研究人工智能

人工智能的应用领域非常广，人工智能作为一种计算机科学的一个分支，从事人工智能研究的人还很少。资力企服通过近期AI相关类型企业资质办理逐渐上升的特点了解到，国家对人工智能专业人才的渴求度很大，应用领域也分布的广，人工智能主要分为自然语言处理、计算机视觉、语音识别、专家系统以及交叉领域等五个领域。第一方面：自然语言处理自然语言处理是一门融语言学、计算机科学、数学于一体的科学。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统，是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。自然语言处理的目的是实现人与计算机之间用自然语言进行有效通信的各种理论和方法。第二方面：语音识别语音识别是一门交叉学科。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情，如今人工智能将这一理想变为现实，并带它走入了我们日常的生活。第三个方面：计算机视觉计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。通过计算机视觉，电脑将处理更适合人眼观察或传送给仪器检测的图像。计算机视觉的主要任务是通过对采集的图片或者视频进行处理以获得相应场景的三维信息。第四个方面：专家系统专家系统是人工智能中最重要的也是最活跃的一个应用领域，它是指内部含有大量的某个领域专家水平的知识与经验，利用人类专家的知识和解决问题的方法来处理该领域问题的智能计算机程序系统。通常是根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，去解决那些需要人类专家处理的复杂问题。第五个方面：各领域交叉使用其实人工智能的四大方面应用其实或多或少都涉及到了其他领域，然而交叉应用最突出的方面还是智能机器人。机器人是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作。人工智能是一个涵盖所有机器智能的术语。资力企服分析近期办理AI相关资质的企业情况发现，人工智能研究和应用的不同领域有时会重叠，人工智能正带来创造更智能、更强大机器的大胆机遇。未来几年，人工智能必将进一步改变商业和生活。

因为人工智能是人类进步的一个方向，从社会角度来说，人工智能可以大大减少人类的行为成本，而且代替人类进行更高纬度的工作，从而解放生产力，和人类本身。猫爷就简单说一下人工智能，为什么研究它，就知道我们要的是什么样的人工智能了。01-第二次技术爆炸的开启我们知道，人类在蒸汽机没有发明出来的历史朝代，无论是近代历史，还是有五千年的历史积累的国家，其实科技近不都十分缓慢，交通靠动物，骑马骑驴，在海上也只是有人力或者动物推动的木船，但是蒸汽机出来以后，人类短短两三百年，就发展了这个样子。现代医学，交通，网络，科技，现在历史的维度中，可以说是短时间发生，这就是第一次技术爆炸的开始，也是人类的工业革命。而发展到现在，如果人工智能技术成熟，在短短百年内，人类会领来第二次技术爆炸的开始，从智人升华到永生的人，也就是不死的人，某种程度可以说，变成了神。人工智能可以高速万亿级别的运算和思考，让人类彻底攻克一切面临的问题，疾病，衰老，科学难题，教育，生活方方面面。02-人工智能目前的发展目前所谓的人工智能，还在萌芽阶段，大部分都是噱头，尤其在教育领域和数码领域，其实还相差甚远与真正的人工智能，阿尔法狗属于前端的了，可以自我学习，击败人类顶尖高手，但是也只是限于规则类项目。如果你看电影，基本上就展示了人工智能的真实形态，从《her》到《机械姬》再到《人工智能》展现了从无到有，从无知到进化，最后甚至千年以后，人类的形态就是人工智能，而回顾几千年后的我们，就像远古的大猩猩一样。03-大势所趋人工智能的核心还是要解决人类面临的究极问题，怎么才能战胜疾病，战胜衰老，自己可以永远不死，以一种形态保留下来，可以说实在创造神级形态的人类。人工智能是如果只是一堆算法，那么有了感情之后，就是不死的人，人类的下一次进化形式。我们要的就是这样的人工智能。本文章为原创文章，禁止各种方式转载。如果您阅读完文章，记得点赞和关注。如果有任何的问题，可以留言或私信。

