人工智能的一个比较盛行的定义，也是该领域较早的定义，是由当时麻省理工学院的约翰·麦卡锡在1956年的达特矛斯会议上提出的（对此有争议）：人工智能便是要让机器的行为看起来就像是人所表现出的智能行为一样。
但是这个定义彷佛忽略了强人工智能的可能性。
另一个定义指人工智能是人造机器所表现出来的智能。
总体来讲，当前对人工智能的定义大多可划分为四类，即机器“像人一样思考”、“像人一样行动”、“理性地思考”和“理性地行动”。
这里“行动”应广义地理解为采纳行动，或制订行动的决策，而不是肢体动作。

强人工智能

强人工智能不雅观点认为“有可能”制造出“真正”能推理和解决问题的智能机器，并且，这样的机器将被认为是具有知觉、有自我意识的。
强人工智能可以有两类：

人类的人工智能，即机器的思考和推理就像人的思维一样。
非人类的人工智能，即机器产生了和人完备不一样的知觉和意识，利用和人完备不一样的推理办法。

弱人工智能

弱人工智能不雅观点认为“不可能”制造出能“真正”地推理和解决问题的智能机器，这些机器只不过“看起来”像是智能的，但是并不真正拥有智能，也不会有自主意识。
弱人工智能是比拟强人工智能才涌现的，由于人工智能的研究一度处于结束不前的状态下，直到类神经网络有了强大的运算能力加以仿照后，才开始改变并大幅超前。
但人工智能研究者不一定赞许弱人工智能，也不一定在乎或者理解强人工智能和弱人工智能的内容与差别，对定义辩论不休。
就当下的人工智能研究领域来看，研究者已大量造出“看起来”像是智能的机器，获取相称丰硕的理论上和本色上的成果，如2009年康乃尔大学教授Hod Lipson 和其博士研究生Michael Schmidt 研发出的 Eureqa打算机程序，只要给予一些数据，这打算机程序自己只用几十个小时打算就推论出牛顿花费多年研究才创造的牛顿力学公式，即是只用几十个小时就自己重新创造牛顿力学公式，这打算机程序也能用来研究很多其他领域的科学问题上。
这些所谓的弱人工智能在神经网络发展下已经有巨大进步，但对付要如何集成成强人工智能，现在还没有明确定论。

对强人工智能的哲学辩论

“强人工智能”一词最初是约翰·罗杰斯·希尔勒针对打算机和其它信息处理机器创造的，其定义为：“强人工智能不雅观点认为打算机不仅是用来研究人的思维的一种工具；相反，只要运行适当的程序，打算机本身便是有思维的。
”（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）关于强人工智能的辩论，不同于更广义的一元论和二元论的辩论。
其辩论要点是：如果一台机器的唯一事情事理便是转换编码数据，那么这台机器是不是有思维的？希尔勒认为这是不可能的。
他举了个中文房间的例子来解释，如果机器仅仅是转换数据，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的条件下，机器不可能对其处理的数据有任何理解。
基于这一论点，希尔勒认为纵然有机器通过了图灵测试，也不一定解释机器就真的像人一样有自我思维和自由意识。
也有哲学家持不同的不雅观点。
丹尼尔·丹尼特在其著作《意识的阐明（英语：Consciousness Explained）》（Consciousness Explained）里认为，人也不过是一台有灵魂的机器而已，为什么我们认为：“人可以有智能，而普通机器就不能”呢？他认为像上述的数据转换机器是有可能有思维和意识的。
有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。
比如西蒙·布莱克本（英语：Simon Blackburn）（Simon Blackburn）在其哲学入门教材Think里说道，一个人的看起来是“智能”的行动并不能真正解释这个人就真的是智能的。
我永久不可能知道另一个人是否真的像我一样是智能的，还是说她／他仅仅是“看起来”是智能的。
基于这个论点，既然弱人工智能认为可以令机器“看起来”像是智能的，那就不能完备否定这机器是真的有智能的。
布莱克本认为这是一个主不雅观认定的问题。
须要指出的是，弱人工智能并非和强人工智能完备对立，也便是说，纵然强人工智能是可能的，弱人工智能仍旧是故意义的。
至少，今日的打算性能做的事，像算术运算等，在一百多年前是被认为很须要智能的。
并且，纵然强人工智能被证明为可能的，也不代表强人工智能必定能被研制出来。

