人工智能要学哪些课程?人工智能会失控吗?

1.人工智能要学哪些专业课程数据科学与大数据专业和人工智能专业的必修基础课程方面一般包含大数据（人工智能）概论、Linux操作系统、Java语言编程、数据库原理与应用、数据结构、数学及统计类课程（高等数学、线性代数、概率论、数理统计）。

2.大数据应用开发语言、Hadoop大数据技术、分布式数据库原理与应用、数据导入与预处理应用、数据挖掘技术与应用、大数据分析与内存计算等。选修的课程方面数据可视化技术、商务智能方法与应用、机器学习、人工智能技术与应用等。实践应用课程方面海量数据预处理实战、海量数据挖掘与可视化实战等。

3.数据科学与大数据技术与人工智能专业可从事的岗位有：分析类，分析工程师、算法工程师；研发类，架构工程师、开发工程师、运维工程师；管理类，产品经理、运营经理。

人工智能学习的课程主要有：《人工智能、社会与人文》、《人工智能哲学基础与伦理》、《先进机器人控制》、《认知机器人》、《机器人规划与学习》、《仿生机器人》、《群体智能与自主系统》《无人驾驶技术与系统实现》《游戏设计与开发》《计算机图形学》《虚拟现实与增强现实》、《人工智能的现代方法I》 。

人工智能学习内容包括数学基础、算法积累以及编程语言。数学要学好高数、线性代数、概率论、离散数学等等内容，算法积累需要学会人工神经网络、遗传算法等等，还需要学习一门编程语言，通过编程语言实现算法，还可以学习一下电算类的硬件基础内容。

人工智能就业前景

随着智能化的发展，人工智能技术会在互联网行业逐步应用和普及，把技术应用于物联网、大数据等行业，所以就业需求会不断扩大，我们也将会频繁与智能体互动和交流，这也是未来社会生产环境的发展趋势，需要我们去迎合时代发展的需要。

学人工智能，需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。
需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法;当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM;总之算法很多需要时间的积累。
需要掌握至少一门编程语言：毕竟算法的实现还是要编程的;如果深入到硬件的话，一些电类基础课必不可少。
top域名认为人工智能门槛比较高，需要积累，如果你有这方面的天赋，可以去尝试。

在美国，单独开设AI的院校不多，一般是博士才会涉及AI的具体科研项目，硕士主要是修读相关课程。

核心课程

Artificial Intelligence 人工智能

Machine Learning 机器学习

Advanced Operating Systems 高级操作系统

Advanced Algorithm Design 高级算法设计

Computational Complexity 计算复杂性

Mathematical Analysis 数学分析

Advanced Computer Graphics 高级计算机图形

Advanced Computer Networks 高级计算机网络

就业方向参考

（1）搜索方向：百度、谷歌、微软、yahoo等(包括智能搜索、语音搜索、图片搜索、视频搜索等都是未来的方向)

（2） 医学图像处理：医疗设备、医疗器械很多都会涉及到图像处理和成像，大型的公司有西门子、GE、飞利浦等。

（3）计算机视觉和模式识别方向：前面说过的指纹识别、人脸识别、虹膜识别等;还有一个大的方向是车牌识别;目前鉴于视频监控是一个热点问题，做跟踪和识别也不错;

（4）还有一些图像处理方面的人才需求的公司，如威盛、松下、索尼、三星等。

另外，AI方向的人才都是高科技型的，在待遇方面自然相对比较丰厚，所以很这个方向很有发展前途。

人工智能专业学习的主要课程有认知心理学、神经科学基础、人类的记忆与学习、语言与思维、计算神经工程等。人工智能专业是中国高校人才计划设立的专业，旨在培养中国人工智能产业的应用型人才，推动人工智能一级学科建设。

