人工智能（Artificial Intelligence，AI）：是一组技术，使计算机能够执行各种高级任务，而这些任务以前需要人类智能才能完成，比如“感知”、“思考”、“学习”、“判断和决策”等。
广义上，所有计算机程序都属于人工智能，比如“搜索引擎”，“IM通讯软件”，“网站”等；狭义上，是一个计算机程序子集，完成被天然认为属于人类智能的任务，比如“医疗就诊系统”，“地铁调度系统”，“象棋程序”等。
实现人工智能的方案主要有两类：基于非学习和基于学习。
一、基于非学习
定义：知识由人类提炼。
常见有：
- 专家系统：把人类专家知识写成规则（if-then），让机器推理。代表AI场景：医疗就诊系统、故障诊断系统、金融风控规则引擎…
- 逻辑推理/自动定理证明程序：用一阶逻辑、谓词逻辑做形式化推理。代表AI场景：数学定理证明器…
- 搜索与规划算法：使用“A*算法”、“蒙特卡洛树搜索算法”，“Alpha-Beta剪枝的极小化极大算法”等搜索算法完成调度和规划。代表AI场景：机器人路径规划、调度系统、象棋程序…
- K近邻算法（KNN）：基于邻居投票进行分类/回归。代表AI场景：简单分类、个性化推荐、图像识别…
二、基于学习
定义：知识由机器学习获得。
具体学习过程：算法 + 样本 -> 模型，模型由“算法”和“模型参数”构成，其是知识的最终载体，从以上可知——基于学习得到的人工智能智能程度主要由“算法优劣”、“样本数量/质量”、“模型参数”3个维度因素决定。
常见有：
- 线性模型：以
线性函数为算法，在样本上统计得到的权重向量、偏置项作为模型参数。代表AI场景：房价预测、垃圾邮件分类… - 朴素贝叶斯模型：以
贝叶斯算法为算法，在样本上统计得到的各类别的先验概率P(y)、每个特征的条件概率P(x|y)作为模型参数。代表AI场景：房价预测、垃圾邮件分类… - 决策树算法：以
按规则不断划分特征空间，最终形成一棵树结构为算法，在样本上统计得到的整棵树的结构、内部节点划分规则、叶子节点预测值作为模型参数。代表AI场景：医疗诊断辅助、客户分类… - 支持向量机算法（SVM）：以
在特征空间中找到一个最优分类超平面，使得不同类别的样本被分开，并且间隔最大为算法，在样本上统计得到的权重向量、偏置项、支持向量及其系数作为模型参数。代表AI场景：文本分类、图像识别与计算机视觉、金融风控与异常检测… - 聚类算法：以
K-Means、DBSCAN、层次聚类、高斯混合聚类等聚类算法为算法，不同聚类算法不同模型参数，以K-Means聚类算法为例，在样本上统计得到的簇中心、每个样本所属的簇编号作为模型参数。代表AI场景：客户分群、商品聚类、行为模式发现… - 神经网络：以
神经网络为算法，在样本上统计得到的所有权重、所有偏置项作为模型参数。代表AI场景：自然语言处理、代码编写、文生图、文生视频…
没有银弹的实现方案，不同场景合适的实现方案不同且在不断迭代，比如：
- 象棋程序场景，至本博文写作时间为止，最合适的实现方案是
Alpha-Beta剪枝的极小化极大算法 + 评估函数 + 启发式优化（虽然深度神经网络 + MCTS也能实现，但是前者方案足够强、速度快、工程简单、成本低） - 围棋程序场景，至本博文写作时间为止，最合适的实现方案是
神经网络 + 蒙特卡洛树搜索算法（早期围棋程序只使用蒙特卡洛树搜索算法实现，但是棋力十分弱） - 自然语言处理场景，至本博文写作时间为止，最合适的实现方案是
神经网络 - 代码编写场景，至本博文写作时间为止，最合适的实现方案是
神经网络 - 文生图场景，至本博文写作时间为止，最合适的实现方案是
神经网络 - 文生视频场景，至本博文写作时间为止，最合适的实现方案是
神经网络
