電腦科學的一個分支，研究如何讓電腦去完成本來必須通過人的智力才能完成的工作。電腦在完成這類工作時，既可用類似於人腦組織功能的一些元件組成的腦類比系統，也可以用和腦神經細胞功能完全不同的元件組成的系統去完成。在完成這類工作的步驟和方法上可以很像人解決同一問題的步驟和方法；也可以和人解決問題的方法完全無關。
根據代替人的智力的不同途徑可把人工智慧研究分成幾個不同方向：①主要研究神經元及神經網路對資訊傳輸、處理、加工過程程的模擬方法，包括數字模型和技術的模擬系統。這個領域中奠基性工作是W.S.麥卡洛克和W.皮茨於1943年完成的神經元的數學模型。他考慮瞭神經元的所謂“空間總和”和“閾值”的性質。以這個工作為起點，40多年來，已發表的神經元模型有100多種，從各個方面表現神經細胞的全或無、時空總和閾值、不應期、適應性及可塑性等特性。其中，如E.R.卡亞涅洛的神經方程式，它用數學方程式表現瞭神經細胞的學習、遺忘和遺傳特性。50年代以後，從單個神經元的研究發展瞭神經網絡模型的研究，這些網絡模型對大腦皮層神經興奮波的擴散與集中現象進行模擬。由一定網絡測量到的“總興奮”量和人腦電波極為相似。但在這類模型中真正具有一定智能的是F.羅森佈拉特(1958)的感知機，它由3大部分組成：感受單元、聯系單元和反應單元。感受單元是把外界環境中某一物理量變成相應的信號；聯系單元是對感受單元來的信號進行加權總和及閾值運算；而反應單元則對結果進行分類顯示。感知機研究在60年代初盛行於世。據估計，有上百個實驗室和公司從事類似的工作，試制出MarkⅠ、MarkⅡ等實際裝置，試圖用這類裝置來識別圖形、文字，區別語言、聲音，進行學習和記憶等。但因沒有導致有實用價值的成果，故70年代後進入低潮。與此類似的機器還有自適應神經元、多層自適應神經元、“學習矩陣”等，它們具有較高的對輸入模型進行分類的能力。另外一種學習機器，是由多層細胞間的連結以自成長的方式最後形成，經過學習之後，這種機器的最後一層的每一個細胞能對應一個特定的輸入圖形。②是由心理學傢和計算機科學傢聯合起來不從神經元、神經網絡的功能模擬入手，而是從客觀的、心理學的角度來總結人腦思維活動的規律，然後由計算機來模擬或計算機通過其他途徑來實現這些規律。在人工智能的研究中，真正得到較大發展和取得實際成果的是這一類研究工作。例如，用實驗心理學的方法對人腦演繹推理過程的特點進行研究，把人在這個過程中的思維規律，所采取的策略、技巧、竅門或簡化步驟編進計算機程序，這就是所謂啟發式程序。如紐沃爾等人證明數學定理的程序，把人在證明定理時所用的分解法、代入法、替換法等作為推理法則編入程序，也就是說，先在機器的記憶系統中存貯一些公理，再給它一些推理規則，然後讓機器去探索解題的方法。紐沃爾等人於1956年研究成功的程序，可以證明《數學原理》第二章的全部52個定理。在這以後，又出現瞭一些解不定積分和解三角、代數問題的程序。此後，紐沃爾等人又通過心理學的實驗，發現人在解題過程中的共同思維活動，就大的方面說可歸結為3個階段：第一，想出大致的“解題計劃”；第二，根據記憶的理論和推理規則“組織解題”；第三，進行方法和目的的分析。這樣的思維活動不但在解數學題時存在，在解決其他問題時也存在。他們根據這種想法，在1960年編制瞭“通用解題程序”(GPS)。這種程序可以解十幾種性質不同的問題，使啟發式程序有瞭較大的普遍性。③不拘泥於人腦思維活動方式而隻需讓機器完成預定的任務。如，60年代以來制出的各種類型的專傢咨詢系統就屬此類研究的成果。專傢咨詢系統是一個計算機系統，事先將有關專傢的知識總結成一些規則，以適當的形式存入計算機，即建立起知識庫。