從發(fā)明計算機的天起，人們就試圖用計算機模擬自身智能。如今，計算機已經(jīng)從只能完成四則運算的計算器，發(fā)展成為能勝任很多復(fù)雜任務(wù)的智能機器。在各種應(yīng)用領(lǐng)域中，計算機已經(jīng)成為人類大腦的延伸。人工智能的研究使計算機能夠模擬人類思維的感知、學(xué)習(xí)、解決問題和推理決策的能力，與此同時，也幫助我們對自身智能有了更加深入的理解。
人工智能的研究者把人工智能分為強人工智能和弱人工智能兩類。這種劃分既是技術(shù)層面的，也是哲學(xué)層面的。如果機器表現(xiàn)出像人一樣智能的行為，那么是否可以認(rèn)為機器真的在像人一樣思考呢？計算機科學(xué)和神經(jīng)生物科學(xué)尚不能回答這個問題，哲學(xué)家也沒有找到滿意的答案。強人工智能的觀點認(rèn)為，人工智能應(yīng)該像人一樣具有自主的意識、情感和心智，能夠理解和學(xué)習(xí)任何智能問題。弱人工智能的觀點則僅關(guān)注機器在特定任務(wù)上所表現(xiàn)出的智能性，并不關(guān)心機器是否能真正像人一樣自主思考。只要在特定領(lǐng)域能夠幫助我們解決一些實際的智能問題，這樣的機器都可以視作擁有弱人工智能。
強人工智能現(xiàn)在還是一種理論設(shè)想，它如同人一樣具有高度的自主性，不僅可以解決不同類型的問題，甚至具有自主選擇解決什么問題的能力。它有自己的意識和感情，但是它只存在于電影、小說等科學(xué)幻想作品中。
哲學(xué)家和科學(xué)家通過思想實驗，對強人工智能的觀點提出了各種懷疑，比如，中文屋子實驗和換腦實驗。
中文屋子實驗設(shè)想有一個英語母語者，對中文一竅不通。他被關(guān)在一間屋子里，屋子里有一本英文寫成的手冊來說明中文的語法規(guī)則，另外還有一大堆中文符號。屋子外面的人從窗口傳進(jìn)用中文寫成的問題，屋子里的人按照手冊上的規(guī)則將中文符號組成答案傳遞出去。這個過程足以以假亂真，讓屋子外面的人誤以為屋子里的人懂得中文，然而事實上他壓根不懂中文。強人工智能就如同屋子里的人，如果我們只能看到他表現(xiàn)出智能，如何知道他是否真的在思考呢？
換腦實驗則更加科幻。假設(shè)我們的神經(jīng)生理學(xué)和計算機硬件已經(jīng)高度發(fā)達(dá)，完全了解大腦所有神經(jīng)元的連接機制，并且能夠用微電路模擬大腦神經(jīng)網(wǎng)絡(luò)的所有活動。設(shè)想我們把生物的大腦替換為電子的大腦，讓電子的大腦接管一切輸入的感官信號，并做出反應(yīng)，輸出對身體肌肉的控制信號。從外界看來，所有智能行為和活動跟換腦之前并無差異，那么現(xiàn)在電子大腦具有自我意識嗎？或者意識還存在于那個生物大腦之中嗎？生物大腦中的意識會不會試圖吶喊我什么也看不到，卻無法控制發(fā)聲的肌肉呢？這個假想的實驗有些駭人聽聞，但是同樣讓我們懷疑外在表現(xiàn)出的智能是否等同于自主意識。
弱人工智能不再糾結(jié)于機器是否真的具有了自主意識，只關(guān)注表現(xiàn)出的智能。計算機科學(xué)家圖靈提出了圖靈測試，用來判斷機器是否具有智能。測試者通過屏幕和鍵盤分別與一個真實的人和一臺智能機器聊天，如果無法區(qū)分屏幕后面是人還是機器，那么就可以認(rèn)為機器具有如同人一樣的智能。相比圖靈測試，弱人工智能的定義更加寬泛，它只要求機器能夠處理具體領(lǐng)域的特定任務(wù)。
在現(xiàn)實生活中，弱人工智能的應(yīng)用比比皆是。手機可以聽懂我們的語音指令；攝像頭可以辨別電腦的主人、進(jìn)出停車場的車輛號牌；電子監(jiān)控代替了交通警察，輔助查處違章的車輛；翻譯軟件幫助外國游客把路牌、標(biāo)識、菜單等翻譯成他們熟悉的語言；自動駕駛系統(tǒng)甚至在受限的環(huán)境中也可以自主控制車輛，從而解放駕駛員的雙手。這些都是弱人工智能的應(yīng)用。
弱人工智能關(guān)注于處理特定的任務(wù)，弱字用在這里并不完全合適，在限定領(lǐng)域或者特定任務(wù)中，弱人工智能其實并不弱，稱作窄人工智能更為恰當(dāng)。相比存在于科學(xué)幻想中的強人工智能，人們對應(yīng)用于各種受限場景的弱人工智能有更加成熟的研究。雖然它不像人的智能一樣具有理解、學(xué)習(xí)任何問題的能力，但是它通�？梢栽谀硞�領(lǐng)域做得很好，甚至比人做得更好，畢竟機器更準(zhǔn)確，更穩(wěn)定，更迅速，而且不知疲倦。因此，弱人工智能得到了廣泛的應(yīng)用，成為人們生活和工作的得力助手。弱人工智能是我們向強人工智能發(fā)起探索的階段性成果，人們不會放棄對更加通用智能的探索，會持續(xù)追尋理解和復(fù)現(xiàn)自身智能的夢想。只有逐步擴展弱人工智能的邊界，連接和打通各種不同的任務(wù)和信息通道，才能幫助我們實現(xiàn)更加復(fù)雜和通用的智能。
在人工智能研究并不很長的歷史上，研究者探索了很多種不同的方法和路徑。比如，符號主義的研究者認(rèn)為，智能可以通過如同數(shù)學(xué)推導(dǎo)一樣的邏輯推演系統(tǒng)實現(xiàn)，各種知識可以用符號表示出來，組織成計算機能夠處理的語言進(jìn)行演算、分析和推理。再如，聯(lián)結(jié)主義的研究者認(rèn)為，智能存在于神經(jīng)元的連接中，采用電子裝置模擬生物大腦的神經(jīng)元連接就可以實現(xiàn)智能。這些不同的學(xué)派在早期的人工智能研究中，在相當(dāng)長的一段時間內(nèi)占據(jù)了主導(dǎo)地位。而機器學(xué)習(xí)則是在這些研究的基礎(chǔ)上，利用統(tǒng)計學(xué)的原理取得成功的一類算法和模型。機器學(xué)習(xí)側(cè)重于從樣本或者經(jīng)驗組成的數(shù)據(jù)中學(xué)習(xí)統(tǒng)計規(guī)律，通過自我修正的方式達(dá)到完成特定任務(wù)的目標(biāo)。機器學(xué)習(xí)與一般計算機算法顯著的區(qū)別在于，完成任務(wù)的步驟中有一些不確定的參數(shù)，人