用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机 科学技术的发展史联系在一起的。除了 计算机科学以外，人工智能还涉及 信息论、 控制论、 自动化、仿生学、 生物学、 心理学、 数理逻辑、 语言学、 医学和 哲学等多门学科。人工智能学科研究的主要内容包括： 知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、 自然语言理解、计算机语言视觉、 智能机器人等方面。

研究方法

如今没有统一的原理或 范式指导人工智能研究。许多问题上研究者都存在争论。其中几个长久以来仍没有结论的问题是：是否应从 心理或 神经方面模拟人工智能?或者像鸟类生物学对于 航空工程一样，人类生物学对于人工智能研究是没有关系的？智能行为能否用简单的原则（如 逻辑或 优化）来描述？还是必须解决大量完全无关的问题？

智能是否可以使用高级符号表达，如词和想法？还是需要“子符号”的处理？JOHN HAUGELAND提出了GOFAI(出色的老式人工智能)的概念，也提议人工智能应归类为SYNTHETIC INTELLIGENCE，[29]这个概念后来被某些非GOFAI研究者采纳。

大脑模拟

主条目： 控制论和 计算神经科学

20世纪40年代到50年代，许多研究者探索 神经病学， 信息理论及 控制论之间的联系。其中还造出一些使用电子网络构造的初步智能，如W. GREY WALTER的 TURTLES和JOHNS HOPKINS BEAST。 这些研究者还经常在 普林斯顿大学和英国的RATIO CLUB举行技术协会会议.直到1960, 大部分人已经放弃这个方法，尽管在80年代再次提出这些原理。

符号处理

主条目： GOFAI

当20世纪50年代，数字计算机研制成功，研究者开始探索人类智能是否能简化成符号处理。研究主要集中在 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。JOHN HAUGELAND称这些方法为GOFAI(出色的老式人工智能)。[33] 60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于 控制论或 神经网络的方法则置于次要。[34] 60~70年代的研究者确信符号方法最终可以成功创造 强人工智能的机器，同时这也是他们的目标。

认知模拟经济学家 赫伯特·西蒙和 艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如 认知科学, 运筹学和经营科学。他们的研究团队使用 心理学实验的结果开发模拟人类解决问题方法的程序。这方法一直在 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， JOHN MCCARTHY认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在 斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括 知识表示, 智能规划和 机器学习. 致力于逻辑方法的还有 爱丁堡大学，而促成欧洲的其他地方开发编程语言 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)发现要解决 计算机视觉和 自然语言处理的困难问题，需要专门的方案-他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。ROGER SCHANK 描述他们的“反逻辑”方法为 "SCRUFFY" .常识知识库 (如DOUG LENAT的CYC)就是"SCRUFFY"AI的例子,因为他们必须人工一次编写一个复杂的概念。基于知识大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把 知识构造成应用软件。这场“知识革命”促成 专家系统的开发与计划,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简单的人工智能软件可能需要大量的知识。

子符号法

80年代符号人工智能停滞不前，很多人认为符号系统永远不可能模仿人类所有的认知过程，特别是感知，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解决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机器人领域相关的研究者，如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。他们的工作再次关注早期控制论研究者的观点，同时提出了在人工智能中使用控制理论。这与认知科学领域中的表征感知论点是一致的:更高的智能需要个体的表征(如移动，感知和形象)。计算智能80年代中DAVID RUMELHART 等再次提出 神经网络和 联结主义. 这和其他的子符号方法，如模糊控制和进化计算，都属于计算智能学科研究范畴。

统计学法

90年代，人工智能研究发展出复杂的数学工具来解决特定的分支问题。这些工具是真正的科学方法，即这些方法的结果是可测量的和可验证的，同时也是人工智能成功的原因。共用的数学语言也允许已有学科的合作（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”。有人批评这些技术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。最简单的智能AGENT是那些可以解决特定问题的程序。更复杂的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。一个解决特定问题的AGENT可以使用任何可行的方法-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提供一个与其他领域沟通的共同语言--如 决策论和经济学（也使用ABSTRACT AGENTS的概念）。90年代智能AGENT范式被广泛接受。AGENT体系结构和认知体系结构研究者设计出一些系统来处理多ANGENT系统中智能AGENT之间的相互作用。一个系统中包含符号和子符号部分的系统称为 混合智能系统 ,而对这种系统的研究则是人工智能系统集成。分级控制系统则给反应级别的子符号AI 和最高级别的传统符号AI提供桥梁，同时放宽了规划和世界建模的时间。RODNEY BROOKS的SUBSUMPTION ARCHITECTURE就是一个早期的分级系统计划。