人工智能的知識領域浩繁，很難面面俱到，但是各個領域的思想和方法有許多可以互相借鑑的地方。隨著人工智能理論研究的發展和成熟，人工智能的應用領域更為寬廣，應用效果更為顯著。從應用的角度看，人工智能的研究主要集中在以下幾個方面。
1. 專家系統
專家系統是一個具有大量專門知識與經驗的程序系統。它應用人工智能技術，根據某個領域一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的複雜問題。目前在許多領域，專家系統已取得顯著效果。專家系統與傳統計算機程序的本質區別在於，專家系統所要解決的問題一般沒有算法解，並且經常要在不完全、不精確或不確定的信息基礎上做出結論。它可以解決的問題一般包括解釋、預測、診斷、設計、規劃、監視、修理、指導和控制等。從體系結構上可分為集中式專家系統、分佈式專家系統、協同式專家系統、神經網絡專家系統等；從方法上可分為基於規則的專家系統、基於模型的專家系統、基於框架的專家系統等。
2. 自然語言理解
自然語言理解是研究實現人類與計算機系統之間用自然語言進行有效通信的各種理論和方法。由於目前計算機系統與人類之間的交互還只能使用嚴格限制的各種非自然語言，因此解決計算機系統能夠理解自然語言的問題，一直是人工智能研究領域的重要研究課題之一。
實現人機間自然語言通信意味著計算機系統既能理解自然語言文本的意義，也能生成自然語言文本來表達給定的意圖和思想等。而語言的理解和生成是一個極為複雜的解碼和編碼問題。一個能夠理解自然語言的計算機系統看起來就像一個人一樣，它需要有上下文知識和信息，並能用信息發生器進行推理。理解口頭和書寫語言的計算機系統的基礎就是表示上下文知識結構的某些人工智能思想，以及根據這些知識進行推理的某些技術。
雖然在理解有限範圍的自然語言對話和理解用自然語言表達的小段文章或故事方面的程序系統已有一定的進展，但要實現功能較強的理解系統仍十分困難。從目前的理論和技術現狀看，它主要應用於機器翻譯、自動文摘、全文檢索等方面，而通用的和高質量的自然語言處理系統，仍然是較長期的努力目標。
3. 機器學習
機器學習是人工智能的一個核心研究領域，它是計算機具有智能的根本途徑。學習是人類智能的主要標誌和獲取知識的基本手段。Simon認為：“如果一個系統能夠通過執行某種過程而改進它的性能，這就是學習。”
機器學習研究的主要目標是讓機器自身具有獲取知識的能力，使機器能夠總結經驗、修正錯誤、發現規律、改進性能，對環境具有更強的適應能力。通常要解決如下幾方面的問題：（1）選擇訓練經驗。它包括如何選擇訓練經驗的類型，如何控制訓練樣本序列，以及如何使訓練樣本的分佈與未來測試樣本的分佈相似等子問題；（2）選擇目標函數。所有的機器學習問題幾乎都可簡化為學習某個特定的目標函數的問題，因此，目標函數的學習、設計和選擇是機器學習領域的關鍵問題；（3）選擇目標函數的表示。對於一個特定的應用問題，在確定了理想的目標函數後，接下來的任務是必須從很多（甚至是無數）種表示方法中選擇一種最優或近似最優的表示方法。
目前，機器學習的研究還處於初級階段，但卻是一個必須大力開展研究的階段。只有機器學習的研究取得進展，人工智能和知識工程才會取得重大突破。
4. 自動定理證明
自動定理證明，又叫機器定理證明，它是數學和計算機科學相結合的研究課題。數學定理的證明是人類思維中演繹推理能力的重要體現。演繹推理實質上是符號運算，因此原則上可以用機械化的方法來進行。數理邏輯的建立使自動定理證明的設想有了更明確的數學形式。1965年Robinson提出了一階謂詞演算中的歸結原理，這是自動定理證明的重大突破。1976年，美國的Appel等三人利用高速計算機證明了124年未能解決的“四色問題”，表明利用電子計算機有可能把人類思維領域中的演繹推理能力推進到前所未有的境界。我國數學家吳文俊在1976年年底開始研究可判定問題，即論證某類問題是否存在統一算法解。他在微型機上成功地設計了初等幾何與初等微分幾何中一大類問題的判定算法及相應的程序，其研究處於國際領先地位。後來，我國數學家張景中等人進一步推出了“可讀性證明”的機器證明方法，再一次轟動了國際學術界。