原力君在系列的前两篇中提出了人工智能三部曲（拟人、类人、超越人），并简要介绍了现有资料中普遍认同的人工智能研究的目标（理解人类的知识、有效的自动化、有效的智能扩展、超人的智力、通用问题求解、连惯性的交谈、自治、学习、信息储存与处理）。理想是丰满的，现实是骨感的，已有的人工智能研究离实现这些目标还有很长的路要走。但是，人类从没有停止探索的脚步。人工智能技术研究者们在实现目标的路上各自走出了不同的道路，开辟了不同的研究领域。他们或者模拟人类智能的基本功能（功能模拟法）、或者模拟人类智能的物质结构（结构模拟法）、或者模拟人类的行为方式（行为模拟法）、或者集合功能结构和行为于一身（集成模拟法），来研究和模拟人的智能。不管使用何种方法研究人工智能，都不会脱离开两个方面：智能的理论基础、人工智能的实现。所以，一种广受研究者认可的关于人工智能研究所需要涉及的基本内容总结为九个方面（参考资料蔡自兴老师的《人工智能及其应用》）：认知建模、知识表示、知识推理、知识应用、机器感知、机器思维、机器学习、机器行为、智能系统构建。认知建模、知识表示、知识推理是对人类智能模式的一种抽象。认知建模主要研究人类的思维方式、信息处理的过程、心理过程，以及人类的知觉、记忆、思考、学习、想象、概念、语言等相关的活动模式。知识表示，则是将人类已经掌握的知识概念化、形式化、模型化，这个的重要性在于，人类要想建立超越人的人工智能系统，就要把整个人类种群所掌握的知识灌输给它，从而让它在一定程度上可以在知识量方面超越任何一个人类个体。知识推理，则是研究人类如何利用已有的知识去推导出新的知识或结论的过程，从而可以让机器也可以具备像人一样的推理能力。机器感知、机器思维、机器学习、机器行为则是对人类智能的一种模拟实现。机器感知研究的是如何使机器具有类似于人类的感觉，包括视觉、听觉、触觉、嗅觉、痛觉等等，这个要用到认知建模里面的知觉理论，而且需要能够提供相应知觉所需信息的传感器。举个例子，机器视觉具有视觉理论基础，同时还需要摄像头等传感器提供机器视觉所需要的图像数据。机器思维，则是利用机器感知的信息、认知模型、知识表示和推理来有目标的处理感知信息和智能系统内部的信息，从而针对特定场景给出合适的判断，制定事宜的策略。这个说起来抽象，实际上大家已经接触到的路径规划、预测、控制等都属于机器思维的范畴。机器思维，顾名思义就是在机器的脑子里进行的动态活动，也就是计算机软件里面能够动态的处理信息的算法。机器学习，是与人类的学习活动对标的。虽然有了知识并且也可以基于已有知识去推理，但是机器也要像人一样不断地学习新的知识从而更好地适应环境。机器学习研究的就是如何让机器在与人类、自然交互的过程中自发的学习新的知识，或者利用人类已有的文献数据资料进行知识学习。目前，人工智能研究和应用最广泛的内容就是机器学习，包括深度学习、强化学习等。机器行为是指智能系统具有的表达能力和行动能力，包括与人对话、与机器对话、描述场景、移动、操作机器和抓取物体等能力。而语音系统（音箱）、执行机构（电机、液压系统）等是机器行为的物质基础。智能系统要想具备行为能力，离不开机器感知和机器思维的结果。思维是行为的基础，所谓是知行合一。人工智能研究的最终要构建拟人、类人、超越人的智能系统拟人、类人、超越人是人工智能的三部曲，人类最终要用一种实用的方式将上述关于知识和机器的研究技术付诸实现。目前已有的人工智能系统的实现主要体现在机器人（仿人、仿生，如Atlas仿人机器人，Big Dog机器狗等）、无人系统（无人车、无人机、无人船）、人工大脑（IBM沃森、阿尔法狗）等.一句话总结：人工智能主要研究如何让机器像人一样能够感知、获取知识、储存知识、推理思考、学习、行动等能力，并最终创建拟人、类人、或超越人的智能系统。

