人工智慧

人工智能（英語：artificial intelligence，縮寫爲AI），亦稱機器智能，指由人製造出來的機器所表現出來的智慧。通常人工智能是指用普通電腦程式來呈現人類智能的技術。該詞也指出研究這樣的智能系統是否能夠實現，以及如何實現。同時，通過醫學、神經科學、機器人學及統計學等的進步，常態預測則認為人類的很多職業也逐漸被其取代。 人工智能於一般教材中的定義領域是“智慧主體（intelligent agent）的研究與設計”，智慧主體指一個可以觀察周遭環境並作出行動以達致目標的系統。約翰·麥卡錫於1955年的定義是「製造智能機器的科學與工程」。安德烈亞斯·卡普蘭和邁克爾·海恩萊因（Michael Haenlein）將人工智能定義爲“系統正確解釋外部數據，從這些數據中學習，並利用這些知識通過靈活適應實現特定目標和任務的能力”。 人工智能可以定義為模仿人類與人類思維相關的認知功能的機器或計算機，如學習和解決問題。人工智能是計算機科學的一個分支，它感知其環境並採取行動，最大限度地提高其成功機會。此外，人工智能能夠從過去的經驗中學習，做出合理的決策，並快速回應。因此，人工智能研究人員的科學目標是通過構建具有象徵意義的推理或推理的計算機程式來理解智慧。人工智能的四個主要組成部分是：

• 專家系統：作為專家處理正在審查的情況，併產生預期或預期的績效。
• 啓發式算法：包括評估小範圍的解決方案，並可能涉及一些猜測，以找到接近最佳的解決方案。
• 自然語言處理：在自然語言中實現人機之間的交流。
• 計算機視覺：自動生成識別形狀和功能的能力 。

人工智能的研究是高度技術性和專業的，各分支領域都是深入且各不相通的，因而涉及範圍極廣。人工智能的研究可以分爲幾個技術問題。其分支領域主要集中在解決具體問題，其中之一是，如何使用各種不同的工具完成特定的應用程序。 AI的核心問題包括建構能夠跟人類似甚至超卓的推理、知識、計劃、學習、交流、感知、移動 、移物、使用工具和操控機械的能力等。通用人工智能（GAI）目前仍然是該領域的長遠目標。目前弱人工智慧已經有初步成果，甚至在一些影像辨識、語言分析、棋類遊戲等等單方面的能力達到了超越人類的水平，而且人工智慧的通用性代表著，能解決上述的問題的是一樣的AI程式，無須重新開發算法就可以直接使用現有的AI完成任務，與人類的處理能力相同，但達到具備思考能力的統合強人工智慧還需要時間研究，比較流行的方法包括統計方法，計算智能和傳統意義的AI。目前有大量的工具應用了人工智能，其中包括搜索和數學優化、邏輯推演。而基於仿生學、認知心理學，以及基於概率論和經濟學的演算法等等也在逐步探索當中。

概論

人工智能的定義可以分為兩部分，即「人工」和「智能」。「人工」即由人設計，爲人創造、製造。 關於甚麼是「智能」，較有爭議性。這涉及到其它諸如意識、自我、心靈，包括無意識的精神等等問題。人唯一瞭解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能必要元素的瞭解也很有限，所以就很難定義甚麼是「人工」製造的「智能」。因此人工智能的研究往往涉及對人智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智能相關的研究課題。 人工智慧目前在電腦領域內，得到了愈加廣泛的發揮。並在機器人、經濟政治決策、控制系統、仿真系統中得到應用。 人工智能也廣泛應用於許多不同領域。機器人經營餐館和商店並修復城市基礎設施。人工智能管理運輸系統和自動駕駛車輛。智能平臺管理多個城市領域，例如垃圾收集和空氣質量監測。事實上，城市人工智能體現在城市空間、基礎設施和技術中，將我們的城市變成了無人監督的自治實體。可以方便地實時實現數字化支持的智能響應服務。許多城市現在主動利用大數據和人工智能，通過為我們的基礎設施提供更好的能源、計算能力和連接性來提高經濟回報。 最近，由於人工智能減少了行政成本和時間，許多政府開始將人工智能用於各種公共服務。例如，移民流程的機器人自動化減少了處理時間並提高了效率。人工智能為地方政府服務帶來技術突破。人工智能代理協助城市規劃者基於目標導向的蒙特卡羅樹搜索進行場景規劃。目標推理人工智能代理提供最佳的土地利用解決方案，幫助我們制定民主的城市土地利用規劃。人工智能利用在線數據來監控和修改環境威脅政策。在2019 年水危機期間，潛在狄利克雷分配方法確定了Twitter (X) 中討論最多的主題，這是一種樸素的推文分類方法，對乾旱的影響和原因、政府響應和潛在解決方案等主題進行了分類。人工智能工具與司法部門的人類法官相輔相成，提供客觀、一致的風險評估。

