智能圖像識別發展歷史

Ⅰ 人臉識別的發展歷史

人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發版展得到提高，權而真正進入初級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。

Ⅱ 人工智慧的發展史是什麼

【1950-1956年是人工智慧的誕生年】
圖靈測試1950
Dartmouth 會議1956
（1956年夏季，以麥卡賽、明斯基、羅切斯特和申農等為首的一批有遠見卓識的年輕科學家在一起聚會，共同研究和探討用機器模擬智能的一系列有關問題，並首次提出了「人工智慧」這一術語，它標志著「人工智慧」這門新興學科的正式誕生。）

【1956-1974 年是人工智慧的黃金年】
第一個人工智慧程序ＬＴ邏輯理論家1958（西蒙和紐維爾）
LISP編程語言1958（約翰麥卡錫）
用於機器翻譯的語義網1960（馬斯特曼和劍橋大學同事）
模式識別-第一個機器學習論文發表（1963）
Dendral 專家系統1965
基於規則的Mycin醫學診斷程序1974

【1974-1980年是人工智慧第一個冬天】
人工智慧：綜合調查1973（來特希爾）
項目失敗，列強削減科研經費

【1980-1987年是人工智慧繁榮期】
AAAI在斯坦福大學召開第一屆全國大會1980
日本啟動第五代計算機用於知識處理1982
決策樹模型帶動機器學習復甦1980中期
ANN及多層神經網路1980中期

【1987-1993年是人工智慧第二個冬天】
Lisp機市場崩潰1987
列強再次取消科研經費1988
專家系統滑翔谷底1993
日本第五代機退場1990年代

【1993-現在突破期】
IBM深藍戰勝卡斯帕羅夫1997
斯坦福大學Stanley 贏得無人駕駛汽車挑戰賽2005
深度學習論文發表2006
IBM的沃森機器人問答比賽奪魁2011
谷歌啟動谷歌大腦2011
蘋果公司的Siri上線2012
微軟通用實時翻譯系統2012
微軟Cortana 上線2014
網路度秘2015
IBM發布truenorth晶元2014
阿爾法狗打敗人類棋手2016

Ⅲ 人臉識別的發展歷程是什麼

人臉識別系統的研究始於20世紀60年代，80年代後隨著計算機技術和光學成像技術的發展回得到提高，而真正進入初答級的應用階段則在90年後期，並且以美國、德國和日本的技術實現為主；人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度；「人臉識別系統」集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現，是生物特徵識別的最新應用，其核心技術的實現，展現了弱人工智慧向強人工智慧的轉化。

Ⅳ 淺談人工智慧技術的發展

人工抄智能（Artificial Intelligence），英文縮寫襲為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」，也可能超過人的智能。

人工智慧的定義可以分為兩部分，即「 人工」和「 智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。

Ⅳ 人臉識別的發展歷史是怎樣的

人臉識別是一個被廣泛研究著的熱門問題，大量的研究論文層出不窮，在一定程度上有泛濫成「災」之嫌。為了更好地對人臉識別研究的歷史和現狀進行介紹，本文將AFR的研究歷史按照研究內容、技術方法等方面的特點大體劃分為三個時間階段，如表1所示。該表格概括了人臉識別研究的發展簡史及其每個歷史階段代表性的研究工作及其技術特點。下面對三個階段的研究進展情況作簡單介紹：

第一階段(1964年~1990年)

這一階段人臉識別通常只是作為一個一般性的模式識別問題來研究，所採用的主要技術方案是基於人臉幾何結構特徵(Geometricfeature based)的方法。這集中體現在人們對於剪影(Profile)的研究上，人們對面部剪影曲線的結構特徵提取與分析方面進行了大量研究。人工神經網路也一度曾經被研究人員用於人臉識別問題中。較早從事AFR研究的研究人員除了布萊索(Bledsoe)外還有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄於1973年在京都大學完成了第一篇AFR方面的博士論文，直到現在，作為卡內基-梅隆大學(CMU)機器人研究院的一名教授，仍然是人臉識別領域的活躍人物之一。他所在的研究組也是人臉識別領域的一支重要力量。總體而言，這一階段是人臉識別研究的初級階段，非常重要的成果不是很多，也基本沒有獲得實際應用。