人工智能学科有着十分广泛和极其丰富的研究内容。不同的人工智能研究者从不同的角度对人工智能的研究内容进行分类。例如,基于脑功能模拟、基于不同认知观、基于应用领域和应用系统、基于系统结构和支撑环境等。因此,要对人工智能研究内容进行全面和系统的介绍也是比较困难的,而且可能也是没有必要的。下面综合介绍一些得到诸多学者认同并具有普遍意义的人工智能研究的基本内容。人工智能1.认知建模人类的认知过程是非常复杂的。作为研究人类感知和思维信息处理过程的一门学科,认知科学(或称思维科学)就是要说明人类在认知过程中是如何进行信息加工的。认知科学是人工智能的重要理论基础,涉及非常广泛的研究课题。除了浩斯顿（Houston）提出的知觉、记忆、思考、学习、语言、想象、创造、注意和问题求解等关联活动外,还会受到环境、社会和文化背景等方面的影响。人工智能不仅要研究逻辑思维,而且还要深入研究形象思维和灵感思维,使人工智能具有更坚实的理论基础,为智能系统的开发提供新思想和新途径。2.知识表示知识表示、知识推理和知识应用是传统人工智能的三大核心研究内容。其中,知识表示是基础，知识推理实现问题求解，而知识应用是目的。知识表示是把人类知识概念化、形式化或模型化。一般就是运用符号知识、算法和状态图等来描述待解决的问题。已提出的知识表示方法主要包括符号表示法和神经网络表示法两种。3.知识推理推理是人脑的基本功能。几乎所有的人工智能领域都离不开推理。要让机器实现人工智能,就必须赋予机器推理能力,进行机器推理。所谓推理就是从一些已知判断或前提推导出一个新的判断或结论的思维过程。形式逻辑中的推理分为演绎推理、归纳推理和类比推理等。知识推理,包括不确定性推理和非经典推理等,似乎已是人工智能的一个永恒研究课题,仍有很多尚未发现和解决的问题值得研究。4.知识应用人工智能能否获得广泛应用是衡量其生命力和检验其生存力的重要标志。20世纪70年代,正是专家系统的广泛应用,使人工智能走出低谷,获得快速发展。后来的机器学习和近年来的自然语言理解应用研究取得重大进展,又促进了人工智能的进一步发展。当然,应用领域的发展是离不开知识表示和知识推理等基础理论以及基本技术的进步的。5.机器感知机器感知就是使机器具有类似于人的感觉,包括视觉、听觉、力觉、触觉、嗅觉、痛觉、接近感和速度感等。其中,最重要的和应用最广的要算机器视觉(计算机视觉)和机器听觉。机器视觉要能够识别与理解文字、图像、场景以至人的身份等;机器听觉要能够识别与理解声音和语言等。机器感知是机器获取外部信息的基本途径。要使机器具有感知能力,就要为它安上各种传感器。机器视觉和机器听觉已催生了人工智能的两个研究领域——模式识别和自然语言理解或自然语言处理。实际上,随着这两个研究领域的进展,它们已逐步发展成为相对独立的学科。6.机器思维机器思维是对传感信息和机器内部的工作信息进行有目的的处理。要使机器实现思维,需要综合应用知识表示、知识推理、认知建模和机器感知等方面的研究成果,开展如下各方面的研究工作:(1)知识表示,特别是各种不确定性知识和不完全知识的表示。(2)知识组织、积累和管理技术。(3)知识推理,特别是各种不确定性推理、归纳推理、非经典推理等。(4)各种启发式搜索和控制策略。(5)人脑结构和神经网络的工作机制。智能学习7.机器学习机器学习是继专家系统之后人工智能应用的又一重要研究领域,也是人工智能和神经计算的核心研究课题之一。现有的计算机系统和人工智能系统大多数没有什么学习能力,至多也只有非常有限的学习能力,因而不能满足科技和生产提出的新要求。学习是人类具有的一种重要智能行为。机器学习就是使机器(计算机)具有学习新知识和新技术,并在实践中不断改进和完善的能力。机器学习能够使机器自动获取知识,向书本等文献资料和与人交谈或观察环境进行学习8.机器行为机器行为系指智能系统(计算机,机器人)具有的表达能力和行动能力,如对话、描写、刻画以及移动、行走、操作和抓取物体等。研究机器的拟人行为是人工智能的高难度任务。机器行为与机器思维密切相关,机器思维是机器行为的基础。9.智能系统构建上述直接的实现智能研究,离不开智能计算机系统或智能系统,离不开对新理论、新技术和新方法以及系统的硬件和软件支持。需要开展对模型、系统构造与分析技术、系统开发环境和构造工具以及人工智能程序设计语言的研究。一些能够简化演绎、机器人操作和认知模型的专用程序设计以及计算机的分布式系统、并行处理系统、多机协作系统和各种计算机网络等的发展,将直接有益于人工智能的开发。