發展史

對機器或“形式”的推理研究起源於古代哲學家和數學家。邏輯學的研究直接催生了艾倫·圖靈的計算理論，理論提出，一臺通過操作簡單符號“0”和“1”的機器，能夠模擬任意複雜的數學推理過程。這一理論，連同在控制論、信息論及神經生物學方面的同期發現，推動研究人員考慮構建一臺“電子大腦”的可能性。 此外，他們還開拓了未來成爲人工智能領域一部分的多個研究分支， 比如1943年沃倫·麥卡洛克與沃爾特·皮茨設計的“人工神經元”，以及圖靈於1950年發表的具有深遠影響的論文《計算機器與智能》，其中提出了“圖靈測試”，展示了“機器智能”的可行性。 人工智能研究領域正式成立於1956年在達特茅斯學院舉行的“達特茅斯會議”。 與會者後來在20世紀60年代成爲該領域的先驅者。 他們及其學生研發出的程序被媒體譽爲“令人驚歎”： 計算機不僅能學會國際跳棋策略，還能解決代數文字難題、證明邏輯定理，甚至能進行英語對話。 在20世紀50年代末至60年代初，許多英國和美國的大學紛紛建立了人工智能實驗室。 20世紀60年代至70年代，研究人員堅信他們的方法最終能夠成功創造出具有通用智能的機器，並將此視爲他們研究領域的最高目標。赫伯特·西蒙（Herbert Simon）曾預言：“在未來二十年內，機器能夠勝任所有人類能夠完成的工作。” 馬文·閔斯基（Marvin Minsky）對此表示贊同，他認爲：“在一代人的時間內，‘人工智能’這一難題將會得到實質性的解決。” 但事實證明他們低估了這個問題所涉及的複雜性。1974年，受到詹姆斯·萊特希爾爵士（Sir James Lighthill）的批評以及美國國會傾向於資助更爲有成效項目的趨勢，美國和英國政府都中斷了探索性研究。閔斯基和西摩·佩珀特（Seymour Papert）在其著作《感知器》（Perceptrons）中提出的觀點，被誤認爲已經證明人工神經網絡在解決現實世界問題上毫無用處，從而完全否定了這種方法。隨後出現了 “人工智能寒冬”，即人工智能項目難以獲得資助的時期。 20世紀80年代初期，人工智能研究因專家系統的商業成功而再次活躍， 一種人工智能程序，旨在模擬人類專家的知識和分析技巧。到了1985年，AI市場估值超過10億美元。與此同時，日本的第五代計算機項目推動英美兩國恢復學術研究的資助。 但從1987年Lisp機器市場的衰退開始，人工智能再次發展挫折，第二個較長的低迷期開始了。 在此之前，人工智能的主要資金用於高級符號項目，用以表徵如計劃、目標、信念等概念性對象。20世紀80年代，一些研究人員開始懷疑，這種方法能否模仿人類認知的所有過程，特別是感知、機器人、學習和模式識別，並開始研究“次符號”方法。羅德尼·布魯克斯（Rodney Brooks）普遍不認同“表徵”這一概念，並將研究重心轉向了設計能夠移動和自持生存的機器工程。 朱迪亞·珀爾、盧特菲·澤德等學者發展了多種方法，這些方法基於合理推斷處理不完備或不確定的信息，而非依賴於嚴格的邏輯。但最顯著的進展是，傑弗裏·辛頓與其他研究者協力，在“聯結主義”及其涉及的神經網絡研究方面，取得了重要突破。1990年，楊立昆（Yann Le Cun）展示了卷積神經網絡能夠識別手寫數字，這項突破性的研究爲神經網絡在多個實際應用領域的應用奠定了基礎。 20世紀末至21世紀初期，人工智能利用形式化的數學方法，結合針對特定問題制定的策略，逐步在學術界重建了聲譽。這種“聚焦”與“規範化”的研究方法讓研究者能產出可驗證的成果，並促進了與統計學、經濟學及數學等其他學科的交叉合作。 至2000年，人工智能領域研究的解決方案獲得了廣泛的應用，儘管在1990年代，這些方案往往不被直接標識爲“人工智能”。 當前，部分人工智能領域的學者提出觀點，關注研究重點可能未全面覆蓋創造具備多功能性和全面智能的機器這一初始目標。2002至2010年間，通用人工智能（AGI）領域內成立了多個獲得充分資金支持的研究機構。 2012年以來，深度學習開始主導行業標準，並迅速成爲該領域內廣泛採用的方法。 在多種場合，替代性方法被淘汰，深度學習得到優先採用。深度學習的突破性成果，既得力於硬件的顯著進步（如計算速度更快的電腦、 圖形處理單元以及雲計算技術），也依賴於廣泛的數據可用性（包括精心策劃的數據集，譬如ImageNet）。深度學習的成果引發了公衆對於人工智能的濃厚興趣並促使資金投入的大幅度增加。2015年至2019年期間，機器學習領域的出版物數目上升了50%。 2016年，在機器學習會議上，公平性與技術濫用成爲突出話題；相關論文發表數量急劇增加，研究經費隨之提供，衆多研究人員轉而聚焦這些議題。對齊問題逐漸成爲學術探討的重要議題。 2010年代末至2020年代初，AGI公司推出引發廣泛關注的程序。2015年，由DeepMind研發的“阿爾法狗” AlphaGo 戰勝了世界圍棋冠軍。該程序僅被輸入了遊戲規則並自主形成了策略。GPT-3是OpenAI在2020年推出的一款強大的語言模型，它能生成高質量、類人的文本。 這些及其他程序引發了劇烈的AI熱潮，主要企業投入數十億美元於AI研究。AI Impacts預測，到2022年，僅在美國，人工智能領域的年投資就將達到約500億美元，大約20%的美國新晉計算機科學博士生將專注於AI領域。在2022年，美國預計將有大約80萬的人工智能相關職位空缺。

研究課題

目前人工智慧的研究方向已經被分成幾個子領域，研究人員希望一個人工智慧系統應該具有某些特定能力，以下將這些能力列出並說明。

演繹、推理和解決問題

早期的人工智慧研究人員直接模仿人類進行逐步的推理，就像是玩棋盤遊戲或進行邏輯推理時人類的思考模式。到了1980和1990年代，利用概率和經濟學上的概念，人工智慧研究還發展了非常成功的方法處理不確定或不完整的資訊。 對於困難的問題，有可能需要大量的運算資源，也就是發生了「可能組合爆增」：當問題超過一定的規模時，電腦會需要天文數量級的存儲器或是運算時間。尋找更有效的演算法是優先的人工智慧研究項目。 人類解決問題的模式通常是用最快捷、直觀的判斷，而不是有意識的、一步一步的推導，早期人工智慧研究通常使用逐步推導的方式。人工智慧研究已經於這種「次表徵性的」解決問題方法取得進展：實體化Agent研究強調感知運動的重要性。神經網絡研究試圖以模擬人類和動物的大腦結構重現這種技能。

知識表示法

知識表示是人工智能領域的核心研究問題之一，它的目標是讓機器存儲相應的知識，並且能夠按照某種規則推理演繹得到新的知識。有許多需要解決的問題需要大量的對世界的知識,這些知識包括事先存儲的先驗知識和通過智能推理得到的知識。事先存儲的先驗知識指：人類用某種方式告訴給機器的知識。通過智能推理得到的知識指：結合先驗知識和某種特定的推理規則（邏輯推理）得到的知識。首先，先驗知識可以指描述目標，特徵，種類及物件之間的關係的知識， 也可以描述事件，時間，狀態，原因和結果， 以及任何知識你想要機器存儲的。比如：今天沒有太陽，沒有太陽就是陰天。那麼以命題邏輯語言，這些知識可以被表示爲：今天 → 沒有太陽，沒有太陽 → 陰天。這些知識是先驗知識，那麼推理可以得到新知識：今天 → 陰天。由此例子可以看出，先驗知識的正確性非常重要，這個例子中沒有太陽就是陰天，這個命題是不嚴謹的、比較籠統的，因爲沒有太陽可能是下雨，也可能下雪。另外如果人工智慧能看出太陽，除了該如何判斷的這件問題，在這個前提之下，應該也能判斷出陰天與晴天的差異。邏輯命題表示在知識表示中非常重要，邏輯推理規則是目前主要推理規則。可以在機器中用邏輯符號定義每一個邏輯命題，然後再讓機器存儲相應的邏輯推理規則，那麼自然而然機器便可進行推理。目前知識表達有許多困境尚無法解決，比如：建立一個完備的知識庫幾乎不可能，所以知識庫的資源受到限制；先驗知識的正確性需要進行檢驗，而且先驗知識有時候不一定是隻有對或者錯兩種選擇。

規劃

智能Agent必須能夠制定目標和實現這些目標。他們需要一種方法來建立一個可預測的世界模型（將整個世界狀態用數學模型表現出來，並能預測它們的行爲將如何改變這個世界），這樣就可以選擇功效最大的行爲。 在傳統的規劃問題中，智能Agent被假定它是世界中唯一具有影響力的，所以它要做出什麼行爲是已經確定的。但是，如果事實並非如此，它必須定期檢查世界模型的狀態是否和自己的預測相符合。如果不符合，它必須改變它的計劃。因此智能代理必須具有在不確定結果的狀態下推理的能力。在多Agent中，多個Agent規劃以合作和競爭的方式去完成一定的目標，使用演化演算法和羣體智慧可以達成一個整體的突現行爲目標。

