強人工智能(BOTTOM-UP?AI)
強人工智能觀點認為有可能制造出真正能推理（REASONING）和解決問題（PROBLEM_SOLVING）的智能機器，并且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智能可以有兩類：
類人的人工智能，即機器的思考和推理就像人的思維一樣。
非類人的人工智能，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。

弱人工智能觀點認為不可能制造出能真正地推理（REASONING）和解決問題（PROBLEM_SOLVING）的智能機器，這些機器只不過看起來像是智能的，但是并不真正擁有智能，也不會有自主意識。

主流科研集中在弱人工智能上，并且一般認為這一研究領域已經取得可觀的成就。強人工智能的研究則處于停滯不前的狀態下。

人工智能科學的主要應用領域為：

機器視覺：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統,智能搜索，定理證明，博弈，自動程序設計，智能控制，機器人學，語言和圖像理解，遺傳編程等。

機器視、聽、觸、感覺及思維方式的模擬：指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統，智能搜索，定理證明，邏輯推理，博弈，信息感應與辨證處理。

人工智能就其本質而言，是對人的思維的信息過程的模擬。對于人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，制造出“類人腦”的機器；二是能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。人工智能不是人的智能，更不會超過人的智能。

機器翻譯，智能控制，專家系統，機器人學，語言和圖像理解，遺傳編程機器人工廠，自動程序設計，航天應用，龐大的信息處理，儲存與管理，執行化合生命體無法執行的或復雜或規模龐大的任務等等。
值得一提的是，機器翻譯是人工智能的重要分支和最先應用領域。不過就已有的機譯成就來看，機譯系統的譯文質量離終極目標仍相差甚遠；而機譯質量是機譯系統成敗的關鍵。中國數學家、語言學家周海中教授曾在論文《機器翻譯五十年》中指出：要提高機譯的質量，首先要解決的是語言本身問題而不是程序設計問題；單靠若干程序來做機譯系統，肯定是無法提高機譯質量的；另外在人類尚未明了大腦是如何進行語言的模糊識別和邏輯判斷的情況下，機譯要想達到“信、達、雅”的程度是不可能的。

人工智能在計算機上實現時有2種不同的方式。一種是采用傳統的編程技術，使系統呈現智能的效果，而不考慮所用方法是否與人或動物機體所用的方法相同。這種方法叫工程學方法（Engineering?approach），它已在一些領域內作出了成果，如文字識別、電腦下棋等。另一種是模擬法（Modeling?approach），它不僅要看效果，還要求實現方法也和人類或生物機體所用的方法相同或相類似。本書介紹的遺傳算法（Generic?Algorithm，簡稱GA）和人工神經網絡（Artificial?Neural?Network，簡稱ANN）均屬后一類型。遺傳算法模擬人類或生物的遺傳-進化機制，人工神經網絡則是模擬人類或動物大腦中神經細胞的活動方式。為了得到相同智能效果，兩種方式通常都可使用。采用前一種方法，需要人工詳細規定程序邏輯，如果游戲簡單，還是方便的。如果游戲復雜，角色數量和活動空間增加，相應的邏輯就會很復雜（按指數式增長），人工編程就非常繁瑣，容易出錯。而一旦出錯，就必須修改原程序，重新編譯、調試，最后為用戶提供一個新的版本或提供一個新補丁，非常麻煩。采用后一種方法時，編程者要為每一角色設計一個智能系統（一個模塊）來進行控制，這個智能系統（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠學習，能漸漸地適應環境，應付各種復雜情況。這種系統開始也常犯錯誤，但它能吸取教訓，下一次運行時就可能改正，至少不會永遠錯下去，用不到發布新版本或打補丁。利用這種方法來實現人工智能，要求編程者具有生物學的思考方法，入門難度大一點。但一旦入了門，就可得到廣泛應用。由于這種方法編程時無須對角色的活動規律做詳細規定，應用于復雜問題，通常會比前一種方法更省力。

“機器思維”同人類思維的本質區別：
1.人工智能純系無意識的機械的物理的過程，人類智能主要是生理和心理的過程。

2.人工智能沒有社會性。

3.人工智能沒有人類的意識所特有的能動的創造能力。

4.兩者總是人腦的思維在前，電腦的功能在后。

5.機器思維總是按照人類預定的程序而定。