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创造出来，此后描述了一系列不断变化的技术，并通过炒作与失望的循环在公众关注度上扩张和收缩。
历史
该领域的奠基时刻通常追溯到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、搜索和手工编码的规则。这种方法产生了早期成功，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，资金崩溃产生了研究人员所称的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。
一条并行且最初处于边缘的研究路线探索了统计和联结主义方法。感知机（1958年）建模了一个可训练的单神经元，但其已记录的限制导致了第一次AI寒冬。兴趣在1980年代复苏，并在2012年决定性转折，当时一个名为AlexNet的深度卷积网络在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。
深度学习在2010年代随着视觉、语音和语言处理的进步而成熟。2017年的Transformer架构使得在文本上训练更大模型成为可能，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广泛可及，并引发了一波通常被称为AI繁荣的投资和公众关注浪潮。
方法
AI研究通常分为符号方法（操纵知识的显式表示）和联结主义或统计方法（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，仍然是一个活跃的研究方向，特别是对于需要可靠逻辑推理的任务。
应用与影响
AI系统已部署在搜索、翻译、推荐、医学诊断、科学研究（如蛋白质结构预测）、自动驾驶车辆等领域，并越来越多地作为通用助手和编码工具。自2024年以来，能力强大的AI智能体系统的兴起，将语言模型与工具使用和多步规划相结合，将AI从回答问题扩展到独立完成任务。
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，，一种在几乎所有认知任务上具有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朝向通用智能真正进展的证据。