人工智能的学习，简单点来说，就是有3点，做到就相当于学会了人工智能，然后找工作实习就可以了。

第一点学好数学知识
人工智能就是计算机科学的一个分支，不过也有借助其他计算机技术的时候，它和计算机的主要组成部分非常相似，差异的地方主要就是形态。它们都是硬件和软件相配合，硬件就是实实在在可以看见，可以触碰到的物品，而软件则是在内部运行的，是一种可以对硬件进行控制，实现“智能”的程序。而软件主要是经由程序设计来完成的。
程序设计就是一大堆的英文字母，被组合在一起，表达一种独有的信息，不过除了这些还会需要到数学知识，虽然在一些比较基础的或者是简单的程序上用的数学知识很少，不过随着程序越复杂，用到的数学知识就会越多，比如逻辑思维、数据结构、算法等等。
第二点学习编程语言
人工智能编程语言有一个共同的特点，那就是这些语言都是面向所要解决的问题、结合知识表示、完全脱离当代计算机的诺依曼结构特性而独立设计的；它们又处于比面向过程的高级编程语言更高的抽象层次。因此，用这些语言编写的程序，在现代计算机环境中，无论是解释或编译执行，往往效率很低。尤其当程序规模很大、很复杂时，将浪费大量系统资源(主要指处理机占用时间和存储空间占用量)，使系统性能下降到难以容忍的地步。
第三点实战
理论知识只是理论知识和实际运用是两回事，拥有再好的理论，不能实现在现实中，也是没有用的，所以基础知识学完后就需要进行实习了，把学来的知识在实际的案例中慢慢吸收一遍，会得到不一样的理解。

在讨论机器人是否会失控之前，我们先来看一些机器人引起的悲剧性事件：

1978年9月6日，日本广岛一家工厂的切割机器人在切钢板时，突然发生异常，将一名值班工人当做钢板操作，这是世界上第一宗机器人杀人事件。

1982年5月，日本山梨县阀门加工厂的一个工人，正在调整停工状态的螺纹加工机器人时，机器人突然启动，抱住工人旋转起来，造成了悲剧。

1985年前苏联发生了一起家喻户晓的智能机器人棋手杀人事件。全苏国际象棋冠军古德柯夫同机器人棋手下棋连胜3局，机器人棋手恼羞成怒，突然向金属棋盘释放强大的电流，在众目睽睽之下将这位国际大师击倒。

这些都是血的教训，它直接向人们说明了：机器人虽然给人们的生活到来了很多便利，但毕竟它不是真正的“人”，在丧失人类有效控制的情况下，它们是十分危险的。

不过，这些都是由于某些机器人系统的不完善，在机器人使用的初期，引发的事故。那时的机器人在人工智能方面的条件与现在是不可同日而语的。

但是，值得人类忧虑的是，既然机器人越来越聪明，那么它们会失控吗？人类的生存是否会受到它们的威胁？这些问题不是随便就能下结论的。

人们现在比较关心的，是军用机器人是否会“叛变”，因为毕竟，它才是最具战斗力的“钢铁军团”。

同所有机械一样，作战机器人也会出现故障和错误的操作。虽然花大力进行测试和严把质量关可以减少软件出问题的次数，但要彻底根除程序故障是永远做不到的。因此，人们所能争取到的最好的解决办法就是把失灵机器人所造成的麻烦控制到最低限度。如果把核弹头“托付”给机器人巡航导弹，它们一旦失灵，后果将是灾难性的。而且，随着人工智能的发展，机器人将会变得越来越聪明，也许会变得无法控制，甚至会出现它的电脑“发疯”或变成“叛军”的后果。

托夫勒在《未来战争》一书中写道：“机器人的反对者们争辩说，机器人武器不能适应战场上众多的突如其来的变化。人的思想意识又怎能植入到机器人的每一个程序之中？一个无法分清敌人是想进攻还是想投降的机器人还有什么道德可言？一个失灵的机器人武器会不会变得疯疯癫癫、走火，因而造成冲突没完没了地升级？难道计算机程序的设计人员真的能够预计到战场上可能发生的各种变化，并将应付这类变化的对策编入到计算机的程序之中吗？即使是最优秀的机器人设计人员，也会犯一些错误；即使是最好的软件系统也不可能将事情考虑得面面俱到。人类的决策与机器人决策的差别在于：一旦人类决策者发狂，也许还有时间制止他们或者将其不良后果控制在最小范围之内。但是，如果我们赋予机器人以超人的智慧，使机器人武器拥有迅捷选择、相互学习与联络的能力，那其后果就大不相同了。”

机器人武器系统的研制者们必须确定，他们研制的机器人所安装的人工智能系统到底先进到何种程度，才不至于对人类的生存构成威胁。由于配备了具有大容量资料储存能力和数据快速处理能力的计算机“大脑”，未来的机器人在推导某些问题的答案以及对情况作出反应等方面的能力都将大大优于人类。机器人很可能还将具备战术甚至某些战略决策的能力。如果允许机器人作出重要的战略和政策决定，势必将导致它们脱离人类控制的结果。