研究方法

当前没有统一的事理或范式辅导人工智能研究。
许多问题上研究者都存在辩论。
个中几个长久以来仍没有结论的问题是：是否应从生理或神经方面仿照人工智能?或者像鸟类生物学对付航空工程一样，人类生物学对付人工智能研究是没有关系的？智能行为能否用大略的原则（如逻辑或优化）来描述？还是必须办理大量完备无关的问题？ 智能是否可以利用高等符号表达，如词和想法？还是须要“子符号”的处理？约翰·豪格兰德（John Haugeland）提出了GOFAI（出色的老式人工智能）的观点，也发起人工智能应归类为synthetic intelligence（英语：synthetic intelligence），这个观点后来被某些非GOFAI研究者采纳。

掌握论与大脑仿照

20世纪40年代到50年代，许多研究者探索神经学、信息理论及掌握论之间的联系。
个中还造出一些利用电子网络布局的初步智能，如格雷·华特（W. Grey Walter）的乌龟（turtle）和约翰霍普金斯野兽。
这些研究者还常常在普林斯顿大学和英国的Ratio Club举行技能协会会议。
直到1960，大部分人已经放弃这个方法，只管在80年代再次提出这些事理。

符号处理

当20世纪50年代，数字打算机研制成功，研究者开始探索人类智能是否能简化成符号处理。
研究紧张集中在卡内基梅隆大学，斯坦福大学和麻省理工学院，而各自有独立的研究风格。
约翰·豪格兰德（John Haugeland）称这些方法为GOFAI（出色的老式人工智能）。
60年代，符号方法在小型证明程序上仿照高等思考有很大的造诣。
基于掌握论或神经网络的方法则置于次要。
60－70年代的研究者确信符号方法终极可以成功创造强人工智能的机器，同时这也是他们的目标。

认知仿照：经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题办理能力和考试测验将其形式化，同时他们为人工智能的基本事理打下根本，如认知科学、运筹学和经营科学。
他们的研究团队利用生理学实验的结果开拓仿照人类办理问题方法的程序。
这方法一贯在卡内基梅隆大学沿袭下来，并在80年代于Soar发展到高峰。
基于逻辑：不像艾伦·纽厄尔和赫伯特·西蒙，约翰·麦卡锡认为机器不须要仿照人类的思想，而应考试测验找到抽象推理和解决问题的实质，不管人们是否利用同样的算法。
他在斯坦福大学的实验室致力于利用形式化逻辑办理多种问题，包括知识表示，智能方案和机器学习。
致力于逻辑方法的还有爱丁堡大学，而匆匆成欧洲的其他地方开拓编程措辞Prolog和逻辑编程科学。
“反逻辑”: 斯坦福大学的研究者 （如马文·闵斯基和西摩尔·派普特）创造要办理打算机视觉和自然措辞处理的困难问题，须要专门的方案：他们主见不存在大略和通用事理（如逻辑）能够达到所有的智能行为。
罗杰·单克（Roger Schank）描述他们的“反逻辑”方法为“scruffy”。
知识知识库（如道格拉斯·莱纳特的Cyc）便是“scruffy”AI的例子，由于他们必须人工一次编写一个繁芜的观点。
基于知识：大约在1970年涌现大容量内存打算机，研究者分别以三个方法开始把知识布局成运用软件。
这场“知识革命”匆匆成专家系统的开拓与操持，这是第一个成功的人工智能软件形式。
“知识革命”同时让人们意识到许多大略的人工智能软件可能须要大量的知识。

子符号方法

1980年代符号人工智能结束不前，很多人认为符号系统永久不可能模拟人类所有的认知过程，特殊是感知、机器人、机器学习和模式识别。
很多研究者开始关注子符号方法办理特定的人工智能问题。