第二階段(1991年~1997年)

這一階段盡管時間相對短暫，但卻是人臉識別研究的高潮期，可謂碩果累累：不但誕生了若干代表性的人臉識別演算法，美國軍方還組織了著名的FERET人臉識別演算法測試，並出現了若干商業化運作的人臉識別系統，比如最為著名的Visionics(現為Identix)的FaceIt系統。

美國麻省理工學院(MIT)媒體實驗室的特克(Turk)和潘特蘭德(Pentland)提出的「特徵臉」方法無疑是這一時期內最負盛名的人臉識別方法。其後的很多人臉識別技術都或多或少與特徵臉有關系，現在特徵臉已經與歸一化的協相關量(NormalizedCorrelation)方法一道成為人臉識別的性能測試基準演算法。

這一時期的另一個重要工作是麻省理工學院人工智慧實驗室的布魯內里(Brunelli)和波基奧(Poggio)於1992年左右做的一個對比實驗，他們對比了基於結構特徵的方法與基於模板匹配的方法的識別性能，並給出了一個比較確定的結論：模板匹配的方法優於基於特徵的方法。這一導向性的結論與特徵臉共同作用，基本中止了純粹的基於結構特徵的人臉識別方法研究，並在很大程度上促進了基於表觀(Appearance-based)的線性子空間建模和基於統計模式識別技術的人臉識別方法的發展，使其逐漸成為主流的人臉識別技術。

貝爾胡米爾(Belhumeur)等提出的Fisherface人臉識別方法是這一時期的另一重要成果。該方法首先採用主成分分析(PrincipalComponent Analysis，PCA，亦即特徵臉)對圖像表觀特徵進行降維。在此基礎上，採用線性判別分析(LinearDiscriminant Analysis, LDA)的方法變換降維後的主成分以期獲得「盡量大的類間散度和盡量小的類內散度」。該方法目前仍然是主流的人臉識別方法之一，產生了很多不同的變種，比如零空間法、子空間判別模型、增強判別模型、直接的LDA判別方法以及近期的一些基於核學習的改進策略。

麻省理工學院的馬哈丹(Moghaddam)則在特徵臉的基礎上，提出了基於雙子空間進行貝葉斯概率估計的人臉識別方法。該方法通過「作差法」，將兩幅人臉圖像對的相似度計算問題轉換為一個兩類(類內差和類間差)分類問題，類內差和類間差數據都要首先通過主成分分析(PCA)技術進行降維，計算兩個類別的類條件概率密度，最後通過貝葉斯決策(最大似然或者最大後驗概率)的方法來進行人臉識別。

人臉識別中的另一種重要方法——彈性圖匹配技術(Elastic GraphMatching，EGM) 也是在這一階段提出的。其基本思想是用一個屬性圖來描述人臉：屬性圖的頂點代表面部關鍵特徵點，其屬性為相應特徵點處的多解析度、多方向局部特徵——Gabor變換[12]特徵，稱為Jet;邊的屬性則為不同特徵點之間的幾何關系。對任意輸入人臉圖像，彈性圖匹配通過一種優化搜索策略來定位預先定義的若乾麵部關鍵特徵點，同時提取它們的Jet特徵，得到輸入圖像的屬性圖。最後通過計算其與已知人臉屬性圖的相似度來完成識別過程。該方法的優點是既保留了面部的全局結構特徵，也對人臉的關鍵局部特徵進行了建模。近來還出現了一些對該方法的擴展。

局部特徵分析技術是由洛克菲勒大學(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本質上是一種基於統計的低維對象描述方法，與只能提取全局特徵而且不能保留局部拓撲結構的PCA相比，LFA在全局PCA描述的基礎上提取的特徵是局部的，並能夠同時保留全局拓撲信息，從而具有更佳的描述和判別能力。LFA技術已商業化為著名的FaceIt系統，因此後期沒有發表新的學術進展。