学习功能是人智能中最重要的特征之一。神经网络主要由三种因素决定：神经元的特性、网络的连接和学习算法规则。其中，学习算法对网络学习速度、收敛特性、泛化能力等有很大的影响。对各种学习算法规则的研究，在人工神经网络理论与实践发展过程中起着相当重要的作用。当前，人工神经网络研究的许多课题仍然是致力于学习算法规则的改进、更新和应用。对于大脑神经而言不同的功能区域均有各自的学习规则。这些完整和巧妙的学习规则是大脑在进化过程中通过学习得到的。对于人工神经网络而言，学习方法归根到底就是网络连接权值的调整方法。在这里简要介绍人工神经网络中一些最基本的、最通用的学习算法，这些算法主要有：（1）Hebb规则：Hebb学习过程最终是发生在神经元之间的突触部位，突触的联结强度随着突触前后神经元的活动而变化，变化的量与两个神经元的活性之和成正比。当神经元突触前膜电位与后膜电位同时为正，突触传导增强，反正，突触传导减弱。该规则是一个无监督学习规则，这种学习的结果是使网络能够提取训练集的统计特性，从而把输入信息按照它们的相似性程度划分为若干类。神经元激活（2） Delta规则：也称最小均方差规则，这是最为常用的学习算法，其要点是通过改变单元之间的连接权重来减小系统实际输出与期望输出的误差。这个算法也叫Widrow-Hof算法。（3） 梯度下降法：这是将数学上的优化方法用于使要求的输出与实际输出之差最小。在这个方法中，加权的修正量正比于误差对加权的一阶导数。虽然这一学习算法收敛到稳定点较慢，但还是被普遍应用的，Delta算法是梯度算法的一个特例。梯度下降法（4）误差反向传播（Back Propagation，BP）法：BP算法的基本思想是：学习过程由信号的正向传播与误差的反向逐层传播两个过程组成。（5）随机训练规则：随机训练算法利用了随机过程，概率和能量关系来调节连接权。（6）再励（Reinforcement）学习规则：它把学习视为试探评价（奖励或惩罚）过程，学习机选择一个动作（输出）作用于环境之后，使得环境的状态发送改变，并产生一个再励（奖励或惩罚）反馈给学习机，学习机根据再励信号及当前环境状态，再选择下一动作作用于环境。选择的原则，是使得受到奖励的可能性最大。再励（Reinforcement）学习规则（7）Kohonen训练规则：这是 Teuvo. Kohonen受生物系统的启发而提出的。它也是无指导训练算法。在训练过程中，处理单元均参加彼此竞争活动，具有最大输出的处理单元是获胜者。该获胜者的结点具有抑制其竞争的能力和激活其临的能力，但是只有获胜结点才允许有输出，也只有获胜者和其近邻结点的加权被允许调节。（8）Dropout学习规则：Dropout也是防止过拟合的一种方法。基本原理很简单，就是训练时，每次更新参数之前，随机去掉网络中p%的神经元，也即更改了网络结构，让整个网络变得更简单。如果与前面的梯度下降结合起来，那就是每次使用训练集的一个新的mini-batch之前，都随机丢掉网络中p%的神经元，用剩下的神经元进行训练，进行参数更新。然后到使用测试集的时候，使用完整的网络，但所有权重统一乘以(1-p)%。计算科学与人工智能-百家号 版权所有。

目前没有统一的原理或范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从心理或神经方面模拟人工智能?或者像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则来描述？还是必须解决大量完全无关的问题？控制论与大脑模拟20世纪40年代到50年代，许多研究者探索神经学、信息理论及控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如格雷·华特的乌龟和约翰霍普金斯野兽。这些研究者还经常在普林斯顿大学和英国的Ratio Club举行技术协会会议。直到1960，大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。