自動定理證明的理論價值和應用範圍並不侷限於數學領域，許多非數值領域的任務，如醫療診斷、信息檢索、規劃制定和難題求解等，都可以轉化成相應的定理證明問題，或者與定理證明有關的問題，所以自動定理證明的研究具有普遍意義。
5. 自動程序設計
自動程序設計是指根據給定問題的原始描述，自動生成滿足要求的程序。它是軟件工程和人工智能相結合的研究課題。自動程序設計主要包含程序綜合和程序驗證兩方面內容。前者實現自動編程，即用戶只需告知機器“做什麼”，無須告訴“怎麼做”，這後一步的工作由機器自動完成；後者是程序的自動驗證，自動完成正確性的檢查。
目前程序綜合的基本途徑主要是程序變換，即通過對給定的輸入、輸出條件進行逐步變換，以構成所要求的程序。程序驗證是利用一個已驗證過的程序系統來自動證明某一給定程序P的正確性。假設程序P的輸入是x，它必須滿足輸入條件φ（x）；程序的輸出是z=P（x），它必須滿足輸出條件Φ（x，z）。判斷程序的正確性有三種類型，即終止性、部分正確性和完全正確性。
目前在自動程序設計方面已取得一些初步的進展，尤其是程序變換技術已引起計算機科學工作者的重視。現在國外已陸續出現一些實驗性的程序變換系統，如英國愛丁堡大學的程序自動變換系統POP-2和德國默森技術大學的程序變換系統CIP等。
6. 分佈式人工智能
分佈式人工智能是分佈式計算與人工智能結合的結果。它主要研究在邏輯上或物理上分散的智能動作者如何協調其智能行為，求解單目標和多目標問題，為設計和建立大型複雜的智能系統或計算機支持協同工作提供有效途徑。它所能解決的問題需要整體互動所產生的整體智能來解決。主要研究內容有分佈式問題求解（DPS，Distribution Problem Solving）和多智能體系統（MAS，Multi-Agent System）。
分佈式問題求解的方法是，先把問題分解成任務，再為之設計相應的任務執行系統。而MAS是由多個Agent組成的集合，通過Agent的交互來實現系統的表現。MAS主要研究多個Agent為了聯合採取行動或求解問題，如何協調各自的知識、目標、策略和規劃。在表達實際系統時，MAS通過各Agent間的通信、合作、互解、協調、調度、管理及控制來表達系統的結構、功能及行為特性。由於在同一個MAS中各Agent可以異構，因此Multi-Agent技術對於複雜系統具有無可比擬的表達力。它為各種實際系統提供了一種統一的模型，能夠體現人類的社會智能，具有更大的靈活性和適應性，更適合開放和動態的世界環境，因而備受重視，相關研究已成為人工智能以至計算機科學和控制科學與工程的研究熱點。
7. 機器人學
機器人學是機械結構學、傳感技術和人工智能結合的產物。1948年美國研製成功第一代遙控機械手，17年後第一臺工業機器人誕生，從此相關研究不斷取得進展。機器人的發展經歷了以下幾個階段：第一代為程序控制機器人，它以“示教-再現”方式，一次又一次學習後進行再現，代替人類從事笨重、繁雜與重複的勞動；第二代為自適應機器人，它配備有相應的感覺傳感器，能獲取作業環境的簡單信息，允許操作對象的微小變化，對環境具有一定適應能力；第三代為分佈式協同機器人，它裝備有視覺、聽覺、觸覺多種類型傳感器，在多個方向平臺上感知多維信息，並具有較高的靈敏度，能對環境信息進行精確感知和實時分析，協同控制自己的多種行為，具有一定的自學習、自主決策和判斷能力，能處理環境發生的變化，能和其他機器人進行交互。
從功能上來考慮，機器人學的研究主要涉及兩個方面：一方面是模式識別，即給機器人配備視覺和觸覺，使其能夠識別空間景物的實體和陰影，甚至可以辨別出兩幅圖像的微小差別，從而完成模式識別的功能；另一方面是運動協調推理。機器人的運動協調推理是指機器人在接受外界的刺激後，驅動機器人行動的過程。
