为了界定人工智能，我们首先要理解什么叫智能？智能通常可以被描述为感知信息的能力，并将其作为知识应用于环境的适应性行为，虽然还有很多关于智能的解释，但智能的本质基本上都涉及学习、理解，以及为了解决实际问题而对学到的知识加以应用。
简单来讲，人工智能是指一套广泛的方法、算法和技术，可以使机器或系统看起来像人一样聪明，人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。人工智能最具代表性的解决方案包括IBM的Watson、苹果的Siri、Google的AlphaGo、特斯拉的AutoPilot，还有亚马逊的Alexa等。一句话，人工智能可以理解为模拟人类智能的软硬件系统。要做到这一点，AI首先需要能感知信息，并确定哪些信息有用；其次要能学习到相关特征和制定出解决问题的方案；最后AI还要能通过不断学习，调整优化自己，升级迭代智能水平。
根据上述理解，真正意义上的AI不仅要分析数据，还要能解释数据，不仅要获取洞察和理解规则，还要能进行学习和预测，最重要的是能通过自学习来提升智能水平！
如果说大数据技术是智能应用金字塔的地基和底座，那么AI技术就是金字塔的塔尖。从人工智能的概念诞生以来，如何制造出智能机器，堪比发明时光旅行机一样的魔力，吸引了数代研究人员的努力。迄今为止，积累了大量的基础性知识和相关学科技术。
从人工智能产业链来看，AI技术体系包括基础性理论学科知识、机器智能技术及智能应用三个层面，其中基础性技术涉及广泛，除了基础的数据管理平台之外，主要包括经典AI方法和计算智能两个方面，经典AI涉及知识表示、逻辑推理、专家系统等方法，经典AI方法也有人称之为符号智能，以知识为基础，通过构建规则关系和逻辑推理来解决智能问题。这种思想认为人脑的思维活动可以通过一系列公式和规则来定义，从某种程度上讲，这也导致了经典AI研究进展缓慢。
真正的机器智能首先要解决感知的问题，而在基础性AI技术成熟之后，借助大数据资源，通过大规模数据的机器学习或深度学习、强化学习、迁移学习，我们离真正意义上的感知智能越来越近。由于深度学习极大降低了机器学习的应用门槛，使得我们看到了弱AI普及应用的曙光。
