下载掌阅APP，畅读海量书库
立即打开
人工智能在问题求解与对弈、逻辑推理与定理证明、计算智能、分布式人工智能、自动程序设计、专家系统、机器学习、模式识别、机器视觉、神经网络、智能检索等领域都有广泛的应用。
应用人工智能的一大成就是发展出了对弈（国际象棋、围棋等）程序。在对弈程序中应用的某些技术，如向前看几步及把困难的问题分成一些比较容易解决的子问题，可发展成为搜索和问题消解这样的人工智能基本技术。另一种求解问题的技术是把各种数学公式和符号汇编在一起，其性能可以达到很高的水平，该技术已为许多科学家和工程师所应用。
逻辑推理是人工智能研究中历史最悠久的领域之一。借助逻辑推理，人类可通过机器对数学中臆测的定理进行证明或反证。最著名的例子便是“四色定理”的证明：证明过程用3台大型计算机，耗费大约1200h的CPU时间，并对中间结果进行了反复修改，最终证明了该定理。
计算智能涉及神经计算、模糊计算、进化计算、粒子群算法、自然计算、免疫计算和人工生命等研究领域。遗传算法、进化规划、进化策略、粒子群算法等是研究的热点。人工生命是在1987年提出的，旨在用计算机和精密机械等人工媒介生成或构造出能够表现自然生命系统行为特征的仿真系统或模型系统。自然生命系统具有自组织、自复制、自修复等特征，以及形成这些特征的混沌动力学、进化能力和环境适应能力。
分布式人工智能（Distributed Artificial Intelligence，DAI）是分布式计算与人工智能结合的结果。DAI 系统以鲁棒性作为衡量控制系统质量的标准，并具有互操作性，即不同的异构系统在快速变化的环境中具有交换信息和协作的能力。DAI的研究目标是创立一种能够描述自然系统和社会系统的精确概念模型。
自动程序设计能够以各种目的描述来编写计算机程序。对自动程序设计的研究不仅可以促进半自动化软件开发系统的发展，而且可以使通过修正代码进行学习的人工智能系统得到发展。
一般地，专家系统是一个智能计算机程序系统，其内部具有大量某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的办法来解决该领域的问题。专家系统与传统的计算机程序的本质区别在于专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息的基础上得出结论。
学习是人的智能的主要标志和获得知识的基本手段，而机器学习是使计算机具有智能的根本途径。此外机器学习还有助于发现人类学习的机理并揭示人脑的奥秘。
数据挖掘和知识发现是20世纪90年代初期兴起的一个活跃的机器学习研究领域。在数据库基础上实现的知识发现系统，通过综合运用统计学、粗糙集、模糊数学、机器学习和专家系统等多种学习手段和方法，从大量的数据中提炼出抽象的知识，从而揭示出蕴含在这些数据中的客观世界的内在联系和本质规律，实现知识的自动获取。
计算机硬件的迅速发展、计算机应用领域的不断开拓，急切要求计算机能更有效地感知如声音、文字、图像、温度等人类赖以发展自身、改造环境所运用的信息资料。着眼于拓宽计算机的应用领域，提高其感知外部信息的能力，模式识别便得到迅速发展。
人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知，是对人类感知外界功能的模拟，其研究的是计算机模式识别系统，也就是使计算机具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。
机器视觉（或计算机视觉）已从模式识别的一个研究分支发展为一门独立的学科。
机器视觉通常可分为低层视觉与高层视觉。低层视觉主要用于实现预处理功能，如边缘检测，动目标检测，纹理分析，通过阴影获得形状、立体造型、曲面色彩等。高层视觉则主要用于理解所观察对象的形象。
机器视觉的前沿研究领域包括实时并行处理、主动式定性视觉、动态和时变视觉、三维景物的建模与识别、实时图像压缩传输和复原、多光谱和彩色图像的处理与解释等。
研究结果已经表明，用神经网络处理直觉和形象思维具有比传统处理方式好得多的效果。对神经网络模型、算法、理论分析和硬件实现的大量研究，为神经计算机走向应用提供了基础性支持。人们期望神经计算机能具有人脑的功能，极大地提高信息处理能力，在更多方面取代传统的计算机。
科学技术的迅速发展，导致“知识爆炸”情况的出现。对国内外种类繁多和数量巨大的科技文献的检索远非人类和传统检索系统所能胜任。研究智能检索系统已成为科技持续快速发展的重要保证。
智能检索系统的设计面临几个方面的问题。第一，建立一个能够理解以自然语言陈述的询问系统本身就存在不少问题。第二，即使通过规定某些机器能够理解的形式化询问语句来规避语言理解问题，仍然存在如何根据存储的事实演绎出答案的问题。第三，理解询问和演绎答案所需要的知识都可能超出该学科领域数据库所表示的知识范围。