由美國國防部反毒品技術發展計劃辦公室資助的FERET項目無疑是該階段內的一個至關重要的事件。FERET項目的目標是要開發能夠為安全、情報和執法部門使用的AFR技術。該項目包括三部分內容：資助若干項人臉識別研究、創建FERET人臉圖像資料庫、組織FERET人臉識別性能評測。該項目分別於1994年，1995年和1996年組織了3次人臉識別評測，幾種最知名的人臉識別演算法都參加了測試，極大地促進了這些演算法的改進和實用化。該測試的另一個重要貢獻是給出了人臉識別的進一步發展方向：光照、姿態等非理想採集條件下的人臉識別問題逐漸成為熱點的研究方向。

柔性模型(Flexible Models)——包括主動形狀模型(ASM)和主動表觀模型(AAM)是這一時期內在人臉建模方面的一個重要貢獻。ASM/AAM將人臉描述為2D形狀和紋理兩個分離的部分，分別用統計的方法進行建模(PCA)，然後再進一步通過PCA將二者融合起來對人臉進行統計建模。柔性模型具有良好的人臉合成能力，可以採用基於合成的圖像分析技術來對人臉圖像進行特徵提取與建模。柔性模型目前已被廣泛用於人臉特徵對准(FaceAlignment)和識別中，並出現了很多的改進模型。

總體而言，這一階段的人臉識別技術發展非常迅速，所提出的演算法在較理想圖像採集條件、對象配合、中小規模正面人臉資料庫上達到了非常好的性能，也因此出現了若干知名的人臉識別商業公司。從技術方案上看， 2D人臉圖像線性子空間判別分析、統計表觀模型、統計模式識別方法是這一階段內的主流技術。

第三階段(1998年~現在)

FERET』96人臉識別演算法評估表明：主流的人臉識別技術對光照、姿態等由於非理想採集條件或者對象不配合造成的變化魯棒性比較差。因此，光照、姿態問題逐漸成為研究熱點。與此同時，人臉識別的商業系統進一步發展。為此，美國軍方在FERET測試的基礎上分別於2000年和2002年組織了兩次商業系統評測。

基奧蓋蒂斯(Georghiades)等人提出的基於光照錐 (Illumination Cones) 模型的多姿態、多光照條件人臉識別方法是這一時期的重要成果之一，他們證明了一個重要結論：同一人臉在同一視角、不同光照條件下的所有圖像在圖像空間中形成一個凸錐——即光照錐。為了能夠從少量未知光照條件的人臉圖像中計算光照錐，他們還對傳統的光度立體視覺方法進行了擴展，能夠在朗博模型、凸表面和遠點光源假設條件下，根據未知光照條件的7幅同一視點圖像恢復物體的3D形狀和表面點的表面反射系數(傳統光度立體視覺能夠根據給定的3幅已知光照條件的圖像恢復物體表面的法向量方向)，從而可以容易地合成該視角下任意光照條件的圖像，完成光照錐的計算。識別則通過計算輸入圖像到每個光照錐的距離來完成。

以支持向量機為代表的統計學習理論也在這一時期內被應用到了人臉識別與確認中來。支持向量機是一個兩類分類器，而人臉識別則是一個多類問題。通常有三種策略解決這個問題，即：類內差/類間差法、一對多法(one-to-rest)和一對一法(one-to-one)。

布蘭茲(Blanz)和維特(Vetter)等提出的基於3D變形(3D Morphable Model)模型的多姿態、多光照條件人臉圖像分析與識別方法是這一階段內一項開創性的工作。該方法在本質上屬於基於合成的分析技術，其主要貢獻在於它在3D形狀和紋理統計變形模型(類似於2D時候的AAM)的基礎上，同時還採用圖形學模擬的方法對圖像採集過程的透視投影和光照模型參數進行建模，從而可以使得人臉形狀和紋理等人臉內部屬性與攝像機配置、光照情況等外部參數完全分開，更加有利於人臉圖像的分析與識別。Blanz的實驗表明，該方法在CMU-PIE(多姿態、光照和表情)人臉庫和FERET多姿態人臉庫上都達到了相當高的識別率，證明了該方法的有效性。

