AI(人工智能)是机器，特别是计算机系统府人类智能过程的模拟。这些过程包括学习(获取信息和使用信息的规则，推理《使用规则达到近似或明确的结论)和自我纠正。AI的特定应用包括专家系统，语音识别和计算机视觉等。人工智能是由美国计算机科学家约翰·麦卡锡于 1956 年在达特茅斯会议上创造出来的。今天，它是一个涵盖从机器人过程自动化到实际机器人的所有内容的总称。它最近获得了各大媒体与公众的持续关注，部分原因在于大数据，或者现在进行的业务收集数据的速度，规模和种类的增加。AI 可以执行诸如比人类更有效地识别数据中的模式等任务，使企业能够从数据中获得更多洞察力。
1950-1970 年代(人工智能的“逻辑推理”时代) : 1956 年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会,被认为是人工智能诞生的标志。在会上麦卡锡首次提出了“人工智能”概念，纽厄尔和西蒙则展示了编写的逻辑理论机器。
人们当时认为只要机器具有逻辑推理能力就可以实现人工智能,但后来发现这样还是远远达不到智能化水平
1970-1990 年代(人工智能的“知识工程”时代): 专家系统的出现使人工智能研究出现新高潮。DENDRAL 化学质谱分析系统、MYCIN 疾病诊断和治疗系统PROSPECTIOR 探矿系统、Hearsay-II 语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。人们当时认为要让机器学习知识,才能让机器变得智能化，但后来发现将总结好的知识灌输给计算机十分困难。
2000 年至今(人工智能的“数据挖掘”时代) : 随各种机器学习算法的提出和应用，特别是深度学习技术的发展，人们希望机器能够通过大量数据分析，从而自动学习出知识并实现智能化水平。这一时期，随着计算机硬件水平的提升，大数据分析技术的发展，机器采集、存储、处理数据的水平有了大幅提高。特别是深度学习技术对知识的理解比之前浅层学习有了很大的进步，Alpha Go 和中韩围棋高手过招大幅领先就是目前人工智能的高水平代表之一。
深度学习的概念来自于对人工神经网络的研究。神经网络与深度学习相同的特点是采用相似的层次，但不同的地方是深度学习采用不同的训练机制，具有较强的表达能力。传统神经网络在机器学习领域曾经是一个热门的研究方向，但由于参数调整困难、训练速度慢等原因，传统的神经网络在机器学习领域已经逐渐退出了历史舞台。深度的神经网络模型已成为人工智能领域的一个重要的前沿，深入学习算法模型也经历了一个快速迭代周期，提出了各种各样的新的算法模型，其中卷积神经网络(ConvolutionalNeural Network，CNN) 模型成为最热门的网络模型。《麻省理工学院技术评论》将深度学习列为 2013 年十大突破性技术之首。随着深度学习技术的成熟，人工智能逐渐从尖端技术开始流行起来。公众对人工智能最深刻的理解就是 AlphaGo 和李世石之间的比赛，这是人工智能最关键的深度学习功能。AlphaGo有两个深层神经网络，价值网络和策略网络。价值网络评估棋盘形势，策略网络选择落子位置。这些神经网络模型是通过一种新的方法训练出来的.它结合了在人类专家比赛棋谱和以及在自我对弈中进行强化学习。也就是说，人工智能的存在可以使 AphaGo 的围棋水平在学习上不断提高，李世石的失利已使公众初步认识到人工智能的威力。
AI 可以通过多种方式进行分类，这里列举两和分类的方法第一种将 AI 系统分类为弱 AI 或强 AI。弱 AI，也称为窄 AI，是为特定任务设计和训练的 AI 系统。虚拟个人助理，如 Apple 的 Siri，是一种弱 AI的形式强人工智能，也称为人工智能，是一种具有广泛的人类认知能力的人工智能系统，因此当提出一项不熟悉的任务时，它具有足够的智能来寻找解决方案。也就是是否能够通过由数学家阿兰·图灵于 1950 年开发的图灵测试，判断计算机是否能真的像一个人一样思考，尽管该方法是有争议。
第二种是来自密歇根州立大学综合生物学和计算机科学与工程助理教授Arend Hintze 的分类方法。他将人工智能分为四类，从现有的人工智能系统类型到尚不存在的有感知系统。