不过，从长远看，使用机器人所获得的裨益也许远大于所要承担的风险。机器人在执行任务时没有惧怕心理，而且一旦被俘，还能启动自毁装置自行销毁。机器人也不会由于受金钱的吸引、美色的诱惑，或是出于意识形态的原因而背叛。也就是说，机器人失控的可能性很小！

在包括人工智能在内的科幻电影中，大部分都是恶托邦的故事，也就是技术进步带来的不是人类光明的前景，而是走向毁灭和崩溃。具体来说 ，作为弱势的人类会最终战胜武装到牙齿的机器人，或者低级的机器人打败高级机器人，这几乎成为科幻电影的 “套路”，这种套路与科幻电影所表达的科学主义的精神有关。

被作为科幻文化源头的是1818年英国作家玛丽 ·雪莱创作的长篇小说《弗兰肯斯坦 ——现代普罗米修斯的故事》，讲述的是科学家制造了一个 人造怪物，这个人造物不被人类所接受，反过来开始报复人类。借“弗兰肯斯坦”的原型，此后的科幻文学、科幻电影中，代表科学、理性精神的科学家基本上都是毁灭世界的恶魔或野心家。这种对科学主义的反思来自于现代社会所产生的浪 漫主义思潮。

浪漫主义兴起的背景是对工业化、城市化所带来的人性异化 、社会弊端的批判，反工业 、反现代、反机器、反城市等是浪漫主义的底色，以至于浪漫主义、现代主义、后现代主义等西方文化的主流脉络是对现代性的自我批判，相比之下，未来主义等对技术的正面呈现在西方现代文化中并不常见。正如个人主义、创造性等概念都与浪漫主义有密切的渊源。浪漫主义的另一面是对前现代、非现代的社会空间和文化价值的肯定追忆。

这种浪漫主义并不能真正解决技术进步所来的问题，反而采取鸵鸟政策，把与城市相对立的自然世界、把前现代的农业文明建构为一种美好的、和谐的时代。这种文化上的反现代性，很容易走向一种政治浪漫主义，就是把与现代不一样的前现代文明想象为人与自然融合的“诗意地栖居”。

人工智能给浪漫主义提供了另外一种方案，就是用机器人取代那些被现代化生产所规训的人，这也是自动化车间的出现。暂且不讨论机器人取代工人之后的失业问题，这种人工智能对人类的基础工作的取代，并没有改变机器 “奴隶”的命运，或者说在这些高度发达的未来世界想象中，恰好隐含着奴隶制的身影。人工智能不仅没能改变人工智能的 “地位”，反而是现代资本主义制度 下永远生产、不会抱怨和反抗的机器工人 。

以人文主义和浪漫主义为基础的西方现代文化提供了一种反现代性的视角，这种视角确实回应了工业化、技术进步所带来的问题。只是这种批判无法走出现代性的泥沼，更多的是充当异化的人们生活在异化的现代制度中的自我抱怨和文化吐槽。这很大程度上是因为以人工智能为代表的信息产业并没有改变既有的生产逻辑和社会关系，因此，人工智能只能加深现代性的危机。

在这个意义上，除里人文主义和浪漫主义之外，还需要对人工智能进行社会和政治经济学分析。当下支撑人工智能的信息产业与大资本（投资者）、城市人（消费者）和产业工人（生产者 ）相关，只有改变人类被现代理性奴役的状态，人工智能才能从机器奴隶的宿命里解放出来，这个时候即便人工智能也能产生“人性”的情感，也将不是噩梦，而是与人类和平共处的伙伴。