2001年的國際計算機視覺大會(ICCV)上，康柏研究院的研究員維奧拉(Viola)和瓊斯(Jones)展示了他們的一個基於簡單矩形特徵和AdaBoost的實時人臉檢測系統，在CIF格式上檢測准正面人臉的速度達到了每秒15幀以上。該方法的主要貢獻包括：1)用可以快速計算的簡單矩形特徵作為人臉圖像特徵;2)基於AdaBoost將大量弱分類器進行組合形成強分類器的學習方法;3)採用了級聯(Cascade)技術提高檢測速度。目前，基於這種人臉/非人臉學習的策略已經能夠實現准實時的多姿態人臉檢測與跟蹤。這為後端的人臉識別提供了良好的基礎。

沙蘇哈(Shashua)等於2001年提出了一種基於商圖像[13]的人臉圖像識別與繪制技術。該技術是一種基於特定對象類圖像集合學習的繪制技術，能夠根據訓練集合中的少量不同光照的圖像，合成任意輸入人臉圖像在各種光照條件下的合成圖像。基於此，沙蘇哈等還給出了對各種光照條件不變的人臉簽名(Signature)圖像的定義，可以用於光照不變的人臉識別，實驗表明了其有效性。

巴斯里(Basri)和雅各布(Jacobs)則利用球面諧波(Spherical Harmonics)表示光照、用卷積過程描述朗博反射的方法解析地證明了一個重要的結論：由任意遠點光源獲得的所有朗博反射函數的集合形成一個線性子空間。這意味著一個凸的朗博表面物體在各種光照條件下的圖像集合可以用一個低維的線性子空間來近似。這不僅與先前的光照統計建模方法的經驗實驗結果相吻合，更進一步從理論上促進了線性子空間對象識別方法的發展。而且，這使得用凸優化方法來強制光照函數非負成為可能，為光照問題的解決提供了重要思路。

FERET項目之後，涌現了若幹人臉識別商業系統。美國國防部有關部門進一步組織了針對人臉識別商業系統的評測FRVT，至今已經舉辦了兩次：FRVT2000和FRVT2002。這兩次測試一方面對知名的人臉識別系統進行了性能比較，例如FRVT2002測試就表明Cognitec, Identix和Eyematic三個商業產品遙遙領先於其他系統，而它們之間的差別不大。另一方面則全面總結了人臉識別技術發展的現狀：較理想條件下(正面簽證照)，針對37437人121,589 幅圖像的人臉識別(Identification)最高首選識別率為73%，人臉驗證(Verification)的等錯誤率(EER[14])大約為6%。FRVT測試的另一個重要貢獻是還進一步指出了目前的人臉識別演算法亟待解決的若干問題。例如，FRVT2002測試就表明：目前的人臉識別商業系統的性能仍然對於室內外光照變化、姿態、時間跨度等變化條件非常敏感，大規模人臉庫上的有效識別問題也很嚴重，這些問題都仍然需要進一步的努力。

總體而言，目前非理想成像條件下(尤其是光照和姿態)、對象不配合、大規模人臉資料庫上的人臉識別問題逐漸成為研究的熱點問題。而非線性建模方法、統計學習理論、基於Boosting[15]的學習技術、基於3D模型的人臉建模與識別方法等逐漸成為備受重視的技術發展趨勢。

總而言之， 人臉識別是一項既有科學研究價值，又有廣泛應用前景的研究課題。國際上大量研究人員幾十年的研究取得了豐碩的研究成果，自動人臉識別技術已經在某些限定條件下得到了成功應用。這些成果更加深了我們對於自動人臉識別這個問題的理解，尤其是對其挑戰性的認識。盡管在海量人臉數據比對速度甚至精度方面，現有的自動人臉識別系統可能已經超過了人類，但對於復雜變化條件下的一般人臉識別問題，自動人臉識別系統的魯棒性和准確度還遠不及人類。這種差距產生的本質原因現在還不得而知，畢竟我們對於人類自身的視覺系統的認識還十分膚淺。但從模式識別和計算機視覺等學科的角度判斷，這既可能意味著我們尚未找到對面部信息進行合理采樣的有效感測器(考慮單目攝像機與人類雙眼系統的差別)，更可能意味著我們採用了不合適的人臉建模方法(人臉的內部表示問題)，還有可能意味著我們並沒有認識到自動人臉識別技術所能夠達到的極限精度。但無論如何，賦予計算設備與人類似的人臉識別能力是眾多該領域研究人員的夢想。相信隨著研究的繼續深入，我們的認識應該能夠更加准確地逼近這些問題的正確答案。

