人工智能（AI）是计算机科学的一个分支，致力于构建能够执行那些由人类完成时被认为需要智能的任务的机器和软件，例如感知环境、理解语言、解决问题和做出决策。该领域涵盖广泛的方法，从直接编码人类专业知识的基于规则的系统，到从数据中学习行为的统计模型。
这一术语在1956年的一次研讨会上被提出，此后描述了一系列不断变化的技术，其公众关注度在炒作与失望的周期中起伏不定。
历史
该领域的奠基时刻通常被追溯至1956年的达特茅斯研讨会，由约翰·麦卡锡组织，他在提案中创造了“人工智能”一词。早期AI研究强调符号人工智能：逻辑、搜索和手工编码规则。这种方法取得了早期成功，如定理证明器，以及后来1980年代的商业专家系统，但在视觉和语言等难以用显式规则描述的任务上遇到了困难。在挫折和过高预期之后，资金崩溃导致了研究者所称的AI寒冬，尤其是在1973年英国政府的一份关键报告之后，以及1980年代末专家系统未能扩展时再次出现。
一条并行但最初处于边缘的研究路线探索了统计和连接主义方法。感知机（1958年）建模了一个可训练的单神经元，但其已记录在案的局限性促成了第一次AI寒冬。兴趣在1980年代重新燃起，并在2012年决定性爆发，当时一个名为AlexNet的深度卷积网络在一个主要图像识别基准上大幅超越先前方法，这一结果被广泛认为是现代深度学习时代的开端。使用图形处理单元（GPU）加速神经网络是这一突破的关键因素。
深度学习在2010年代随着视觉、语音和语言处理的进展而成熟。2017年的Transformer架构使得在文本上训练更大规模的模型成为可能，最终形成了大语言模型范式。2022年11月的ChatGPT发布使对话式AI广泛可用，并引发了一波投资和公众关注，通常被称为AI繁荣。
方法
AI研究通常分为符号方法（操作知识的显式表示）和连接主义或统计方法（从数据中学习隐式表示）。机器学习是现代主导范式，涵盖监督学习、无监督学习和强化学习。将学习组件与符号推理或搜索相结合的混合方法，仍是一个活跃的研究方向，特别是在需要可靠逻辑推理的任务中。
AI研究的传统目标包括学习、推理、知识表示、规划、自然语言处理和感知，以及支持机器人技术。技术包括状态空间搜索、数学优化、形式逻辑、人工神经网络，以及来自统计学、运筹学和经济学的各种方法。AI还借鉴了心理学、语言学、哲学和神经科学。
应用与影响
AI系统已部署于搜索、翻译、推荐、医疗诊断、科学研究（如蛋白质结构预测）、自动驾驶车辆，并日益作为通用助手和编程工具。自2024年以来，能够将语言模型与工具使用和多步规划相结合的AI智能体系统的兴起，将AI从回答问题扩展到独立完成任务。
高知名度的应用包括高级网络搜索引擎、聊天机器人、虚拟助手、自动驾驶车辆、策略游戏（如国际象棋和围棋）中的对弈与分析，以及内容生成（如文本、图像、音频和视频）。
争论
长期存在的争论涉及当前技术是否能通向通用人工智能，即一个在几乎所有认知任务上具备人类水平能力的系统，以及此类系统可能带来哪些风险。艾伦·图灵1950年的论文提出了一个机器智能的操作性测试，即现在所称的图灵测试，尽管其作为基准的充分性受到广泛质疑。批评者认为，流畅的文本生成并不意味着理解，而支持者则指出涌现能力是向通用智能真正进展的证据。
一些公司，如OpenAI、Google DeepMind和Meta，旨在创造AGI。伦理关切、AI的长期影响、环境影响以及潜在的存在性风险，已引发关于AI监管的讨论。
近期发展
2024年，推理模型作为一种经过训练以生成中间思维链的大语言模型类型出现，并在数学和编程等复杂问题上实现了性能提升。这些模型可能产生错误输出或“幻觉”，这与符号推理系统不同。2020年代的AI繁荣与生成式AI的进展相吻合，后者已广泛普及，允许创建和修改媒体。除了AI安全以及使用AI带来的意外后果和危害之外，伦理关切、AI的长期影响、环境影响以及潜在的存在性风险，也已引发关于AI监管的讨论。