更新时间：2023-12-24 10:31
人工智能是关于知识的学科及怎样表示知识以及怎样获得知识并使用知识的学科。在计算机科学领域，核心方法是指实现软件或产品的某种功能的关键技术，核心方法是一个产品主要竞争力的体现。核心方法的分类一般是根据实际应用情况而定。
核心方法是指实现软件或产品的某种功能的关键技术。在人工智能中，核心方法的创新可以极大地促进人工智能在更多领域应用。人工智能的核心方法经历了以知识为中心的发展的阶段，到越来越多的人认识到知识在模拟智能中的重要性，围绕知识表示、推理、机器学习，以及结合问题领域知识的新认知模拟进行了更加深入的探索。
问题求解，即解决管理活动中由于意外引起的非预期效应或与预期效应之间的偏差。 能够求解难题的下棋 (如国际象棋 )程序的出现，是人工智能发展的一大成就。在下棋程序中应用的推理，如向前看几步，把困难的问题分成一些较容易的子问题等技术，逐渐发展成为搜索和问题归约这类人工智能的基本技术。搜索策略可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索，它决定着问题求解的推理步骤中，使用知识的优先关系。另一种问题的求解程序，是把各种数学公式符号汇编在一起，其性能已达到非常高的水平，并正在被许多科学家和工程师所应用，甚至有些程序还能够用经验来改善其性能。例如，1993 年美国发布的一个叫做 MACSYMA 的软件，它能够进行较复杂的数学公式符号运算。如前所述 , 尚未解决的问题包括人类棋手具有的表达的能力，如国际象棋大师们洞察棋局的能力； 另一个未解决的问题涉及问题的原概念，在人工智能中叫做问题表示的选择。人们常常能够找到某种思考问题的方法从而使求解变得容易而最终解决该问题。
专家系统ES （Expert System）是人工智能研究领域中另一重要分支，它将探讨一般的思维方法转入到运用专门知识求解专门问题，实现了 人工智能从理论研究向实际应用的重大突破；专家系统可看作一类具有专门知识的计算机智能程序系统，它能运用特定领域中专家提供的专门知识和经验，并采用人工智能中的推理技术来求解和模拟通常由专家才能解决的各种复杂问题。总的来说，专家系统是一种具有智能的软件，它求解方法是一种启发式方法，专家系统所要解决的问题一般无算法解，并且与传统的计算机程序上不同之处在于，它要经常在不完全、不精确或不确定的信息基础上做出结论。在近年来的专家系统或 “知识工程”的研究中，已经出现了成功和有效应用人工智能技术的趋势，具有有代表性的是用户与专家系统进行 “咨询对话” ，如同其与专家面对面的进行对话是一样的： 解释问题并建议进行某些试验，向专家系统询问以期得到有关解答等。当前的实验系统，在比如化学和地质数据分析、计算机系统结构、建筑工程以及医疗诊断等咨询任务方面，已达到很高的水平。另外，还有很多研究主要是集中在让专家系统能够说明推理的能力，从而使咨询更好地被用户接受，同时还能帮助人类发现系统推理过程中所出现的差错。发展专家系统的关键在于表达和运用专家知识，即来自人类专家的且已被证明能够解决某领域内的典型问题的有用的事实和过程。不同领域与不同类型的专家系统，它们的体系结构和功能是有一定的差异的，但它们的组成基本一致。一个基本的专家系统主要由知识库、数据库、推理机、解释机制、知识获取和用户界面六部分组成。
机器学习 （Machine Learning）是研究如何使用计算机模拟或实现人类的学习活动。它是继专家系统之后人工智能的又一重要应用领域，是使计算机具有智能的根本途径，也是人工智能研究的核心课题之一，它的应用遍及人工智能的各个领域。
学习是人类智能的重要特征，是获得知识的基本手段，而机器学习也是使计算机具有智能的根本途径，如香克所说： “一台计算机若不会学习，就不能称为具有智能的。 ”除此之外，机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。学习是一个有特定目的的知识获取过程，它的内部主要表现为新知识结构的不断建立和修改，外部表现为性能的改善。一个学习过程本质上讲，就是学习系统把导师 （或专家）提供的信息转换成能被系统理解并应用的形式的过程。按照系统对导师的依赖程度可将学习方法分类为： 机械式学习 （Rotelearning） 、讲授式学习 （Learning from instruction） 、类比学习（Learning by analogy） 、归纳学习 （Learning from induction） 、观察发现式学习 （learning by observation and discovery）等。
人工神经网络 （Aficial Neural Network） ，是由大量处理单元即神经元互连而成的网络，也常简称为神经网络或类神经网络。神经网络是一种由大量的节点 （或称神经元）和之间相互联接构成的运算模型，是对人脑或自然神经网络一些基本特性的抽象和模拟，其目的在于模拟大脑的某些机理与机制，从而实现某些方面的功能。通俗地讲，人工神经网络是仿真研究生物神经网络的结果。详细地说， 人工神经网络是为获得某个特定问题的解，
根据所掌握的生物神经网络机理，按照控制工程的思路及数学描述方法，建立相应的数学模型并采用适当的算法，而有针对性地确定数学模型参数的技术。神经网络的信息处理是由神经元之间的相互作用实现的：知识与信息的存贮主要表现为网络元件互连间分布式的物理联系。人工神经网络具有很强的自学习能力，它可以不依赖于 “专家” 的头脑， 而自动从已有的实验数据中总结规律。由此，人工神经网络擅长于处理复杂多维的非线性问题，不但可以解决定性问题，也可解决定量的问题，同时还具有大规模并行处理和分布的信息存储能力，具有良好的自适应、自组织性以及很强的学习、联想、容错和较好的可靠性。
计算机人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式。其主要的研究对象是计算机模式识别系统，也就是让计算机系统能够模拟人类通过感觉器官对外界产生的各种感知能力。
人工生命 ( Artificial Life, 简称 AL) 是由美国圣菲研究所非线性研究组的计算机科学家 Christopher Langton 于1987 年与 Los Alamos National Laboratory 召开的 “生成以及模拟生命系统的国际会议”上首先提出的。它主要是通过人工模拟生命系统来研究生命的领域。AL 的概念主要包括两方面内容：1）计算机科学领域的虚拟生命系统，主要涉及计算机软件工程和人工智能技术 ； 2）基因工程技术人工改造生物的工程生物系统，主要涉及合成生物学技术。相比于传统的人工智能和神经网络，人工生命不论在理论上还是方法上都有很大的区别。人工生命主要是通过计算机仿真生命现象来体现自适应机理，对相关非线性对象进行更真实的动态描述以及动态特征研究。人工生命学科主要包括仿生系统、人工建模与仿真、人工生命的计算理论、进化动力学、进化与学习综合系统以及人工生命的应用等研究内容。现阶段比较典型的人工生命研究有： 计算机病毒、 计算机进程、进化机器人、 自催化网络、 细胞自动机、 人工核苷酸和人工脑等。