Ⅵ 視覺檢測的發展歷史

視覺檢測國內起步較晚，大約從2000年左右才慢慢引入國內，視覺檢測設備在2005年才在國內慢慢出現，最早是歐美國家的設備，這幾年已經應用很多了，可以說隨處可見了。

Ⅶ 人工智慧到目前為止經歷怎樣的發展歷程

一是起步發展期：20世紀年代—20世紀60年代初。人工智慧概念提出後，相繼取得了一批令人矚目的研究成果，如機器定理證明、跳棋程序等，掀起人工智慧發展的第一個高潮。
二是反思發展期：20世紀60年代—20世紀70年代初。人工智慧發展初期的突破性進展大大提升了人們對人工智慧的期望，人們開始嘗試更具挑戰性的任務，並提出了一些不切實際的研發目標。然而，接二連三的失敗和預期目標的落空，例如無法用機器證明兩個連續函數之和還是連續函數、機器翻譯鬧出笑話等，使人工智慧的發展跌入低谷。
三是應用發展期：20世紀70年代初—20世紀80年代中。20世紀70年代出現的專家系統模擬人類專家的知識和經驗解決特定領域的問題，實現了人工智慧從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。專家系統在醫療、化學、地質等領域取得成功，推動人工智慧走入應用發展的新高潮。
四是低迷發展期：20世紀80年代中期—20世紀90年代中期。隨著人工智慧的應用規模不斷擴大，專家系統存在的應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一、缺乏分布式功能、難以與現有資料庫兼容等問題逐漸暴露出來。
五是穩步發展期：20世紀90年代中—21世紀初。由於網路技術特別是互聯網技術的發展，加速了人工智慧的創新研究，推動人工智慧技術進一步走向實用化。1997年國際商業機器公司(簡稱IBM)深藍超級計算機戰勝了國際象棋世界冠軍卡斯帕羅夫，2008年IBM提出「智慧地球」的概念。以上都是這一時期的標志性事件。
六是蓬勃發展期：2011年至今。隨著大數據、雲計算、互聯網、物聯網等信息技術的發展，泛在感知數據和圖形處理器等計算平台推動以深度神經網路為代表的人工智慧技術飛速發展，大幅跨越了科學與應用之間的「技術鴻溝」，諸如圖像分類、語音識別、知識問答、人機對弈、無人駕駛等人工智慧技術實現了從「不能用、不好用」到「可以用」的技術突破，迎來爆發式增長的新高潮。