機器學習

機器學習的主要目的是爲了讓機器從使用者和輸入數據等處獲得知識，從而讓機器自動地去判斷和輸出相應的結果。這一方法可以幫助解決更多問題、減少錯誤，提高解決問題的效率。對於人工智能來說，機器學習從一開始就很重要。1956年，在最初的達特茅斯夏季會議上，雷蒙德·索洛莫諾夫寫了一篇關於不監視的概率性機器學習：一個歸納推理的機器。 機器學習的方法各種各樣，主要分爲監督學習和非監督學習兩大類。監督學習指事先給定機器一些訓練樣本並且告訴樣本的類別，然後根據這些樣本的類別進行訓練，提取出這些樣本的共同屬性或者訓練一個分類器，等新來一個樣本，則通過訓練得到的共同屬性或者分類器進行判斷該樣本的類別。監督學習根據輸出結果的離散性和連續性，分爲分類和迴歸兩類。非監督學習是不給定訓練樣本，直接給定一些樣本和一些規則，讓機器自動根據一些規則進行分類。無論哪種學習方法都會進行誤差分析，從而知道所提的方法在理論上是否誤差有上限。

自然語言處理

自然語言處理探討如何處理及運用自然語言，自然語言認知則是指讓電腦「懂」人類的語言。自然語言生成系統把計算機數據轉化為自然語言。自然語言理解系統把自然語言轉化為計算機程序更易於處理的形式。

運動和控制

知覺

機器感知是指能夠使用感測器所輸入的資料（如照相機、麥克風、聲納以及其他的特殊感測器）然後推斷世界的狀態。電腦視覺能夠分析影像輸入。另外還有語音識別、人臉辨識和物體辨識。

社交

情感和社交技能對於一個智能agent是很重要的。首先，通過了解他們的動機和情感狀態，代理人能夠預測別人的行動（這涉及要素 博弈論、決策理論以及能夠塑造人的情感和情緒感知能力檢測）。此外，為了良好的人機互動，智慧代理人也需要表現出情緒來。至少它必須出現禮貌地和人類打交道。至少，它本身應該有正常的情緒。

創造力

一個人工智慧的子領域，代表了理論（從哲學和心理學的角度）和實際（通過特定的實現產生的系統的輸出是可以考慮的創意，或系統識別和評估創造力）所定義的創造力。相關領域的研究包括了人工直覺和人工想像。

倫理管理

史蒂芬·霍金、比爾蓋茲、埃隆·馬斯克、Jaan Tallinn以及Nick Bostrom等人都對於人工智慧技術的未來公開表示憂心，人工智慧若在許多方面超越人類智慧水平的智能、不斷更新、自我提升，進而取得控制管理權，人類是否有足夠的能力及時停止人工智慧領域的「軍備競賽」，能否保有最高掌控權，現有事實是：機器常失控導致人員傷亡，這樣的情況是否會更加擴大規模出現，歷史顯然無法給出可靠的樂觀答案。特斯拉電動車馬斯克（Elon Musk）在麻省理工學院（MIT）航空航天部門百年紀念研討會上稱人工智能是「召喚惡魔」行為，英國發明家Clive Sinclair認為一旦開始製造抵抗人類和超越人類的智能機器，人類可能很難生存，蓋茲同意馬斯克和其它人所言，且不知道為何有些人不擔憂這個問題。 DeepMind的人工智慧（AI）系統在2016年「AlphaGo」對戰南韓棋王李世乭獲勝，開發商表示在內部設立倫理委員會，針對人工智慧的應用制定政策，防範人工智慧淪為犯罪開發者。 科技進步，人工智慧科技產生「自主武器」軍備競賽已悄悄展開，英國、以色列與挪威，都已部署自主飛彈與無人操控的無人機，具「射後不理」（fire-and-forget）能力的飛彈，多枚飛彈還可互相溝通，分享找到攻擊目標。這些武器還未被大量投入，但很快就會出現在戰場上，且並非使用人類所設計的程序，而是完全利用機器自行決策。 霍金等人在英國獨立報發表文章警告未來人工智慧可能會比人類金融市場、科學家、人類領袖更能操縱人心、甚至研發出人們無法理解的武器。專家恐發展到無法控制的局面，援引聯合國禁止研發某些特定武器的「特定常規武器公約」加以限制。新南威爾士大學人工智慧的託比·沃爾什教授認為這是一種欺騙，因為機器無區別戰敵和平民的技術。

經濟衝擊

CNN財經網數字媒體未來學家Amy Webb、美國在線等紛紛預測一些即將被機器人取代的職業，日本野村綜合研究所也與英國牛津大學的研究學者共同調查指出，10至20年後，日本有49%的職業（235種職業）可能會被機械和人工智慧取代而消失，直接影響約達2500萬人，例如：超市店員、一般事務員、計程車司機、收費站運營商和收銀員、市場營銷人員、客服人員、製造業工人、金融中間人和分析師、新聞記者、電話公司職員、麻醉師、士兵和保安、律師、醫生、軟體開發者和操盤手、股票交易員等等高薪酬的腦力職業將最先受到衝擊。 2017年6月份馬雲在美國底特律舉行「鏈結世界」（Gateway 17）產業大會，會上提出人工智慧可能導致第三次世界大戰，因為前兩次產業革命都導致兩次大戰，戰爭原因並非這些創新發明本身，而是發明對社會上許多人的生活方式衝擊處理不當，新科技在社會上產生新工作也取代舊工作，產生了新的輸家和贏家，若是輸家的人數太多將造成一股社會不穩的能量而這股能量被有心人利用可能導致各種事件。他認為各國應該強制訂定規定AI機器只能用於人類不能做的工作，避免短時間大量人類被取代的失業大潮，但馬雲沒有提出這種世界性規定將如何實現並確保遵守的細節方案。 數據科學和人工智能被哈佛商業評論稱爲《二十一世紀最Sexy的職業》，人工智能需求量大，鼓勵了不少大學諸如伯克利大學專門成立數據科學系。硅谷和紐約爲主的《The Data Incubator》公司於2012年成立，焦點是數據科學，大數據，和人工智能企業培訓，提供國際大數據培訓服務。

AI對人類的威脅

此議題目前分成兩個學派：

悲觀學派

此學派的代表是天文物理學家史蒂芬·霍金，以及特斯拉執行長伊隆·馬斯克。霍金認為AI對人類將來有很大的威脅，主要有以下理由：

AI會遵循科技發展的加速度理論。 AI可能會有自我改造創新的能力。 AI進步的速度遠遠超過人類。 人類會有被滅絕的危機。

樂觀學派

主要是Google、Facebook等AI的主要技術發展者，他們對AI持樂觀看法的理由：

人類只要關掉電源就能除掉AI機器人。 任何的科技都會有瓶頸，摩爾定律到目前也遇到相當的瓶頸，AI科技也不會無限成長，依然存在許多難以克服的瓶頸。 依目前的研究方向，電腦無法突變、甦醒、產生自我意志，AI也不可能具有創意與智慧、同情心與審美等這方面的能力。

AI與管理

AI逐漸普及後，將會在企業管理中扮演很重要的角色，而人類的管理者應如何適度的調整自己的工作職能，有以下幾點建議：

放棄行政工作； 退守分析預測的領域而強化自己的綜合判斷力； 把AI當作同事，形成協同合作的團隊； 多琢磨在創造力以及各種流程架構設計師角色； 強化自己人際網路、溝通協調、談判上的能力； 培養自身領導能力，能有效地帶領一個士氣高、團結及凝結力高的工作夥伴。