基於這樣的知識庫，采用合適的產生式系統，對輸入的原始數據進行推理、演繹，做出判斷和決策，起到替代專傢的作用。這一類系統已在化學、醫學、氣象、軍事等方面應用。如美國斯坦福大學人工智能實驗室編制的 DENDRAL系統事先存入瞭化學傢們由分子式及質譜圖得出分子結構的規則，隻要輸入某有機化合物的分子式及質譜圖，就可按程序運算，確定該有機化合物的分子結構。該系統的判斷能力，往往超過年輕的博士。1977年，有人設計瞭一個標為MYCIN的醫療診斷系統，用於解決使用抗生素來處理血液細菌感染的患者問題。MYCIN系統可以用英語直接和查詢的內科醫生對話，回答有關問題，並吸收新的知識。艾金斯(1979)在 MYCIN系統的基礎上建立一個稱之為Contaur的系統，是一個肺部疾病的診斷系統。向系統輸入肺部的測試結果，就可輸出關於各項測試功能的解釋及肺疾病的診斷結果。加興(1979)報告的Prospector系統，是一個用於地質學的專傢系統。80年代，中國人工智能學會醫藥學信息處理學會和中國計算機技術服務公司負責總成的醫院用計算機系統HCS-1中，包括瞭一些醫學診斷的專傢系統。在這些系統中，醫生的經驗以產生式規則的形式加以貯存。當系統輸入病人的數據後，可利用這些規則推理，並輸出對病人的診斷及處方等。有些程序還能根據不斷運行的結果自動調整參數，即“機器”具有“自學習”的性質。
除上述外，一般把模式識別（包括聲音識別）在內的一部分研究也歸入人工智能的范疇。持這種觀點的原因是因為對人來說，圖形（或景物）與聲音（特別是語言）的識別，不僅僅是一個視覺或聽覺的問題，更重要的是一個理解和解釋的問題。如喬姆斯基的“短句結構文法”和“轉換文法”計算機就在圖形識別中模擬瞭人的“語言學途徑”。由於人們識別圖形時，不僅要能辨認出某些特征是否存在，而且要看特征之間的關系，即圖形的結構。正如一句話中字與字之間的關系那樣，特征相同而關系不同，圖形也就不同。例如，圓和方形為兩個特征，“圓在方形之中”和“方形在圓之中”是很不相同的圖形。這種方法用於圖形識別就是用簡單的元素和文法規則描述大量復雜的圖形，並試圖在認識文字、染色體、粒子徑跡、指紋等方面得到應用。在自然語言理解方面，首先應用喬姆斯基文法在計算機上進行自然語言問答的，是讓計算機回答棒球比賽情況的實驗，或回答親屬關系的實驗。70年代，有人理解自然語言的程序，就不象以前的許多程序那樣，先對句子作語法分析，再用語義規則給予適當的意義，而是語法、語義和推理規則相互交織地應用。有人編制的程序所控制的機器人表現出對語言有較高的理解能力。圖形識別及自然語言的識別，一方面應用在改善計算機系統的輸入手段方面，另一方面隨著機器人理論及實踐研究的進一步發展，在使機器人系統能具有更完善的功能方面將有更重要的意義。現在的機器人已能接受人的口令，與人進行簡單的對話，還可在變化的環境中改變自己的行為以達到預期的目的。
當今人工智能的核心問題可歸納為如下三個方面：①關於知識的獲取。從知識的角度看，智能就是獲取和利用知識的過程，因此，如何形成知識和建立知識庫是人工智能的核心問題；②知識的形式化問題；③研究問題求解的各種最佳策略（以提高求解問題的速度）。
人工智能的歷史如果從W.S.麥卡洛克(1943)的工作算起，則已有40多年；如果從紐沃爾1956年的工作算起，則是30多年瞭。從人工智能的目的──研究用機器完成各種智能的工作及其反過程，即由這些研究進一步闡明腦活動的各種機制來看，目前所取得的成績還是很小的，距離它的真正目的還有漫長的路途。從歷史發展的角度來看，就象蒸汽和電力的機器逐步替代人類重復性體力勞動那樣，由計算機代替人類重復性腦力勞動的趨勢已越來越明顯瞭，而且人類研究認識自然的對象已開始轉向人類思維的器官──腦，這無疑是認識上的巨大飛躍。