隨著不斷提高的計算機速度、不斷擴大的存儲容量、不斷降低的價格，以及不斷發展的網絡，很多在以前無法完成的工作在現在都能夠實現。當前，智能接口、數據挖掘、主體及多主體系統是人工智能研究的三個熱點。

　　人工智能經歷了三次飛躍階段：實現問題求解是第一次，代替人進行部分邏輯推理工作的完成，如機器定理證明和專家系統；智能系統能夠和環境交互是第二次，從運行的環境中對信息進行獲取，代替人進行包括不確定性在內的部分思維工作的完成，通過自身的動作，對環境施加影響，并適應環境的變化，如智能機器人；第三次是智能系統，具有類人的認知和思維能力，能夠發現新的知識，去完成面臨的任務，如基于數據挖掘的系統。

　　AI研究出現了新的高潮，有兩個方面的表現，一方面在于人工智能理論方面有了新的進展，另一方面是由于突飛猛進發展的計算機硬件。隨著不斷提高的計算機速度、不斷擴大的存儲容量、不斷降低的價格，以及不斷發展的網絡，很多在以前無法完成的工作在現在都能夠實現。當前，智能接口、數據挖掘、主體及多主體系統是人工智能研究的三個熱點。

　　（一）智能接口技術是研究如何使人們能夠方便自然地與計算機交流。為了實現這一目標，要求計算機能夠看懂文字、聽懂語言、說話表達，甚至能夠進行不同語言之間的翻譯，而這些功能的實現又依賴于知識表示方法的研究。因此，智能接口技術的研究既有巨大的應用價值，又有基礎的理論意義。目前，智能接口技術已經取得了顯著成果，文字識別、語音識別、語音合成、圖像識別、機器翻譯及自然語言理解等技術已經開始實用化。

　　（二）數據挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數據中提取隱含在其中的、人們事先不知道的、但是又潛在有用的信息和知識的過程。數據挖掘和知識發現的研究目前已經形成了三根強大的技術支柱：數據庫、人工智能和數理統計。

　　（三）主體系統是具有信念、愿望、意圖、能力、選擇、承諾等心智狀態的實體，比對象的粒度更大，智能性更高，而且具有一定的自主性。主體試圖自治、獨立地完成任務，而且可以和環境交互，與其他主體通信，通過規劃達到目標。多主體系統主要研究在邏輯上或物理上分離的多個主體之間進行協調智能行為，最終實現問題求解。

　　今天，AI能力更傾向于應用到人類或其他動物智能的某一或某幾方面，并用自動化替代，有時候也用于對其進行模擬。不過在有些情況下，這些在高性能計算機調度之下的智能行為遠遠比人類的行為更為強大。

　　（一）路徑查找和路徑規劃。在最小代價路徑規劃和路徑查找系統中，可以使用專門的技術――它們中有一些非常靈巧微妙，另一些則僅僅是用蠻力解決――來模擬對理解的直覺迅速轉換或者對普通人大腦生成過程的識別，結果有時非常令人驚訝！路徑查找就是路徑規劃問題的一種變體。

　　為了找到最佳路線，我們需要計算通過每一個往返路線的時間開銷。時間就是金錢；所以，我們更傾向于關注最小代價路線。這也適用于飛機航線的制定，它們需要在不同的城市中逗留或更換航班等等。

　　（二）邏輯和不確定性。計算機編程就像是使用邏輯磚塊建造一棟房子一樣。事實上，人工智能編程通常被認為有兩種邏輯形式――命題邏輯和形式邏輯――的一種特殊混合應用，也被認為是一種謂詞演算。更進一步說，編程語言中，我們更是采用了一個命題邏輯更加專門化的形式：布爾邏輯或者布爾代數。

　　命題邏輯應用于具有真和假兩種狀態的斷言以及命題領域之中。古典命題邏輯或者布爾邏輯處理的都只有兩種狀態：或者為真，或者為假。

　　對象之間聯系以及這些聯系的真假值（布爾形式）在內的命題邏輯的一種強化延伸就是謂詞演算（和中學學的數學計算毫無關系）所包含的。

　　但是當我們在邏輯中使用這些謂詞的時候，就算是最復雜的邏輯語句，我們最終獲得的也只是一個黑白分明的世界：一個事物不是真的就是假的。如果一個事物不是真的也不是假的，那么它一定是不存在的事物。否則，它必然兩者居其一。

　　（三）自然語言處理。在AI應用中最重要的一部分就是自然語言處理。但是，現實卻是，自然語言處理系統并不能像人類那樣能很好地分析這些并沒有太強邏輯結構地說出的以及寫出的詞語的含義。不過這樣有限的功能對于殘障人士、翻譯系統、詞語處理拼寫和語法檢查器來說仍然是非常有用的。

　　（四）神經網絡。一種信息處理結構就是神經網絡，對諸如大腦之類的生物學神經系統進行嘗試模仿來進行單純數據的轉換成為信息，就是它的原理。神經網絡由很多相互聯系的處理小元素：神經節點，功能相當于一個大腦神經細胞和神經元（synapse）組成，它們相互交互，共同解決具體問題。神經網絡上的元素將輸入模式轉換成為輸出模式，而這些輸出模式又同時可以成為其他神經網絡的輸入模式。神經網絡通過實例學習，這一點和人類的做法一樣。神經網絡需要設置為適用于某些具體應用中，比如通過學習過程識別圖像。而對于生命系統本身，我們對學習的過程涉及到神經細胞之間的突觸聯系的調整這一說法保留質疑。

　　當前，大部分AI能力的研究方向是研究如何完整地模擬一個智能過程，而不是對器官所使用的每一個低級步驟進行再現。一個極端顯著的示例就是利用數據庫和搜索軟件獲取信息的專家系統。數據庫向大腦提供基本沒有任何關聯的數據，同時這些數據的傳輸和其在大腦中的存儲形式也毫不相同。但是很多專家系統還是能夠相當好地擔當起諸如像內科醫生這樣的專業角色。當然它們也僅僅被應用于它們非常熟悉的領域。

　　在不久的將來，多智時代一定會徹底走入我們的生活，有興趣入行未來前沿產業的朋友，可以收藏多智時代，及時獲取人工智能、大數據、云計算和物聯網的前沿資訊和基礎知識，讓我們一起攜手，引領人工智能的未來！