強人工智能和弱人工智能

人工智能的一個比較流行的定義，也是該領域較早的定義，是由當時麻省理工學院的約翰·麥卡錫於1956年的達特矛斯會議上提出的：人工智能就是要讓機器的行為看起來就像是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智能的可能性（見下）。另一個定義指人工智能是人造機器所表現出來的智能。總體來講，目前對人工智能的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這裡「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。

強人工智能

強人工智能觀點認為「有可能」製造出「真正」能推理和解決問題的智能機器，並且，這樣的機器將被認為是具有知覺、有自我意識的。強人工智能可以有兩類：

人類的人工智能，即機器的思考和推理就像人的思維一樣。 非人類的人工智能，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

弱人工智能

弱人工智能觀點認為「不可能」製造出能「真正」地推理和解決問題的智能機器，這些機器只不過「看起來」像是智能的，但是並不真正擁有智能，也不會有自主意識。 弱人工智能是對比強人工智能纔出現的，因為人工智能的研究一度處於停滯不前的狀態下，直到類神經網路有了強大的運算能力加以模擬後，才開始改變並大幅超前。但人工智能研究者不一定同意弱人工智能，也不一定在乎或者瞭解強人工智能和弱人工智能的內容與差別，對定義爭論不休。 就當下的人工智能研究領域來看，研究者已大量造出「看起來」像是智能的機器，取得相當豐碩的理論上和實質上的成果，如2009年康乃爾大學教授Hod Lipson 和其博士研究生Michael Schmidt 研發出的 Eureqa電腦程式，只要給予一些資料，這電腦程式自己只用幾十個小時計算就推論出牛頓花費多年研究才發現的牛頓力學公式，等於只用幾十個小時就自己重新發現牛頓力學公式，這電腦程式也能用來研究很多其他領域的科學問題上。這些所謂的弱人工智慧在神經網路發展下已經有巨大進步，但對於要如何整合成強人工智慧，現在還沒有明確定論。

對強人工智能的哲學爭論

主條目：人工智能哲學、圖靈測試、物理符號系統、皇帝新腦、德雷福斯對人工智能的看法、AI效應 「強人工智能」一詞最初是約翰·瑟爾針對電腦和其它資訊處理機器創造的，其定義為： 「強人工智能觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的。」（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980） 關於強人工智能的爭論，不同於更廣義的一元論和二元論的爭論。其爭論要點是：如果一臺機器的唯一工作原理就是轉換編碼數據，那麼這臺機器是不是有思維的？希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是轉換數據，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和這實際事情之間的對應關係的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有自我思維和自由意識。 也有哲學家持不同的觀點。丹尼爾·丹尼特在其著作《意識的解釋》（Consciousness Explained）裡認為，人也不過是一臺有靈魂的機器而已，為什麼我們認為：「人可以有智能，而普通機器就不能」呢？他認為像上述的數據轉換機器是有可能有思維和意識的。 有的哲學家認為如果弱人工智能是可實現的，那麼強人工智能也是可實現的。比如西蒙·布萊克本（Simon Blackburn）在其哲學入門教材Think裡說道，一個人的看起來是「智能」的行動並不能真正說明這個人就真的是智能的。我永遠不可能知道另一個人是否真的像我一樣是智能的，還是說她／他僅僅是「看起來」是智能的。基於這個論點，既然弱人工智能認為可以令機器「看起來」像是智能的，那就不能完全否定這機器是真的有智能的。布萊克本認為這是一個主觀認定的問題。 需要指出的是，弱人工智能並非和強人工智能完全對立，也就是說，即使強人工智能是可能的，弱人工智能仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在一百多年前是被認為很需要智能的。並且，即使強人工智能被證明為可能的，也不代表強人工智能必定能被研製出來。

研究方法

目前沒有統一的原理或範式指導人工智能研究。許多問題上研究者都存在爭論。 其中幾個長久以來仍沒有結論的問題是：是否應從心理或神經方面模擬人工智能?或者像鳥類生物學對於航空工程一樣，人類生物學對於人工智能研究是沒有關係的？智能行爲能否用簡單的原則（如邏輯或優化）來描述？還是必須解決大量完全無關的問題？ 智能是否可以使用高級符號表達，如詞和想法？還是需要“子符號”的處理？ 約翰·豪格蘭德（John Haugeland）提出了GOFAI（出色的老式人工智能）的概念，也提議人工智能應歸類爲synthetic intelligence，這個概念後來被某些非GOFAI研究者採納。

控制論與大腦模擬

20世紀40年代到50年代，許多研究者探索神經學、信息理論及控制論之間的聯繫。其中還造出一些使用電子網絡構造的初步智能，如威廉·格雷·沃爾特的烏龜（turtle）和約翰霍普金斯野獸。 這些研究者還經常在普林斯頓大學和英國的Ratio Club舉行技術協會會議。直到1960，大部分人已經放棄這個方法，儘管在80年代再次提出這些原理。

符號處理

當20世紀50年代，數位計算機研製成功，研究者開始探索人類智能是否能簡化成符號處理。研究主要集中在卡內基梅隆大學，斯坦福大學和麻省理工學院，而各自有獨立的研究風格。約翰·豪格蘭德（John Haugeland）稱這些方法爲GOFAI（出色的老式人工智能）。60年代，符號方法在小型證明程序上模擬高級思考有很大的成就。基於控制論或人工神經網絡的方法則置於次要。60－70年代的研究者確信符號方法最終可以成功創造強人工智能的機器，同時這也是他們的目標。

認知模擬：經濟學家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們爲人工智能的基本原理打下基礎，如認知科學、運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發模擬人類解決問題方法的程序。這方法一直在卡內基梅隆大學沿襲下來，並在80年代於Soar發展到高峯。 基於邏輯：不像艾倫·紐厄爾和赫伯特·西蒙，約翰·麥卡錫認爲機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的算法。他在斯坦福大學的實驗室致力於使用形式化邏輯解決多種問題，包括知識表示，智能規劃和機器學習。致力於邏輯方法的還有愛丁堡大學，而促成歐洲的其他地方開發編程語言Prolog和邏輯編程科學。 “反邏輯”: 斯坦福大學的研究者 （如馬文·閔斯基和西摩爾·派普特）發現要解決計算機視覺和自然語言處理的困難問題，需要專門的方案：他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行爲。羅傑·尚克描述他們的“反邏輯”方法爲“scruffy”。常識知識庫（如道格拉斯·萊納特的Cyc）就是“scruffy”AI的例子，因爲他們必須人工一次編寫一個複雜的概念。 基於知識：大約在1970年出現大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟件。這場“知識革命”促成專家系統的開發與計劃，這是第一個成功的人工智能軟件形式。“知識革命”同時讓人們意識到許多簡單的人工智能軟件可能需要大量的知識。

子符號方法

1980年代符號人工智能停滯不前，很多人認爲符號系統永遠不可能模仿人類所有的認知過程，特別是感知、機器人、機器學習和模式識別。很多研究者開始關注子符號方法解決特定的人工智能問題。