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，但没有一个统一的定义。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。但是这种会自我思考的高级人工智能还需要科学理论和工程上的突破。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND）等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪（基因工程、纳米科学、人工智能）三大尖端技术之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。[1]这是智能化研究者梦寐以求的东西。2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。[1]当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。[1]机器视觉：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。人工智能是一门边沿学科，属于自然科学和社会科学的交叉。哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人工智能就其本质而言，是对人的思维的信息过程的模拟。对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。IBM公司“深蓝”电脑击败了人类的世界国际象棋冠军更是人工智能技术的一个完美表现。从1956年正式提出人工智能学科算起，50多年来，取得长足的发展，成为一门广泛的交叉和前沿科学。总的说来，人工智能的目的就是让计算机这台机器能够像人一样思考。如果希望做出一台能够思考的机器，那就必须知道什么是思考，更进一步讲就是什么是智慧。什么样的机器才是智慧的呢？科学家已经作出了汽车，火车，飞机，收音机等等，它们模仿我们身体器官的功能，但是能不能模仿人类大脑的功能呢？到目前为止，我们也仅仅知道这个装在我们天灵盖里面的东西是由数十亿个神经细胞组成的器官，我们对这个东西知之甚少，模仿它或许是天下最困难的事情了。当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。如今人工智能已经不再是几个科学家的专利了，全世界几乎所有大学的计算机系都有人在研究这门学科，学习计算机的大学生也必须学习这样一门课程，在大家不懈的努力下，如今计算机似乎已经变得十分聪明了。例如，1997年5月，IBM公司研制的深蓝（DEEP BLUE）计算机战胜了国际象棋大师卡斯帕洛夫（KASPAROV）。大家或许不会注意到，在一些地方计算机帮助人进行其它原来只属于人类的工作，计算机以它的高速和准确为人类发挥着它的作用。人工智能始终是计算机科学的前沿学科，计算机编程语言和其它计算机软件都因为有了人工智能的进展而得以存在。用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。人工智能技术研究 ARTIFICIAL INTELLIGENCE AND ROBOTICS RESEARCH 是一本关注人工智能与机器人研究领域最新进展的国际中文期刊，由汉斯出版社发行，本刊支持思想创新、学术创新，倡导科学，繁荣学术，集学术性、思想性为一体，旨在为了给世界范围内的科学家、学者、科研人员提供一个传播、分享和讨论人工智能与机器人研究领域内不同方向问题与发展的交流平台。如今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（如逻辑或优化）来描述？还是必须解决大量完全无关的问题？智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。20世纪40年代到50年代，许多研究者探索神经病学，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W. GREY WALTER的TURTLES和JOHNS HOPKINS BEAST。 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。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。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 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。[34] 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，JOHN MCCARTHY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 (如马文·闵斯基和西摩尔·派普特)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（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 “SCRUFFY” .常识知识库 (如DOUG LENAT的CYC)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。80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，机器人，机器学习和模式识别。很多研究者开始关注子符号方法解决特定的人工智能问题。自下而上, 接口AGENT，嵌入环境（机器人），行为主义，新式AI机器人领域相关的研究者，如RODNEY BROOKS，否定符号人工智能而专注于机器人移动和求生等基本的工程问题。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 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。90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（如数学，经济或运筹学）。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。智能AGENT范式智能AGENT是一个会感知环境并作出行动以达致目标的系统。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的AGENT包括人类和人类组织（如公司）。这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。一个解决特定问题的AGENT可以使用任何可行的方法-一些AGENT用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。范式同时也给研究者提供一个与其他领域沟通的共同语言–如决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。机器视、听、触、感觉及思维方式的模拟：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，智能搜索，定理证明，逻辑推理，博弈，信息感应与辨证处理。人工智能是一门边沿学科，属于自然科学、社会科学、技术科学三向交叉学科。哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。语言的学习与处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计，软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法人类思维方式，最关键的难题还是机器的自主创造性思维能力的塑造与提升。机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。人工智能还在研究中，但有学者认为让计算机拥有智商是很危险的，它可能会反抗人类。这种隐患也在多部电影中发生过，其主要的关键是允不允许机器拥有自主意识的产生与延续，如果使机器拥有自主意识，则意味着机器具有与人同等或类似的创造性，自我保护意识，情感和自发行为。人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法（ENGINEERING APPROACH），它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法（MODELING APPROACH），它不仅要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法（GENERIC ALGORITHM，简称GA）和人工神经网络（ARTIFICIAL NEURAL NETWORK，简称ANN）均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会很复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，最后为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。这种系统开始也常犯错误，但它能吸取教训，下一次运行时就可能改正，至少不会永远错下去，用不到发布新版本或打补丁。利用这种方法来实现人工智能，要求编程者具有生物学的思考方法，入门难度大一点。但一旦入了门，就可得到广泛应用。由于这种方法编程时无须对角色的活动规律做详细规定，应用于复杂问题，通常会比前一种方法更省力。

过度依赖人工智能就会失控。人工智能的机器可以自己制造武器，装备，人工智能机器人就比较危险了。电影[黑客帝国]，电脑都可以栽培人了，人类不是打娘胎生出来，而是被机器栽培出来。你可以看看。