞生以来，人工智能发展的基本思想和技术路径总的来说有三种。

　　第一种路径是符号主义或者说逻辑学派，形式逻辑是其理论基础，主张人工智能应从智能的功能模拟入手，认为符号是智能的基本元素，智能是符号的表征和运算过程。前述第一个阶段和第二个阶段中，符号主义都是主导思想。

　　第二种路径是连接主义或者说神经网络学派，发源于上世纪40年代，强调智能活动是由大量简单（神经）单元通过复杂连接后并行运行的结果。其基本思想是：既然人脑智能是由神经网络产生的，那就通过人工方式构造神经网络，再通过训练产生智能。人工神经网络是对生物神经网络的抽象和简化。80年代神经网络的兴盛和近年来兴起的深度学习网络，都是包含多层神经元的人工神经网络。

　　第三种路径是行为主义或者说控制学派，又称进化主义。这个学派在上世纪80年代末、90年代初兴起，思想源头是上世纪40年代的控制论。控制论认为，智能来自智能主体与环境以及其他智能主体相互作用的成功经验，是优胜劣汰、适者生存的结果。

　　机器学习是未来方向，将人类从重复性劳动中解放出来

　　机器学习是上世纪80年代中期发展起来的人工智能新方向。机器学习研究机器怎样模拟或实现人类的学习行为，以获取新的知识或技能，或者根据环境自适应地调整对策。机器学习可以让机器通过对经验进行“归纳”和“推理”而实现自动改进。

　　目前，机器学习仍然是人工智能研究的热点之一，包括深度学习的可解释性和可信性，增强智能系统的自学习和自适应能力，以及无监督学习、多模态协同学习、强化学习、终生学习等新的机器学习方法。另外，考虑到数据安全和隐私保护，在数据加密或者部分加密的情况下如何学习，也是重要研究方向之一。在深度学习浪潮推动下，人工智能其他研究方向也在加速发展，包括机器感知、模式识别与数据挖掘、自然语言处理、知识表示与处理、智能芯片与系统、认知与神经科学启发的人工智能、人工智能和其他学科的交叉等。