自下而上、接口agent、嵌入環境（機器人）、行爲主義、新式AI：機器人領域相關的研究者，如羅德尼·布魯克斯，否定符號人工智能而專注於機器人移動和求生等基本的工程問題。他們的工作再次關注早期控制論研究者的觀點，同時提出了在人工智能中使用控制理論。這與認知科學領域中的表徵感知論點是一致的:更高的智能需要個體的表徵（如移動，感知和形象）。 計算智能：1980年代中David Rumelhart等再次提出神經網絡和聯結主義。這和其他的子符號方法，如模糊控制和進化計算，都屬於計算智能學科研究範疇。

統計學方法

1990年代，人工智能研究發展出複雜的數學工具來解決特定的分支問題。這些工具是真正的科學方法，即這些方法的結果是可測量的和可驗證的，同時也是近期人工智能成功的原因。共用的數學語言也允許已有學科的合作（如數學，經濟或運籌學）。Stuart J.Russell和彼德·諾米格指出這些進步不亞於“革命”和“neats的成功”。有人批評這些技術太專注於特定的問題，而沒有考慮長遠的強人工智能目標。

集成方法

智能agent範式：智能agent是一個會感知環境並作出行動以達致目標的系統。最簡單的智能agent是那些可以解決特定問題的程序。更復雜的agent包括人類和人類組織（如公司）。這些範式可以讓研究者研究單獨的問題和找出有用且可驗證的方案，而不需考慮單一的方法。一個解決特定問題的agent可以使用任何可行的方法-一些agent用符號方法和邏輯方法，一些則是子符號神經網絡或其他新的方法。範式同時也給研究者提供一個與其他領域溝通的共同語言–如決策論和經濟學（也使用abstract agents的概念）。1990年代智能agent範式被廣泛接受。 代理架構和認知架構：研究者設計出一些系統來處理多agent系統中智能agent之間的相互作用。一個系統中包含符號和子符號部分的系統稱爲混合智能系統，而對這種系統的研究則是人工智能系統集成。分級控制系統則給反應級別的子符號AI和最高級別的傳統符號AI提供橋樑，同時放寬了規劃和世界建模的時間。

基本應用

人工智慧基本的應用可分為四大部分：

感知能力（Perception）

指的是人類透過感官所收到環境的刺激，察覺訊息的能力，簡單的說就是人類五官的看、聽、說、讀、寫等能力，學習人類的感知能力是AI目前主要的焦點之一，包括：

「看」：電腦視覺（Computer Vision）、圖像辨識（Image Recognition）、人臉辨識（Face Recognition）、物件偵測（Object Detection）。 「聽」：語音辨識（Sound Recognition）。 「說」：語音生成（Sound Generation）、文本轉換語音（Text-to-Speech）。 「讀」：自然語言處理（Natural Language Processing，NLP）、語音轉換文本（Speech-to-Text）。 「寫」：機器翻譯（Machine Translation）、文本生成（Text Generation）

認知能力（Cognition）

指的是人類透過學習、判斷、分析等等心理活動來瞭解訊息、獲取知識的過程與能力，對人類認知的模仿與學習也是目前AI第二個焦點領域，主要包括：

分析辨識能力：例如醫學圖像分析、產品推薦、垃圾郵件辨識、法律案件分析、犯罪偵測、信用風險分析、消費行為分析等。 預測能力：例如AI執行的預防性維修（Predictive Maintenance）、智慧天然災害預測與防治。 判斷能力：例如AI下圍棋、自動駕駛車、健保詐欺判斷、癌症判斷等。 學習能力：例如機器學習、深度學習、增強式學習等等各種學習方法。

創造力（Creativity）

指的是人類產生新思想，新發現，新方法，新理論，新設計，創造新事物的能力，它是結合知識、智力、能力、個性及潛意識等各種因素優化而成，這個領域目前人類仍遙遙領先AI，但AI也試著急起直追，主要領域包括：AI作曲、AI作詩、AI小說、AI繪畫、AI設計等。

智慧（Wisdom）

指的是人類深刻瞭解人、事、物的真相，能探求真實真理、明辨是非，指導人類可以過著有意義生活的一種能力，這個領域牽涉人類自我意識、自我認知與價值觀，是目前AI尚未觸及的一部分，也是人類最難以模仿的一個領域。

實際應用

機器視覺、指紋識別、人臉識別、視網膜識別、虹膜識別、掌紋識別、專家系統、自動規劃、無人載具等。

學科範疇

人工智能是一門邊緣學科，屬於自然科學和社會科學的交叉。

涉及學科

認知科學 數學及統計學 物理學 邏輯學 控制論及決定論 社會學 犯罪學及智慧犯罪學

研究範疇

電視劇

TVB電視劇《智能愛人》 ViuTV電視劇《IT狗》 東映特攝劇《假面騎士ZERO-ONE》

應用領域

智能控制 機器人學 自動化技術 語言和圖像理解 遺傳編程 法學資訊系統 下棋 醫學領域

濫用

2019年6月，基於神經網絡技術DeepNude軟件面世，該軟件可以將人物照片的衣着褪去，顯示出裸體。隨後，經該軟件處理後的色情圖片在網絡上氾濫並引發爭議，此後該軟件在批評聲中被下架。據美國網絡安全公司Sensity統計，DeepNude已經產生了68萬以上女性的假裸照，其中70%的原照片來自社交網絡中的真實女性，而經DeepFake技術處理的視頻在以每6個月翻一番的數量增長。截至2020年12月 (2020-12)，Sensity檢測到的相關視頻數量超過8.5萬個。而惡用該技術則可能涉嫌違反《著作權法》等法律，日本警方便多次處理過使用人工智能技術去除色情影片中的馬賽克、替換色情影片中女優容貌等相關案件。