符号处理当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。约翰·豪格兰德称这些方法为GOFAI（出色的老式人工智能）。60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。60－70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。认知模拟经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学、运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在卡内基梅隆大学沿袭下来，并在80年代于Soar发展到高峰。基于逻辑不像艾伦·纽厄尔和赫伯特·西蒙，约翰·麦卡锡认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示，智能规划和机器学习。致力于逻辑方法的还有爱丁堡大学，而促成欧洲的其他地方开发编程语言Prolog和逻辑编程科学。“反逻辑” 斯坦福大学的研究者发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案：他们主张不存在简单和通用原理能够达到所有的智能行为。罗杰·单克描述他们的“反逻辑”方法为“scruffy”。常识知识库就是“scruffy”AI的例子，因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。计算智能1980年代中大卫·鲁姆哈特等再次提出神经网络和联结主义。这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。统计学方法1990年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是近期人工智能成功的原因。共用的数学语言也允许已有学科的合作。Stuart J. Russell和Peter Norvig指出这些进步不亚于“革命”和“neats的成功”。有人批评这些技术太专注于特定的问题，而没有考虑长远的强人工智能目标。

人工智能其实是可以拆分开来看的，分布是“人工”和“智能”，“人工”比较简单，也就是字面上的意思，这一点多数人都是认同的，而对于那些所谓的什么人力所能及制造的，或者是人类的智慧到底可不可以研究出人工智能等等问题都无法改变人工就是字面的意思这一观点。至于“智能”的问题就要多很多了，因为不只是涉及到诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND））等等问题。智能主要就是模仿人的智能，而模仿人的智能主要是因为人们只了解人的智能，这一观点普遍人士比较认同的。可是人类对于自己的智慧了解是非常有限的，更是无法研究出人的智慧是如何构成的，所以对于人工制造出来的“智能”就很难去定义了。也是因为这样人工智能的研究常会牵扯到人对于自身智能的研究。而人工智能随着时间不断增加，也是在不断的进化，直至如今，主要的研究成果有4个，它们分别是：人机对弈1996年2月10～17日， GARRY KASPAROV以4：2战胜“深蓝” （DEEP BLUE）。1997年5月3～11日， GARRY KASPAROV以2.5：3.5输于改进后的“深蓝”。2003年2月GARRY KASPAROV 3:3战平 “小深”（DEEP JUNIOR）。2003年11月GARRY KASPAROV 2:2战平 “X3D德国人” (X3D-FRITZ）。模式识别采用 $模式识别引擎，分支有2D识别引擎 ，3D识别引擎，驻波识别引擎以及多维识别引擎2D识别引擎已推出指纹识别，人像识别 ，文字识别，图像识别 ，车牌识别；驻波识别引擎已推出语音识别；3D识别引擎已推出指纹识别玉带林中挂（玩游智能版1.25）自动工程自动驾驶（OSO系统）印钞工厂（￥流水线）猎鹰系统（YOD绘图）知识工程以知识本身为处理对象，研究如何运用人工智能和软件技术，设计、构造和维护知识系统专家系统智能搜索引擎计算机视觉和图像处理机器翻译和自然语言理解数据挖掘和知识发现而这些研究成果经过不断的延伸，现在涉及的领域已经非常多了，比如医疗、机械、服务等等，而随着不断的探索这些领域，人们的生活可以说是发生了翻天覆地的变化，就比如说出行有了代步工具，娱乐有了游戏机等，游玩有了私家车等等。