Ⅷ 圖像識別的研究現狀

圖像識別的發展經歷了三個階段：文字識別、數字圖像處理與識別、物體識別。文字識別的研究是從 1950年開始的，一般是識別字母、數字和符號，從印刷文字識別到手寫文字識別， 應用非常廣泛。
數字圖像處理和識別的研究開始於1965年。數字圖像與模擬圖像相比具有存儲，傳輸方便可壓縮、傳輸過程中不易失真、處理方便等巨大優勢，這些都為圖像識別技術的發展提供了強大的動力。物體的識別主要指的是對三維世界的客體及環境的感知和認識，屬於高級的計算機視覺范疇。它是以數字圖像處理與識別為基礎的結合人工智慧、系統學等學科的研究方向，其研究成果被廣泛應用在各種工業及探測機器人上。現代圖像識別技術的一個不足就是自適應性能差，一旦目標圖像被較強的雜訊污染或是目標圖像有較大殘缺往往就得不出理想的結果。
圖像識別問題的數學本質屬於模式空間到類別空間的映射問題。目前，在圖像識別的發展中，主要有三種識別方法：統計模式識別、結構模式識別、模糊模式識別。圖像分割是圖像處理中的一項關鍵技術，自20世紀70年代，其研究已經有幾十年的歷史，一直都受到人們的高度重視，至今藉助於各種理論提出了數以千計的分割演算法，而且這方面的研究仍然在積極地進行著。
現有的圖像分割的方法有許多種，有閾值分割方法，邊緣檢測方法，區域提取方法，結合特定理論工具的分割方法等。從圖像的類型來分有：灰度圖像分割、彩色圖像分割和紋理圖像分割等。早在1965年就有人提出了檢測邊緣運算元，使得邊緣檢測產生了不少經典演算法。但在近二十年間，隨著基於直方圖和小波變換的圖像分割方法的研究計算技術、VLSI技術的迅速發展，有關圖像處理方面的研究取得了很大的進展。圖像分割方法結合了一些特定理論、 方法和工具，如基於數學形態學的圖像分割、基於小波變換的分割、基於遺傳演算法的分割等。

Ⅸ 人工智慧的歷史

AI(Artificial Intelligence，人工智慧) 。
「人工智慧」一詞最初是在1956 年Dartmouth學會上提出的。從那以後,研究者們發展了眾多理論和原理,人工智慧的概念也隨之擴展。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的, 現在計算機不但能完成這種計算, 而且能夠比人腦做得更快、更准確, 因之當代人已不再把這種計算看作是「需要人類智能才能完成的復雜任務」, 可見復雜工作的定義是隨著時代的發展和技術的進步而變化的, 人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展, 一方面又轉向更有意義、更加困難的目標。目前能夠用來研究人工智慧的主要物質手段以及能夠實現人工智慧技術的機器就是計算機, 人工智慧的發展歷史是和計算機科學與技術的發展史聯系在一起的。除了計算機科學以外, 人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。

人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。

知識表示是人工智慧的基本問題之一，推理和搜索都與表示方法密切相關。常用的知識表示方法有：邏輯表示法、產生式表示法、語義網路表示法和框架表示法等。

常識，自然為人們所關注，已提出多種方法，如非單調推理、定性推理就是從不同角度來表達常識和處理常識的。

問題求解中的自動推理是知識的使用過程，由於有多種知識表示方法，相應地有多種推理方法。推理過程一般可分為演繹推理和非演繹推理。謂詞邏輯是演繹推理的基礎。結構化表示下的繼承性能推理是非演繹性的。由於知識處理的需要，近幾年來提出了多種非演澤的推理方法，如連接機制推理、類比推理、基於示例的推理、反繹推理和受限推理等。

搜索是人工智慧的一種問題求解方法，搜索策略決定著問題求解的一個推理步驟中知識被使用的優先關系。可分為無信息導引的盲目搜索和利用經驗知識導引的啟發式搜索。啟發式知識常由啟發式函數來表示，啟發式知識利用得越充分，求解問題的搜索空間就越小。典型的啟發式搜索方法有A*、AO*演算法等。近幾年搜索方法研究開始注意那些具有百萬節點的超大規模的搜索問題。

機器學習是人工智慧的另一重要課題。機器學習是指在一定的知識表示意義下獲取新知識的過程，按照學習機制的不同，主要有歸納學習、分析學習、連接機制學習和遺傳學習等。

知識處理系統主要由知識庫和推理機組成。知識庫存儲系統所需要的知識，當知識量較大而又有多種表示方法時，知識的合理組織與管理是重要的。推理機在問題求解時，規定使用知識的基本方法和策略，推理過程中為記錄結果或通信需設資料庫或採用黑板機制。如果在知識庫中存儲的是某一領域(如醫療診斷)的專家知識，則這樣的知識系統稱為專家系統。為適應復雜問題的求解需要，單一的專家系統向多主體的分布式人工智慧系統發展，這時知識共享、主體間的協作、矛盾的出現和處理將是研究的關鍵問題。 `