參看

參考文獻

引用

來源

擴展閱讀

外部連結

• 聊天機器人 What Is AI?—An introduction to artificial intelligence by AI founder John McCarthy. 開放目錄項目中的“AI” AITopics—A large directory of links and other resources maintained by the Association for the Advancement of Artificial Intelligence, the leading organization of academic AI researchers. Artificial Intelligence Discussion group （頁面存檔備份，存於互聯網檔案館） 機器人智能機器人智能 研學論壇 （頁面存檔備份，存於互聯網檔案館）關於人工智能，模式識別，科學交流的學術論壇 中國人工智能網－人工智能|模式識別|數字圖像處理 AI Depot—community discussion, news, and articles Loebner Prize website（頁面存檔備份，存於互聯網檔案館） Game AI—計算機遊戲開發者的AI資源 Kurzweil CyberArt Technologies（頁面存檔備份，存於互聯網檔案館）—關於人工智能藝術的網站，裡面有著名的人工智能繪畫程序AARON 關於人工智能，專家系統prolog語言全介紹的wiki網站 中華民國人工智慧學會 （頁面存檔備份，存於互聯網檔案館）—以促進中華民國人工智慧及相關領域之研究、發展、應用與交流為宗旨的民間組織。 MostAI—關於人工智能的網站，AI Fans交流平臺 智能程序自進化概念 （頁面存檔備份，存於互聯網檔案館） 進化論 （頁面存檔備份，存於互聯網檔案館）3D光学数据存储 3D打印 3D生物打印 3D食物列印 ACM 电脑分类系统 AI AI@50 AI Winter AI效應 Aeroscraft Agent architecture Agent体系结构 Alan Mackworth Alan Turing AlexNet Alexander Lerner Alexey Lyapunov Allen Newell Allenna Leonard AlphaFold AlphaGo Alvey Amos Tversky Ampakine Amy Webb Anthony Stafford Beer Anthony Wilden Anthropic Applied information economics Auto-GPT Automated planning and scheduling BERT BLOOM (语言模型) Bard Behavioral psychology Big data Biological cybernetics Boden, Margaret Charles François Charles Geoffrey Vickers ChatGPT Chinchilla AI Claude Shannon Cliff Joslyn Combinatorial explosion Computational intelligence Consciousness Explained Contour crafting Cybermethodology Cyc D-Shape DALL-E DENDRAL DOI Daniel Crevier Daniel Dennett Daniel Kahneman Dartmouth workshop David Poole (researcher) David Rumelhart DeepMind Deep learning Developmental robotics Dion Forster Douglas Hofstadter Douglas Lenat ET3全球联盟 EleutherAI Embodied agent Ephemeralization Erich von Holst Ernst von Glasersfeld Expert systems Facial recognition system Femtotechnology Fifth Generation Project Flux (机器学习框架) Fortran Francis Heylighen Frank Rosenblatt Frederic Vester F检验 GOFAI GPT-1 GPT-2 GPT-3 GPT-4 GPT-J Genevieve Bell George Lakoff George Luger Gerald Edelman Google JAX Gordon Pask Gordon S. Brown Graphcore Hans Moravec Herbert A. Simon Hubert Dreyfus Hugging Face Humberto Maturana Hybrid intelligent system IT狗 Igor Aleksander ImageNet Jakob von Uexküll James Lighthill Jason Jixuan Hu Jay Wright Forrester Jeff Hawkins Jennifer Wilby John Haugeland John Lucas（philosopher） John McCarthy（computer scientist） John N. Warfield John Searle Joseph Needham Joseph Weizenbaum Keras Kismet LISP LLaMA Lighthill report Lisp机器 MIT計算機科學與人工智慧實驗室 MYCIN Machine perception Malcolm Gladwell Maleyka Abbaszadeh Mansfield Amendment Marian Mazur Marvin Minsky Meta AI Michael Haenlein Microelectronics and Computer Technology Corporation Midjourney Mila (研究所) Millipede Mind (journal) Mobile robot navigation Moore’s Law MuZero Nathan Rochester Neats vs. scruffies Nils Nilsson (researcher) Nils Nilsson（researcher） Object recognition On Intelligence OpenAI OpenAI Five Outline of transport PaLM Pamela McCorduck Patrick Winston Peter Cathcart Wason Prolog PyTorch Pyotr Grigorenko Q学习 Rafael E. Núñez Randy Goebel Ranulph Glanville Ray Kurzweil Robert Trappl Rodney Brooks Roger Penrose SARSA算法 SONOS Seq2Seq模型 Sergei P. Kurdyumov Soar (認知架構) Softmax函数 Sora (人工智能模型) SpiNNaker Stable Diffusion Stanford Artificial Intelligence Laboratory Strategic Computing Initiative Stuart J.Russell Stuart Umpleby Suite Synthetic