其实发展到如今，离不开那些从业人工智能研究行业的人们，而未来想要更好的研究成果，还是需要更多的人们投入到它的研究中。想要学习更深度的人工智能知识，请发私信，更多更深度的人工智能知识正等你免费领取。

智能人类在认识和改造世界的活动中，由脑力劳动表现出来的能力。包括感知、理解、抽象、分析、推理、判断、学习和对变化环境的适应等到那个。基于计算机的智能如果一种行为或一系列行为能完成人类所做到的事情，就说它是智能的。人工智能又称为智能模拟，用计算机模拟人脑的智能行为。包括感知、学习、推理、对策、决策、预测、直觉、联想。Nilson：AI是关于知识的科学，即怎样获取，表示和使用知识的科学。Feigenbaum：AI是知识信息处理系统。Winston：AI就是研究如果使计算机去做过去只有人才能做的富有智能的工作。人工智能只包含理论研究的内容又包含工程方面的内容。人工智能的研究注意只能系统的效果而不是单纯的对人的智能行为的模拟。（人工智能研究的出发点与生物学家不同。生物学家研究只能行为是从脑的结构和神经细胞的组织入手。人工智能研究者主要从只能行为的过程与表现入手，重点放在智能行为的实际效果上。）人工智能的研究目标根本目标：要求计算机不仅能模拟而且可以延伸，扩展人的只鞥呢，达到甚至超过人类智能的水平。近期目标，使现有的计算机不仅能做一般的数值计算及非数值信息的数据处理，而且能运用知识处理问题，能模拟人类的部分职能行为。作为工程技术学科，人工智能的目标是提出建造人工智能系统的新技术、新方法和新理论，并在此基础上研制出具有智能行为的计算机系统。作为理论研究学科，人工智能的目标是提出能够描述和解释智能行为的概念与理论，为建立人工智能系统提供理论依据。

人工智能是近年来引起人们很大兴趣的一个领域。它的研究目标是用机器，通常为电子仪器，电脑等，尽可能地模拟人的精神活动，并且争取在这些方面最终改善并超出人的能力。其研究领域及应用范围十分广泛，例如，自动定理证明，推理，模式识别，专家知识系统，智能机器人，学习，博彩，自然语言理解等等。模式识别可能是人工智能这门学科中最基本也是最重要的一部分。简单说，模式识别就是让电脑能够认识它周围的事物，使人们与电脑之间的交流更加自然与方便。它包括文字识别（读），语音识别（听），语音合成（说），自然语言理解与电脑图形识别。现在的电脑可以说是又聋又哑，而且还是个瞎子，如果模式识别技术能够得到充分发展并应用于电脑，那人们就能够很自然地与电脑进行交流，再也不需要记那些命令就可以直接向电脑下命令。这也为智能机器人的研究提供了必要条件，它能使机器人像人一样与外面的世界进行交流。在人工智能的应用当中最有趣的应该就是机器人了。其实机器人的范围很广，不仅包括各种型号的智能机器人，还包括一些用于工业生产的，用于代替人类劳动的机器人。现在的机器人技术在制造只有某一种功能的机器人方面已经取得了一定的成果，但是要研制一种多功能，人性化的智能机器人，还需要不少时间。到了那时，人们在科幻片中看到了人类与机器人的矛盾不知会不会成为现实。专家系统具有一定的商业特性。它先把某一种行业（譬如医学，法律等等）的主要知识都输入到电脑的系统知识库里，再由设计者根据这些知识之间的特有关系和职业人员的经验，设计出一个系统。这个系统不仅能够为使用者提供这个行业知识的查询，建议等服务，更重要的是作为一个人工智能系统，它具有自动推理，学习的能力。专家系统经常应用于各种商业用途，例如企业内部的客户信息系统，决策支持系统，以及人们在世面上可以看见的医学顾问，法律顾问等软件。除此之外，在人们生活中的许多地方都能找到人工智能的影子。例如许多家用电器里都有智能芯片，汽车，飞机的导航系统，电动游戏里的人工智能程序，以及某些特制的能够帮助人的电子产品。