機器人學的研究促進了人工智能思想的發展，它所導致的一些技術可在人工智能研究中用來建立世界狀態模型和描述世界狀態變化的過程。
8. 模式識別
模式識別研究的是計算機的模式識別系統，即用計算機代替人類或幫助人類感知模式。模式通常具有實體的形式，如聲音、圖片、圖像、語言、文字、符號、物體和景象等，可以用物理、化學及生物傳感器進行具體採集和測量。但模式所指的不是事物本身，而是從事物獲得的信息，因此，模式往往表現為具有時間和空間分佈的信息。人們在觀察、認識事物和現象時，常常尋找它與其他事物和現象的相同與不同之處，根據使用目的進行分類、聚類和判斷，人腦的這種思維能力就構成了模式識別的能力。
模式識別呈現多樣性和多元化趨勢，可以在不同的概念粒度上進行，其中生物特徵識別成為模式識別的新高潮，包括語音識別、文字識別、圖像識別、人物景象識別和手語識別等；人們還要求通過識別語種、樂種和方言來檢索相關的語音信息，通過識別人種、性別和表情來檢索所需要的人臉圖像；通過識別指紋（掌紋）、人臉、簽名、虹膜和行為姿態識別身份。普遍利用小波變換、模糊聚類、遺傳算法、貝葉斯理論和支持向量機等方法進行識別對象分割、特徵提取、分類、聚類和模式匹配。模式識別是一個不斷髮展的新科學，它的理論基礎和研究範圍也在不斷髮展。
9. 博弈
計算機博弈主要是研究下棋程序。在20世紀60年代就出現了很有名的西洋跳棋和國際象棋的程序，並達到了大師的水平。進入20世紀90年代，IBM公司以其雄厚硬件基礎，支持開發後來被稱之為“深藍”的國際象棋系統，併為此開發了專用的芯片，以提高計算機的搜索速度。1996年2月，與國際象棋世界冠軍卡斯帕羅夫進行了第一次比賽，經過六個回合的比賽之後，“深藍”以2∶4告負。1997年5月，系統經過改進以後，“深藍”又第二次與卡斯帕羅夫交鋒，並最終以3.5∶2.5戰勝了卡斯帕羅夫，在世界範圍內引起了轟動。
博弈問題為搜索策略、機器學習等問題的研究課題提供了很好的實際背景，所發展起來的一些概念和方法對人工智能的其他問題也很有用。
10. 計算機視覺
視覺是各個應用領域，如製造業、檢驗、文檔分析、醫療診斷和軍事等領域中各種智能系統中不可分割的一部分。計算機視覺涉及計算機科學與工程、信號處理、物理學、應用數學和統計學、神經生理學和認知科學等多個領域的知識，已成為一門不同於人工智能、圖像處理和模式識別等相關領域的成熟學科。計算機視覺研究的最終目標是，使計算機能夠像人那樣通過視覺觀察和理解世界，具有自主適應環境的能力。
計算機視覺研究的任務是理解一個圖像，這裡的圖像是利用像素所描繪的景物。其研究領域涉及圖像處理、模式識別、景物分析、圖像解釋、光學信息處理、視頻信號處理以及圖像理解。這些領域可分為如下三類：第一是信號處理，即研究把一個圖像轉換為具有所需特徵的另一個圖像的方法；第二是分類，即研究如何把圖像劃分為預定類別。分類是從圖像中抽取一組預先確定的特徵值，然後根據用於多維特徵空間的統計決策方法決定一個圖像是否符合某一類；第三是理解，即在給定某一圖像的情況下，一個圖像理解程序不僅描述這個圖像的本身，而且也描述該圖像所描繪的景物。
計算機視覺的前沿研究領域包括實時並行處理、主動式定性視覺、動態和時變視覺、三維景物的建模與識別、實時圖像壓縮傳輸和復原、多光譜和彩色圖像的處理與解釋等。計算機視覺已在機器人裝配、衛星圖像處理、工業過程監控、飛行器跟蹤和制導以及電視實況轉播等領域獲得極為廣泛的應用。
11. 軟計算
通常把人工神經網絡計算、模糊計算和進化計算作為軟計算的三個主要內容。一般來說，軟計算多應用於缺乏足夠的先驗知識，只有一大堆相關的數據和記錄的問題。
