文章主题：人工智能, 计算机程序, 智能主体, 专家系统
人工智能（简称AI）是一种由人类创造出的机器智能，它模拟并展示出人类的思维与行为能力。这个领域主要关注利用计算机程序来模拟人类智能，同时也在探索如何实现这种智能，并进一步探讨这种智能系统能否达到甚至超越人类的水平。随着医学、神经科学、机器人学和统计学等领域的发展，人们普遍预期，未来许多职业将被人工智能所取代，这已经成为一个不可逆转的趋势。[1][2]
人工智能，通常被理解为“智能主体（intelligent agent）的研究与设计”[3]，即一种能观察周围环境并采取相应行动以达成目标的系统[4]。这个概念最早由约翰·麦卡锡于1955年提出，他将其定义为“制造智能机器的科学与工程”[6]。后来，安德烈亚斯·卡普兰（Andreas Kaplan）和迈克尔·海恩莱因（Michael Haenlein）进一步将其定义为“系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力”。[7]简单来说，人工智能就是模拟人类认知功能的机器或计算机，它可以学习和解决问题，感知环境并采取行动，以最大程度地提高成功率。同时，人工智能还能从过去的经验中学习，做出理性的决策，并迅速响应。因此，研究人员的目标是通过构建具有象征意义的推理或推理能力的计算机程序，来理解智能的本质。而人工智能的四大主要组成部分，则包括：
专家系统：作为专家处理正在审查的情况，并产生预期或预期的绩效。
启发式问题解决：包括评估小范围的解决方案，并可能涉及一些猜测，以找到接近最佳的解决方案。
自然语言处理：在自然语言中实现人机之间的交流。
计算机视觉：自动生成识别形状和功能的能力 [8]。
人工智能领域的研究具有极高的技术和专业知识含量，其涉及的各个子领域都深奥且相互独立，因此研究领域极为广泛。该领域的研究主要涵盖多个技术难题。其中，一个重要的分支领域就是探讨如何运用各类工具来解决特定应用问题。
AI 的核心挑战在于构建能够模拟甚至超越人类的推理、知识、规划、学习、交流、感知、移动物体、操作工具和控制机械的能力等[10]。虽然人工智能仍然是一个远期的目标[11]，但目前已经在某些领域取得了初步的成果，例如影像识别、语言分析和棋类游戏等方面已经达到了超过人类的表现。人工智能的通用性意味着，相同的AI程序可以解决上述问题，无需重新开发算法即可直接使用现有的AI来完成任务，其处理能力与人类相同。然而，要实现具备思考能力的强人工智能仍需更多研究，当前最流行的方法包括统计方法、计算智能和传统的AI。目前已有许多工具应用了人工智能技术，包括搜索和数学优化、逻辑推演等。同时，基于仿生学、认知心理学、概率论和经济学等领域的算法也在逐渐被探索。
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”即由人设计，为人创造、制造。
“智能”这一概念存在一定的争议性，因为它涉及到诸多领域，如意识、自我、心灵以及无意识的精神等。人类对于自身的智能有着普遍的认知，然而对其理解却十分有限，对于决定人类智能的关键因素的认识也相对匮乏，因此在 defining “人工”制造的“智能”上存在困难。因此，人工智能的研究通常会聚焦于对人类智能本身的研究，同时也会探讨动物或其他人造系统的智能，这也是人工智能研究的重要方向。
当前，人工智能的应用范围正在逐步扩大，尤其是在电脑领域，它的身影已经越来越广泛。此外，它在机器人、经济、政治决策、控制系统和仿真系统等领域的应用也日益增多。
规划
智能Agent必须能够制定目标和实现这些目标。[16]他们需要一种方法来创建一个可预测的世界模型（将整个世界状态用数学模型表现出来，并能预测它们的行为将如何改变这个世界），这样就可以选择功效最大的行为。[17] 在传统的规划问题中，智能Agent被假定它是世界中唯一具有影响力的，所以它要做出什么行为是已经确定的。[18]但是，如果事实并非如此，它必须定期检查世界模型的状态是否和自己的预测相符合。如果不符合，它必须改变它的计划。因此智能代理必须具有在不确定结果的状态下推理的能力。[19] 在多Agent中，多个Agent规划以合作和竞争的方式去完成一定的目标，使用演化算法和群体智能可以达成一个整体的突现行为目标。[20]
学习
主条目：机器学习
机器学习的主要目的是为了让机器从用户和输入数据等处获得知识，从而让机器自动地去判断和输出相应的结果。这一方法可以帮助解决更多问题、减少错误，提高解决问题的效率。对于人工智能来说，机器学习从一开始就很重要。1956年，在最初的达特茅斯夏季会议上，雷蒙德·索洛莫诺夫[写了一篇关于不监视的概率性机器学习：一个归纳推理的机器。
机器学习的方法各种各样，主要分为监督学习和非监督学习两大类。监督学习指事先给定机器一些训练样本并且告诉样本的类别，然后根据这些样本的类别进行训练，提取出这些样本的共同属性或者训练一个分类器，等新来一个样本，则通过训练得到的共同属性或者分类器进行判断该样本的类别。监督学习根据输出结果的离散性和连续性，分为分类和回归两类。非监督学习是不给定训练样本，直接给定一些样本和一些规则，让机器自动根据一些规则进行分类。无论哪种学习方法都会进行误差分析，从而知道所提的方法在理论上是否误差有上限。
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