最基本的 AI 系统类型可以理解为是被动应激的(Reactive machines)，并且既不能形成记忆，也不能利用过去的经验来为当前的决策提供信息。IBM 的国际象棋超级计算机 Deep Blue 在 20 世纪 90 年代末击败了国际大师加里卡斯帕罗夫是这类机器的完美典范。Deep Bhne 可以识别国际象棋棋盘上的棋子并知道每个棋子的动作。它可以预测它及其对手的下一步可能是什么。它可以从各种可能性中选择最佳的动作。
但它没有任何过去的概念，也没有任何关于之前发生的事情的记忆。除了很少使用国际象棋特定的规则一-不能重复相同的移动三次,深蓝在处理每一步行棋之前会忽略一切。它所做的只是了解现在国际象棋棋盘上的棋子布局，并从可能的下一步动作中进行选择。
这种类型的人工智能直接感知世界并根据其看到的行为行事,而不依赖于世界的内在概念。人工智能研究员Rodney Brooks 在论文中指出，人类应该只建造这样的机器，主要原因是人们并不擅长为计算机编写准确的模拟世界，在 AI环境下才能被计算机处理的“世界”。
目前即使是最优秀的 AI要么没有这样的世界概念，要么仅仅具有非常有限和专门的类似概念。Deep Blue 设计的创新并不是要扩大计算机所考虑的可能影像范围，相反开发人员找到了一种方法来缩小其观点，停止追求一些潜在的未来动作,所有的一切是基于对直接结果的评价。如果没有这种能力，Deep Blue 只能等待硬件的革命，成为一台更强大的计算机才能击败卡斯帕罗夫。
同样，谷歌的 AIphaGo 已经击败了顶级人类围棋专家，它也无法评估所有潜在的未来动作，只是它的分析方法比 Deep Blue 更复杂，使用神经网络来评估棋局发展。
这些方法确实提高了 AI系统更好地玩特定游戏的能力，但它们不能轻易改变或应用于其他情况。这些计算机化的 AI没有更广阔世界的概念，这意味着它们不能超越它们所分配的特定任务，并且容易找到被欺骗的方法。
他们不能像我们有朝一日想象 AI系统一样以交互方式参与这个世界，相反每次遇到相同情况时，这些机器的行为方式都完全相同。这对于确保 AI系统值得信赖确实非常有用，比如自动驾驶就会变得非常可靠。人们希望与这些最简单的人工智能接触并做出回应，机器永远不会感到无聊和悲伤。
第二类的人工智能是有一定程度记忆的(Limited memory) ，这个类型的机器可以回顾过去。自动驾驶汽车已经完成了部分工作。例如，它们观察其他车辆的速度和方向。这不可能在一瞬间完成，而是需要识别特定对象并随着时间的推移进行监控。
这些观察结果需要被不断添加到自动驾驶汽车的程序运行过程中,除此之外还包括车道标记，交通信号灯和其他重要元素，如道路曲线等。当汽车决定何时改变车道，避免切断其他驾驶员或被附近的汽车撞击时，它们都包括在内。但这些关于过去的简单信息只是暂时的，而不是作为汽车可以学习的经验库的一部分而保存的.但这是真实的人类驾驶员积累驾驶经验的方式。
那么如何才能构建完整表示的 AI系统，记住他们的经验并学习如何处理新情况?目前很难做到这一点，这也恰好验证了 Rodney Brooks 的观点。也许基于真实人类的起源--达尔文进化论启发的方法才可以让机器建立自己的特征来开始弥补人类的缺点。
下一代更先进的 AI需要的不仅是形成了关于世界的表征，而且还形成了对世界上其他的人或实体的表征。在心理学中，这被称为“心理理论”(Theory ofmind)一理解世界上的人、生物和物体来影响自己行为的思想和情感。
这种特性对于我们人类形成社会有至关重要的意义，因为它使我们能够进行社交互动。如果不了解对方的动机和意图，并且没有考虑到其他人对我或环境的了解,zw那么一起工作困难的，甚至是不可能的。如果未来的 AI 确实生活在我们中间，那么它必须能够理解我们每个人自己的想法和感受，以及我们期望被对待的方式，它必须相应地调整自己的行为。
AI 开发的最后一步是构建可以形成自我表征(Self-awareness) 的系统。最终我们的 AI研究人员不仅要了解意识,还要构建拥有意识的来源。从某种意义上说，这是第三类人工智能所具有的“心理理论”的延伸。意识也被称为“自我意识”，也就是“我想要”与“我知道我想要”是产个完全不同阶段的意识。有意识的 AI 能够意识到自己，去了解他们的内部状态，并且能够预测他人的感受。假设有人在交通中鸣喇叭，我们会感到愤怒或不耐烦，因为这是我们在向别人鸣喇叭时的感受。没有心理理论，我们就无法做出那种推论。
虽然我们还远没有创造出自我意识的机器，但我们应该集中精力去理解记忆学习以及根据过去的经验做出决策的能力，这是了解人类智能的重要一步。而且,如果我们想要设计或改进那些能够有资格人类面前分类的机器，这就至关重要。