自下而上、接口agent、嵌入环境（机器人）、行为主义、新式AI：机器人领域干系的研究者，如罗德尼·布鲁克斯（Rodney Brooks），否定符号人工智能而专注于机器人移动和求生等基本的工程问题。
他们的事情再次关注早期掌握论研究者的不雅观点，同时提出了在人工智能中利用掌握理论。
这与认知科学领域中的表征感知论点是同等的:更高的智能须要个体的表征（如移动，感知和形象）。
打算智能：1980年代中大卫·鲁姆哈特（David E. Rumelhart）等再次提入迷经网络和联结主义。
这和其他的子符号方法，如模糊掌握和进化打算，都属于打算智能学科研究范畴。

统计学方法

1990年代，人工智能研究发展出繁芜的数学工具来办理特定的分支问题。
这些工具是真正的科学方法，即这些方法的结果是可丈量的和可验证的，同时也是近期人工智能成功的缘故原由。
共享的数学措辞大概可已有学科的互助（如数学，经济或运筹学）。
Stuart J. Russell和Peter Norvig指出这些进步不亚于“革命”和“neats的成功”。
有人批评这些技能太专注于特定的问题，而没有考虑长远的强人工智能目标。

集成方法

智能agent范式：智能agent是一个会感知环境并作出行动以达致目标的系统。
最大略的智能agent是那些可以办理特定问题的程序。
更繁芜的agent包括人类和人类组织（如公司）。
这些范式可以让研究者研究单独的问题和找出有用且可验证的方案，而不需考虑单一的方法。
一个办理特定问题的agent可以利用任何可行的方法-一些agent用符号方法和逻辑方法，一些则是子符号神经网络或其他新的方法。
范式同时也给研究者供应一个与其他领域沟通的共同措辞--如决策论和经济学（也利用abstract agents的观点）。
1990年代智能agent范式被广泛接管。
代理架构和认知架构：研究者设计出一些系统来处理多agent系统中智能agent之间的相互浸染。
一个别系中包含符号和子符号部分的系统称为稠浊智能系统，而对这种系统的研究则是人工智能系统集成。
分级掌握系统则给反应级别的子符号AI和最高级别的传统符号AI供应桥梁，同时放宽了方案和天下建模的韶光。

基本运用

人工智能基本的运用可分为四大部分：

感知能力（Perception)指的是人类透过感官所收到环境的刺激，察觉的能力，大略的说便是人类五官的看、听、说、读、写等能力，学习人类的感知能力是AI当前紧张的焦点之一，包括：

“看”：电脑视觉（Computer Vision）、图像识别（Image Recognition）、人脸识别（Face Recognition）、工具侦测（Object Detection）。
“听”：语音识别（Sound Recognition）。
“读”：自然措辞处理（Natural Language Processing，NLP）、语音转换文本（Speech-to-Text）。
“写”：机器翻译（Machine Translation）。
“说”：语音天生（Sound Generation）、文本转换语音（Text-to-Speech）。

认知能力（Cognition）指的是人类透过学习、判断、剖析等等生理活动来理解、获取知识的过程与能力，对人类认知的模拟与学习也是当前AI第二个焦点领域，紧张包括：

剖析识别能力：例如医学图像剖析、产品推举、垃圾邮件识别、法律案件剖析、犯罪侦测、信用风险剖析、消费行为剖析等。
预测能力：例如AI运行的预防性维修（Predictive Maintenance）、智能天然磨难预测与防治。
判断能力：例如AI下围棋、自动驾驶车、健保诈欺判断、癌症判断等。
学习能力：例如机器学习、深度学习、增强式学习等等各种学习方法。

创造力（Creativity）指的是人类产生新思想，新创造，新方法，新理论，新设计，创造新事物的能力，它是结合知识、智力、能力、个性及潜意识等各种成分优化而成，这个领域当古人类仍遥遥领先AI，但AI也试焦急起直追，紧张领域包括：AI作曲、AI作诗、AI小说、AI绘画、AI设计等。

智能（Wisdom）指的是人类深刻理解人、事、物的原形，能探求真实真理、明辨是非，辅导人类可以过着故意义生活的一种能力，这个领域牵扯人类自我意识、自我认知与代价不雅观，是ˋ当前AI尚未触及的一部分，也是人类最难以模拟的一个领域。