人工神經網絡（ANN，Artificial Neural Network）是一種應用類似於大腦神經突觸連接的結構進行信息處理的數學模型。在這一模型中，大量的節點之間相互連接構成網絡，即“神經網絡”，以達到處理信息的目的。人工神經網絡模型及其學習算法試圖從數學上描述人工神經網絡的動力學過程，建立相應的模型；然後在該模型的基礎上，對於給定的學習樣本，找出一種能以較快的速度和較高的精度調整神經元間互連權值，使系統達到穩定狀態，滿足學習要求的算法。
模糊計算處理的是模糊集合和邏輯連接符，以描述現實世界中類似人類處理的推理問題。模糊集合包含論域中所有元素，但是具有[0，1]區間的可變隸屬度值。模糊集合最初由美國加利福尼亞大學教授扎德（L.A.Zadeh）在系統理論中提出，後來又擴充並應用於專家系統中的近似計算。
進化計算是通過模擬自然界中生物進化機制進行搜索的一種算法，以遺傳算法（GA，Genetic Algorithm）、進化策略等為代表。遺傳算法是一種隨機算法，它是模擬生物進化中“優勝劣汰”自然法則的進化過程而設計的算法。該算法模仿生物染色體中基因的選擇、交叉和變異的自然進化過程，通過個體結構不斷重組，形成一代代的新群體，最終收斂於近似優化解。1975年，Holland出版了《自然和人工系統中的適應性》一書，系統地闡述了遺傳算法的基本理論和方法，奠定了遺傳算法的理論基礎。
12. 智能控制
智能控制是把人工智能技術引入控制領域，建立智能控制系統。1965 年，美籍華人科學家傅京孫首先提出把人工智能的啟發式推理規則用於學習控制系統。十多年後，建立實用智能控制系統的技術逐漸成熟。1971年，傅京孫提出把人工智能與自動控制結合起來的思想。1977年，美國人薩里迪斯（G.N.Saridis）提出把人工智能、控制論和運籌學結合起來的思想。1986年，我國的蔡自興教授提出把人工智能、控制論、信息論和運籌學結合起來的思想。根據這些思想已經研究出一些智能控制的理論和技術可以構造用於不同領域的智能控制系統。
智能控制具有兩個顯著的特點：首先，智能控制同時具有知識表示的非數學廣義世界模型和傳統數學模型混合表示的控制過程，並以知識進行推理，以啟發來引導求解過程。其次，智能控制的核心在高層控制，即組織級控制。其任務在於對實際環境或過程進行組織，即決策和規劃，以實現廣義問題求解。
13. 智能規劃
智能規劃是人工智能研究領域近年來發展起來的一個熱門分支。智能規劃的主要思想是：對周圍環境進行認識與分析，根據自己要實現的目標，對若干可供選擇的動作及所提供的資源限制施行推理，綜合制定出實現目標的規劃。智能規劃研究的主要目的是建立起高效實用的智能規劃系統。該系統的主要功能可以描述為：給定問題的狀態描述、對狀態描述進行變換的一組操作、初始狀態和目標狀態。
最早的規劃系統就是通用問題求解系統GPS，但它還不是真正面向規劃問題而研製的智能規劃系統。1969年，格林（G.Green）通過歸結定理證明的方法來進行規劃求解，並且設計了QA3 系統，這一系統被大多數的智能規劃研究人員認為是第一個規劃系統。1971 年，美國斯坦福研究所的菲克斯（R.E.Fikes）和Nilsson設計的STRIPS 系統在智能規劃的研究中具有重大的意義和價值，他們的突出貢獻是引入了STRIPS 操作符的概念，使規劃問題求解變得明朗清晰。此後到 1977 年先後出現了 HACKER、WARPLAN、INTERPLAN、ABSTRIPS、NOAH、NONLIN 等規劃系統。儘管這些以NOAH系統為代表的部分排序規劃技術被證明具有完備性，即能解決所有的經典規劃問題，但由於大量實際規劃問題並不遵從經典規劃問題的假設，所以部分排序規劃技術未得到廣泛的應用。為消除規劃理論和實際應用間存在的差距，進入20世紀80年代中期後，規劃技術研究的熱點轉向了開拓非經典的實際規劃問題。然而，經典規劃技術，尤其是部分排序規劃技術仍是開發規劃新技術的基礎。
閱讀更多 智能舌診 的文章