intelligence S型函数 TAIDE Technology scouting TensorFlow The Age of Spiritual Machines The Data Incubator The Emotion Machine Theano Thermal copper pillar bump Transformer模型 Tricorder Tweel Twitter Ulla Mitzdorf United States National Research Council Valentin Braitenberg Valentin Turchin Vernor Vinge Wald檢定 Warren McCulloch WaveNet Where Mathematics Comes From Whisper (语音识别系统) William Grey Walter William Stubblefield Word2vec W·罗斯·艾希比 Xcon Z检验 一元論 一般线性模型 万维网 三維晶片 下一代显示技术 下棋 不确定性 不精確和不確定的管理 专家系统 世界机器人学 丢番图几何 个人快速运输系统 个体化医疗 中位數 中国学科分类国家标准/110 中国科学技术史 (李约瑟) 中心极限定理 中文房間 中文房间 中间件 丹尼爾·丹尼特 主观性 乘積極限估計量 二元論 二階控制論 于尔根·施密德胡伯 云计算 云霄塔 互联网档案馆 交叉驗證 交換代數 人工光合作用 人工想像 人工智慧低谷 人工智慧叛變 人工智能伦理 人工智能发展 人工智能史 人工智能哲學 人工智能安全 人工智能对齐 人工智能应用 人工智能时间轴 人工智能术语表 人工智能法案 人工智能热潮 人工智能的存在风险 人工智能的应用 人工智能的进展 人工智能监管 人工智能竞赛和奖项 人工智能系统集成 人工智能编程语言列表 人工智能軍備競賽 人工智能项目列表 人工生命 人工直覺 人工神经网络 人形機器人 人机交互 人機互動 人脸识别 人腦 人臉辨識 人造子宮 人造肌肉 人造脑 人體冷凍技術 人體圖像合成 代数 代数几何 代数拓扑 代數數論 以太币 仿生學 仿生隐形眼镜 仿真系統 企业信息系统 企业级软件 伊恩·古德费洛 伊爾亞·蘇茨克維 伊隆·馬斯克 众数 (数学) 优化 伸缩像素显示器 低可偵測性技術 体内稳态 体积显示器 使用工具 信息与计算科学 信息几何 信息及通信技术 信息安全 信息檢索 信息理论 信息系统 信息论 信賴區間 修飾照片 假說檢定 假面騎士ZERO-ONE 假體 偏度 傅立叶分析 元分析 元宇宙 光伏路面 光子计算机 光学头戴式显示器 光学字符识别 光学整流天线 光束推进 光碟 克劳德·香农 克洛德·贝尔纳 入侵检测系统 全基因組定序 全息存储 全息显示器 全距 公司 公平性（机器学习） 六足机器人 共變異數分析 关联规则学习 再生醫學 军事技术与装备 农业 农业机械化 决定论 决策支持系统 决策树学习 决策论 冷凍保護劑 几何-调和平均数 几何分析 几何学 几何平均数 几何拓扑学 几何数论 凱文·沃威克 函式庫 刀切法 分位圖 分子汇编器 分子电子学 分子納米技術 分子纳米技术 分布式计算 分布形态 分级控制系统 分類問題之損失函數 切比雪夫不等式 列联表 列聯表 初等代數 力场 (小说) 加密貨幣 加州大學柏克萊分校 加速变化 動力服 動物 区块链 医学信息学 區間估計 區集 半参数回归模型 半监督学习 协同学 南希·凱薩琳·海爾斯 博弈論 博弈论 卡内基·梅隆大学 卡内基梅隆大学 卡尔·路德维希·冯·贝塔郎非 卡方检验 印刷电路板 危險比例模式 卷积 卷积神经网络 压缩空气能源存储 厚膜电致发光技术 原子电子学 去滅絕 友好的人工智能 双标图 双电层电容器 反向传播算法 反物质武器 反重力 变分自编码器 变异系数 可变比冲磁等离子体火箭 可微函数 可微分神经计算机 可微分编程 可控核聚變 可穿戴计算机 可編程金屬化單元 可编程物质 可视化 可解釋人工智慧 可變電阻式記憶體 可计算性 可重用发射系统 史蒂芬·霍金 司徒頓t檢定 司马贺 合成基因组学 合成智能 合成生物学 合成鑽石 向量数据库 启发式算法 吴恩达 哈佛商業評論 哥德尔、埃舍尔、巴赫 唐纳德·赫布 器官晶片 噴射背包 四分位数 四分位距 回响状态网络 回應過程效度 国际人工智能联合会议 国际斯坦福研究所 国际跳棋 图像压缩 图像处理 图形处理单元 图灵测试 图神经网络 图论 圆顶城市 圍棋棋士列表 圖形處理器 圖靈試驗 地理信息系统 地面效应列车 场发射显示器 垂直農法 型一錯誤與型二錯誤 埃隆·马斯克 基于转换器的生成式预训练模型 基因工程 基因改造病毒 基因改造細菌 基因改造食品 基因治療 基尼系数 塔尔科特·帕森斯 增強式學習 声波武器 外部皮层 外部设备 多元處理 多功能结构 多原色顯示技術 多层感知器 多模态模型 多线程 多重线性代数 多關節機器人 大型语言模型 大数据 大衛·席爾瓦 (計算機科學家) 大语言模型 太空太陽能 太空纜索 太空電梯 太空飛機 太阳帆 失效率 失業 头部移植 奇点迫近 奈米機器人學 女性人形機器人 威廉·格雷·沃尔特 娛樂數學 娛樂機器人 娜塔莉亚·贝赫捷列娃 存储器 孤立腦 学习 安德烈亚斯·卡普兰 定向能量武器 定理 实体造型 实变函数论 实时计算 实用雾 家庭自動化 家用机器人 家用燃料电池 密码学 富勒烯 对抗机器学习 封闭生态系统 射频识别 專家系統 對數秩和檢定 對立假說 對話程式語言模型 導電聚合物 尼克拉斯·卢曼 履帶 峰度 嵌入式系统 工业机器人 工程控制论 差异化技术开发 巴克敏斯特·富勒 希羅平均數 常识知识库 干擾因素 干涉式调制器显示器 干细胞治疗 平均差 平均数 平均数不等式 平方平均数 并发性 并发计算 并行计算 幹葉圖 幻觉 (人工智能) 序理论 应用数学 底特律 康乃爾大學 廣義線性模型 建筑 建筑打印 建筑生态学 开放式目录 开源机器人学 开源软件 异常检测 弗朗西斯科·瓦雷拉 张量处理单元 张量微积分 弱人工智慧 弱人工智能 張量微積分 強人工智慧 強人工智能 强化学习 归纳偏置 形式化方法 形式语义学 彼德·諾米格 循环神经网络 微分几何 微分拓扑 微分方程 微型机器人学 微积分 微调 (深度学习) 德雷福斯對人工智能的看法 心理 心理学 心理學 心靈 思維 性愛機械人 总体 恆星際旅行 恐怖谷理论 情感计算 意識 意識的解釋 意识上传 感知 感知問題 感知器 憶阻器 手写识别 手动遥控 托比·沃尔什 扩散过程 技术 技术伦理学 技术奇异点 技术奇点 技术就绪指数 技术演进 技术范例 技术融合 技术路线 技术革新 技術性失業 抬頭顯示器 抽樣 抽象代数 拓扑学 指纹识别 掌控可忽略衰老 掌纹识别 探索性工程 控制理论 控制系統 控制論 控制論者 控制论 推理 推論統計學 推进剂库 描述统计学 提示工程 摩尔定律 摩爾定律 操作系统 擺 攀登 支持向量机 政治学 效应值 教育技术学 散布圖 数值分析 数字艺术 数字香水技术 数学 数学与艺术 数学主题列表 数学分析 数学史 数学哲学 数学基础 数学学科分类标准 数学心理学 数学教育 数学物理 数学符号表 数学纲要 数学软件 数学领域 数据库管理系统 数据挖掘 数据科学 数据结构 数理经济学 数理统计学 数理逻辑 数论 數位圖書館 數位行銷 數理生物學 數理金融學 文件管理系统 文字处理器 文心一言 斯图亚特·考夫曼 斯坦福大学 斯皮尔曼等级相关系数 新兴技术 新南威尔士大学 新能源车 新興技術列表 方差 方差分析 旋翼 无屏幕 无气轮胎 无线供电 无芯片RFID 时分复用光学快门 显著性差异 普林斯顿大学 普适机器人 普适计算 普通最小二乘法 智慧 智慧犯罪学 智慧電網 智能代理 智能合约 智能愛人 智能控制 智能搜索 智能规划 暫停生命 曼-惠特尼檢定 曼菲德·克萊恩斯 最优化 最大似然估计 最大间距 最小距離估計 有机发光晶体管 有機發光二極體 有线电视新闻网 有限幾何學 服务机器人 