人工智能作为一门新兴学科诞生于20世纪50年代中期（关于人工智能的历史请参考《AI技术 人工智能的前世今生》），属于计算机科学下的一个分支学科，但是它依然是一个非常广泛的概念。在我的理解中，人工智能的目标是
那么，人类都拥有哪些智能呢？显然自古以来哲学家们就开始关注了这个问题。另外，西方学者所提倡的认知科学（Cognitive Science），我国科学家钱学森于二十世纪八十年代初开展的思维科学研究（Noetic Science），都是研究人的智慧的学问。在1993年一次有关认知科学的国际会议中，与会学者们概括了认知的内容大致包括：感知（perception）、学习（learning）、记忆（memory）、知识（knowledge）、语义（meaning）、推理（reasoning）、语言（language）、注意（attention）、意识（consciousness）、及思维（thinking）等。
另一方面，如何使计算机具有智能呢？并没有特定限制。也就是说，只要使计算机实现与人类类似的智慧行为就算达到目的，并不再乎其实现方法。这样就催生了人工智能研究不同的学科或方法，人们分别从计算机科学、神经科学、心理学、语言学、哲学等不同方向进行研究，也催生了早期的五大学派：符号学派、联结学派、进化学派、贝叶斯学派、类推学派。其中，联结学派认为大自然才是最神奇的造物主，了解人类大脑的原理，无疑能够帮助我们更好的实现人工智能，也逐渐成为了当今主流。
最后，应该用怎样的标准判定计算机具有了智能呢？其实，在定义人工智能前就有了答案，即大名鼎鼎的图灵测试（Turing test）。即如果一个人（代号C）使用测试对象皆理解的语言去询问两个他不能看见的对象任意一串问题。对象为：一个是正常思维的人（代号B）、一个是机器（代号A）。如果经过若干询问以后，C不能得出实质的区别来分辨A与B的不同，则此机器A通过图灵测试。
弱人工智能，又称Artificial Narrow Intelligence (ANI):弱人工智能是擅长于单个方面的人工智能，或专门针对特定任务而设计和训练的AI。比如苹果的虚拟语音助手Siri，你可以问它今天的天气或让它帮你订一张到深圳的机票，但是并不会下围棋，更不能战胜世界冠军。
强人工智能，又称“通用人工智能”，Artificial General Intelligence (AGI):人类级别的人工智能，具备通用化的人类认知能力，具备足够的智能解决不熟悉的问题。可以通俗理解为在各方面都能和人类比肩的人工智能，可以胜任所有人类能干的脑力活动。创造强人工智能比创造弱人工智能难得多，现在技术还不能达到。
超级人工智能，Artificial Super intelligence (ASI):超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”
那么，人工智能技术进行到哪一步了呢？现在，人类已经掌握了弱人工智能，你甚至可以发现弱人工智能无处不在。但是，根据现在的技术进展到强人工智能却是非常艰难的一步。因为造摩天大楼、把人送入太空、明白宇宙大爆炸的细节——这些都比理解人类的大脑，并且创造个类似的东西要简单太多了。至今为止，人类的大脑是我们所知宇宙中最复杂的东西。
更细致的话，我们可以通俗理解为，一些我们觉得困难的事情—微积分、金融市场策略、翻译等，这些对于电脑来说都太简单了。但是，我们觉得容易的事情—视觉、动态、移动、直觉等，这些对电脑来说真的非常难实现。用计算机科学家Donald Knuth的说法，“人工智能已经在几乎所有需要思考的领域超过了人类，但是在那些人类和其它动物不需要思考就能完成的事情上，还差得很远。”
另外，有些学者则更为乐观。他们认为，每一个弱人工智能的创新，都在给通往强人工智能和超人工智能的旅途添砖加瓦。用Aaron Saenz的观点，现在的弱人工智能，就是地球早期软泥中的氨基酸，没有动静的物质，突然之间就组成了生命。通过自我改进来达成强人工智能的人工智能，会把“人类水平的智能”当作一个重要的里程碑，但是也就仅此而已了。它不会停留在这个里程碑上的。考虑到强人工智能之于人脑的种种优势，人工智能只会在“人类水平”这个节点做短暂的停留，然后就会开始大踏步向超人类级别的智能走去。
2013年的时候，Bostrom做了个问卷调查，涵盖了数百位人工智能专家，当把大家的回答统计后，得出了下面的结果：
所以，虽然现在关于人工智能什么时候能达到人类普遍智能水平还有争议，甚至我们对人能智能的研究也并不算成熟。但是中位的人工智能专家认为25年后的2040年我们能达成强人工智能，而2075年这个悲观估计表明，如果你现在够年轻，有一半以上的人工智能专家认为在你的有生之年能够有90%的可能见到强人工智能的实现。
知识工程的历史是在1969年以美国工程院院士、1994年图灵奖获得者、知识工程之父、爱德华·费根鲍姆（Edward Albert Feigenbaum）公布第一个专家系统DENDRAL开始的。
1977年，时任斯坦福大学计算机科学家的费根鲍姆教授，在第五届国际人工智能会议提出了知识工程的新概念。他认为，“知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题。”
而以知识工程为基础，通过智能软件而建立的专家系统成功后，20世纪70年代后的一段时间内，知识工程一度处于人工智能研究中的核心地位。当然除了专家系统，还有其他专家认为知识工程还包括知识获取、知识库、不确定性推理、机器博弈等其他领域，而现在新兴的知识图谱研究就正是知识库的一种表示方法。
(1)知识获取。知识获取包括从人类专家、书籍、文件、传感器、或计算机文件获取知识，知识可能是特定领域或特定问题的解决程序，或者它可能是一般知识或者是元知识解决问题的过程。知识工程的过程中，知识获取被许多研究者和实践者作为一个瓶颈，限制了专家系统和其他人工智能系统的发展。
(2)知识验证。知识验证是知识被验证(例如，通过测试用例)，直到它的质量是可以接受的。测试用例的结果通常被专家用来验证知识的准确性。
(3)知识表示。获得的知识被组织在一起的活动叫做知识表示。这个活动需要准备知识地图以及在知识库进行知识编码。
(4)推论。这个活动包括软件的设计，使电脑做出基于知识和细节问题的推论。然后该系统可以推论结果提供建议给非专业用户。
现在AI的核心研究，毫无疑问换成了机器学习。机器学习是一种专门研究计算机怎样模拟或实现人类的学习行为，通过各种算法训练模型，并用这些模型对新问题进行识别和预测。
机器学习按学习方式可以分为：监督式学习（supervise learning）、半监督式学习、非监督式学习（unsupervise learning）和强化学习。
而根据不同的问题领域，机器学习可以分为：计算机视觉、自然语言处理、语音辨识、语音生成等等。
机器学习常用算法有：线性回归、支持向量机(SVM)、逻辑回归、决策树、朴素贝叶斯、深度学习等等。近年来，人们发现传统机器学习算法最终的学习效果，在很大程度上是取决于人为给定数据的特征（Representation），而在很多情况下，从原始数据中提取抽象特征是极其困难的，所以深度学习算法成为了今年的研究热点。深度学习是一种试图由多重非线性变换构成的多层神经元对数据进行高层抽象的算法，所以具有强大的灵活性。
尽管如此，我们应该认识到深度学习毕竟只是借鉴了脑神经科学的实现手段，与真实人脑的差距很大。而且，并不是说深度学习就比其他传统机器学习算法都好，有些场景中深度学习方法还不如传统的机器学习方法效果好，预期是那些数据不足的情况。
