AI人工智能其实是一个广泛的术语，它里面涉及了许多的技术，当这些技术结合在一起时，就使得计算机能产生了智能，与人类对话交流。
通用AI
我们都知道人工智能比较流行的用途就是在许多不同任务上类似于超人的机器人。它们战斗一流，飞行速度一流，并可以任何话题与你深入的对话。就好像电影中的很多机器人，它们有好有坏，当然也正是这样才让人类对人工智能既期待也害怕。尽管这是现阶段AI研究的终极目标，我们目前的技术离达到AI水平也还很遥远，但这就是我们想象中的AI，通用AI。
在很早之前，我们应该听说过谷歌的人工智能程序“阿尔法围棋(AlphaGo)”以4比l战胜世界围棋冠军李世石，它打败了当时的世界冠军！成为了世界冠军。然而，这个智能程序除了玩"围棋"游戏之外，应该是玩不了别的游戏的。很可能它甚至不能告诉你当前时间是多少，因为只要工程师没在它的程序中加入这些设定，那么它就无法回答你的问题。
目前来说，我们接触到的基本上都窄AI，这种类型的人工智能代表了所有现有的人工智能，甚至包括迄今为止最复杂和最有能力的人工智能。人工窄智能是指只能使用类人功能自主执行特定任务的人工智能系统。这些机器只能做它们被编程要做的事情，因此它们的能力非常有限。根据上述分类系统，这些系统对应于所有的反应性和有限的内存AI。即使是使用机器学习和深度学习来自学的最复杂的人工智能也属于ANI。
而窄AI有两种类型，让我们一个一个来看。
符号人工智能(SymbolicAI)、数字人工智能(NumericAI)，一般来说数字人工智能又被称作机器学习ML
SymbolicAI符号人工智能
符号人工智能也被称为老式AI(GOFAI)，因为它已经存在了数十年。这种机器人要程序员必须手动去编写控制符号AI系统的所有规则。只有这样才能让其运行，但也正是因为这个原因，它很难建立正确的解决方案。只是一种单纯的“逻辑机器”，就只能按照人类的指令执行具体的结果。但算是这样，它的运用也非常广泛，仍被用于某些人类需要了解为什么AI程序在给定情况下做出特定决定的用例。例如，宣读某一条规则，就要去解释这条规则的制定原因，及其决定的原因。
ML机器学习
ML比SymbolicAI相对来说是比较新的，功能上也要强上得多。例如GoogleDeepMind的AlphaGO是一种ML系统。机器学习是使用算法解析数据，从中学习，也即是从给定样本数据中计算样本特征的规律，然后对未知事件或样本做出预测或决定。
当有了ML机器学习后，AI程序就不再是使用人工编写所有规则的程序员，而是使用大量示例或数据让机器自己"学习"我们想要做的事情，我们的行为习惯，从而服务我们。
这其实就相当于人类是去如何"学习"新东西一样。人们在小的时候如果要去教小孩子猫猫狗狗是什么样的时候，大人们不会去告诉小孩，你看，矮矮的，小小的，耳朵下垂，尾巴摆动的话，那就是狗。而是直接拿出一些"猫狗"的照片来告诉小孩这是什么。随着一段时间的教导，小孩子自然就会明白哪个是狗哪个是猫了。ML机器学习程序就是遵循相同的原理而来。
随着智能手机和传感器的出现，我们每天都会产生大量数据，以至于机器学习方法现在已经拥有了足够的数据来接受训练。
多年来，诸如多核CPU和GPU之类的电子芯片的成本也在下降，同时创建的数据量的激增以及廉价硬件设备的可用性，是当前AI革命的重要原因。