朱迪亚·珀尔 机器人 机器人伦理学 机器人列表 机器人历史 机器人名人堂 机器人学 机器人学文章索引 机器人学术语 机器人学纲要 机器人工具组 机器人控制 机器人模拟器 机器人法则 机器人演化 机器人的领域 机器人类别 机器人范式 机器人软件 机器人辅助手术 机器学习 机器翻译 机器视觉 机械 机械伦理学 李世乭 李開復 李飛飛 材料科学 条形图 杨立昆 杰弗里·辛顿 杰米斯·哈萨比斯 极地机器人 柔性印刷电路板 柔性显示器 标准误差 样本量 核聚变火箭 核脉冲推进 格雷戈里·贝特森 框架理論 梯度下降法 森林圖 概率 概率分布 概率论 標準分數 標準差 模式识别 模糊控制 機器人 機器人太空船 機器感知 機械手臂 檢定力 次數 (統計學) 欧几里得几何 正则化 (数学) 残差神经网络 残疾机器人 比爾蓋茲 比特幣 气凝胶 气动运输 氢经济 氫動力汽車 水下 決定論 沃伦·麦卡洛克 沃尔特·布拉德福·坎农 沃尔特·皮茨 沃森 (人工智能程序) 沉浸 (虚拟现实) 沟通 法學資訊系統 泛代数 泛函分析 注意力机制 测度 海因茨·冯·福斯特 涌现 涡流发动机 涡环枪 深伪技术 深低溫保存 深偽色情 深度学习 深度學習 混合智能系統 混合现实 渲染 游泳 溶瘤病毒 滑动自主 演員 潛意識 激光 激光推进 激光激发荧光粉显示器 激光视频显示器 激微波 激活函数 災難理論 点集拓扑学 热能储存 無人地面載具 無人機 無人航空載具 無人載具 無殼彈 無監督學習 熔盐堆 熔盐电池 爬行形类 爱丁堡大学 牛津大学 牛津大學出版社 牛頓 物理学 物理符號系統 物联网 物體辨識 犯罪學 猎户座项目 王詠剛 玛格丽特·A·博登 环境智能 玻璃化 (生物医学) 瑞恰慈 瑪格麗特·米德 生命延續 生存函数 生存分析 生成对抗网络 生成式人工智慧 生物信息学 生物倫理學 生物化学计算机 生物医学技术 生物機器人 生物燃料 生物符號學 生物統計學 生物醫學控制論 生產系統 用户界面 甲醇经济 电子商务 电子游戏 电子粘土 电子纺织品 电子鼻 电网能源存储 电脑围棋 病毒疗法 百分位数 皇帝新脑 皮尔逊积矩相关系数 皮米技术 监督学习 盧特菲·澤德 直方图 直譯器 相关 (概率论) 相控阵光学 相變化記憶體 真空管道高速交通 瞬間決斷 知識工程 知識獲取 知識表現 知識表示 知识 知识表示 矩 (數學) 矩估计 石墨烯 研究 硅气电池 硅烯 (单质) 碳中性燃料 碳纳米管 碳纳米管场效应晶体管 磁性制冷 磁懸浮列車 磁軌砲 磁阻式隨機存取記憶體 磷酸铁锂电池 示意地圖 社交機器人 社会学 社会性软件 社会控制論 社会智力 社會科學 神經科學 神经 神经伦理学 神经信息学 神经假体 神经图灵机 神经学 神经形态工程 神经机器翻译 神经生物学 神经科学 离子推力器 离散几何学 离散数学 离散程度 科学 (期刊) 科技預測 科林格里奇困境 秩和检验 移動機器人 移物 程式語言理論 空间发射 空间喷泉 空间科学 突现 符号学 符號人工智能 第三次世界大戰 第五代电脑 第五代電腦 等离子武器 等离子窗 等級相關 算术 算术-几何平均数 算术几何 算术平均数 算法 算法分析 算法效率 算法设计 管制圖 管理控制論 管输工艺 箱形圖 簡單線性迴歸 类型论 粒子束武器 精准农业 系统平台 系统架构 約翰霍普金斯野獸 統計學 統計誤用 網絡戰 線圈砲 線性回歸 線性模型 編譯器 约书亚·本希奥 约翰·冯·诺伊曼 约翰·瑟尔 约翰·麦卡锡 纯聚变武器 纳机电系统 纳米传感器 纳米医学 纳米技术 纳米机器人 纳米材料 纳米线电池 纳米随机存储器 线性代数 线性整流函数 线性炔碳 线控机器人 组合数学 组织工程学 经济学 经营科学 统计分类 统计图形 统计学 统计学习理论 统计流形 统计类型 绿色计算 编程范型 编程语言 缺失数据 网络传输协议 网络伦理 网络安全 网络拓扑 网络服务 网络本体语言 罗德尼·布鲁克斯 罗杰·尚克 美国人工智能协会 美国在线 群体机器人 群论 联结主义 聚光太阳能热发电 聚类分析 肯德等級相關係數 背包直升机 脉冲爆震引擎 脑机接口 脑植入 脑部移植 腦電圖 腳 臉部辨識系統 自主机器人 自主武器 自主随机机器人 自动化真空收集 自动化餐馆 自动引导机器人 自动推理 自动机 自动规划 自动规划和调度 自助法 自動化技術 自動微分 自動駕駛汽車 自我 自我迴歸模型 自旋電子學 自然科學 自然語言 自然語言處理 自然语言处理 自由度 (统计学) 自编码器 自适应柔性变形机翼 自重构模块化机器人 航天器推进 航空 航空太空工程學 航空工程 色情片 艾伦·图灵 艾伦·纽厄尔 艾力克斯·格雷夫斯 (計算機科學家) 苏联 范式 范畴论 華生選擇任務 藍腦計畫 蘇聯控制論 虚拟现实 虚拟视网膜显示器 虚构机器人列表 虛擬機器 虛擬球 虛構科技 虛無假說 虹膜识别 螺旋雙層推進器 行为主义 (心理学) 行事原则 行动选择 表征学习 表面傳導電子發射顯示器 裸眼3D 複分析 複雜系統 西摩·佩珀特 西摩爾·派普特 西蒙·布莱克本 規劃 视网膜植入 视网膜识别 视觉假体 视觉处理单元 解析几何 解析数论 解決問題 計算機代數系統 計算機視覺 計算社會科學 計算神經科學 計算複雜性理論 試管肉 詹姆斯·莱特希尔 認知偏誤列表 認知心理學 認知架構 認知神經科學 認知科學 語意分析 語義學 語言 語言和圖像理解 語言模型 語音識別 調和分析 諾伯特·維納 计算几何 计算化学 计算数学 计算机动画 计算机协会 计算机器与智能 计算机图形学 计算机安全 计算机生成全息 计算机硬件 计算机科学 计算机系统结构 计算机网络 计算机视觉 计算机辅助功能 计算机逻辑 计算物理学 计算理论 计算生物学 计算神经科学 计算语言学 计量经济学 认知发展论 认知科学 训练集、验证集和测试集 试验设计 语义网 语言模型 语音合成 语音识别 误差 读脑 调和平均数 谷歌大脑 貝氏網路 資料挖掘 資訊處理 質量投射器 賽博格 賽道記憶體 贝叶斯回归 贝叶斯推断 资助更为有成效项目的趋势 赫伯特·西蒙 超人工智能 超人类主义 超大规模集成电路 超材料 超材料隐形 超流体 超迴路列車 超音速客機 超音速燃烧冲压发动机 超高畫質電視 趋势图 跑步 路由 跳躍 軍用機器人 軟計算 軟體框架 軟體維護 輪 车载通信系统 轨道环 软件开发 软件开发工具 软件开发过程 软件无线电 软件设计 软件质量 软件部署 软件配置管理 辩手项目 農業機器人 达特矛斯会议 达特茅斯学院 迁移学习 过程控制 迈克尔·海恩莱因 运筹学 运算学习理论 运算数学 运算科学 运行时间 进化算法 进化计算 迴歸分析 送货无人机 适应性机器人学 通用人工智慧 通用人工智能 通用人工智能的生存风险 通用图形处理器 逻辑 逻辑学 逻辑推理 逻辑程序设计 逻辑编程 遊戲樹 運動 (物理學) 運算學習論 運籌學 過適 道格拉斯·莱纳特 達特茅斯會議 遗传算法 遠程機器人 遥控操作 遺傳算法 遺傳編程 避障遥控 邏輯斯諦迴歸 醛穩定冷凍保存 醫學 醫學控制論 醫學領域 醫療用機器人 重抽样 重複 (統計學) 野村综合研究所 量子密碼學 量子技術 量子点 量子计算机 量子隱形傳態 量子點顯示器 金属泡沫 鋰空氣電池 鐵電隨機存取記憶體 钱学森 铁电液晶显示器 锂离子电池研究 長短期記憶 门控循环单元 阻碍 阿弗烈·芮克里夫-布朗 陆路运输 降维 陸路運輸 随机化算法 随机梯度下降 隐身斗篷 雅克·法斯科 集中趋势 集体智慧 集合论 集成开发环境 集成电路 雷达图 電子世界爭霸戰 電子出版 電子數值積分計算機 電子設計自動化 電漿推進發動機 電腦 電腦將棋 電腦數據存貯器 電腦科學 電腦視覺 電腦象棋 需求分析 霍金 靈敏度和特異度 非参数回归模型 非同質化代幣 非晶态金属 非欧几里得几何 非火箭航天发射 非线性回归 頭戴式顯示器 類人型機器人 项目 领域特定语言 飛 飛天車 飞轮储能 食品管道 饼图 馬賽克 (影像處理) 马云 马文·闵斯基 高温合金 高溫超導 高空平台 高空風力發電機 麻省理工学院 麻省理工學院