智能所涉及的学科有：认知科学，数学，神经生理学，信息论，控制论，不定性论，计算机科学，心理学，哲学，语言，自然科学和社会科学等等几乎所有的学科。
应用领域有：翻译，智能控制，专家系统，机器人学，语言，图像理解，遗传编程，自动程序设计，大信息的处理，储存，管理，执行一些生命体无法执行的任务，或者复杂的和规模庞大的任务等等。
具体应用方面有：网络，工业，农业，航空航天，军事，自然，家庭，个人等等，各行各业都有人工智能的身影。
人工智能（Artificial Intelligence），英文缩写为AI。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人工智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
那么人工智能主要由哪几部分构成呢？
一、采集：传感器—信息采集
二、处理：CPU—各种算法、架构、系统
三、输出：像人一样行动
四、存储
NORFLASH、NANDFLASH、ONENANDFLASH、DDR1、DDR2、DDR3----。存储内容的压缩、存储、解压缩。
五、显示：
虚拟现实VR、增强型虚拟现实AR。
六、通信
超级宽带。万物互联。
七、电源
医疗器械专用开关电源
工业控制专业开关电源
车载&无人驾驶&无人机专用开关电源。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。对于想要进入人工智能领域的小白来讲：一开始就接触到人工智能的研究是不现实的，不妨试着学习嵌入式、Python、物联网等和人工智能息息相关的基础领域，先学好基本后再一步步通向人工智能学习之路是个不错的选择。
1.计算机视觉:计算机视觉技术运用由图像处理操作及机器学习等技术所组成的序列来将图像分析任务...
2.机器学习:机器学习是从数据中自动发现模式，模式一旦被发现便可以做预测，处理的数据越多...
3.自然语言处理:对自然语言文本的处理是指计算机拥有的与人类类似的对文本进行处理的能力。例如...
4.机器人技术:近年来，随着算法等核心技术提升，机器人取得重要突破。例如无人机、家务机器人...
5.生物识别技术:生物识别可融合计算机、光学、声学、生物传感器、生物统计学，利用人体固有的生...
对人工智能感兴趣可以尝试学习一下，毕竟是很有发展的专业，新华0基础教学赶紧还不错。
智能所涉及的学科有：认知科学，数学，神经生理学，信息论，控制论，不定性论，计算机科学，心理学，哲学，语言，自然科学和社会科学等等几乎所有的学科。
应用领域有：翻译，智能控制，专家系统，机器人学，语言，图像理解，遗传编程，自动程序设计，大信息的处理，储存，管理，执行一些生命体无法执行的任务，或者复杂的和规模庞大的任务等等。
具体应用方面有：网络，工业，农业，航空航天，军事，自然，家庭，个人等等，各行各业都有人工智能的身影。
人工智能技术亦称机器智能，通常人工智能是指通过普通计算机程序的手段实现的人类智能技术，人工智能技术包含机器学习、机器视觉、机器人技术、自然语言处理以及自动化。
现在人工智能技术已经应用在了工作、生活中的各个领域，我们用的智能手机；户外以及商场、写字楼内的智能广告机；银行、酒店、高铁站等地使用的智能机器人
等等，人工智能技术的辐射范围几乎囊括了包括了网络、医学、航天、农业、工业等在内的所有领域。
人工智能一般是作为辅助人类工作的工具出现的，扫地机器人，医疗机器人，银行大厅的机器人等都是常见的人工智能的形态。其实就研究领域的话包括:机器人，语言识别，图像识别，自然语言处理啊这些。
如果说零基础的话，是不建议直接学人工智能的，建议先学基础语言Python，或者说有相关的开发经验的，本专业或者数学专业研究生学都是没问题的，因为他涉及到很多高级算法，可能这方面要求要高一些的。Python作为基础语言，是一定要学的，我看过尚学堂的Python400集，讲的很细，你上他们官网就能搞得到，可以先看看，打打基础
首先我们要知道人工智能（Artificial Intelligence），英文缩写为AI。它是研究、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新的技术科学。说起人工智能我们大家都很熟悉，各种人工智能概念，AI概念层不出穷，仔细想来无外乎智能音箱、智能打印机、智能售卖机等等诸如此类似乎没多少“智能”，和我们脑海中的“AI印象”，如：终结者、机器人、阿尔法狗、自动驾驶等技术大相径庭。目前，普遍认为人工智能的研究始于1956年达特茅斯会议，早期人工智能研究中，如何定义人工智能是个喋喋不休的问题，但基调始终是：像人一样决策、像人一样行动、理性的决策、理性的行动等研究方向。人工智能70年来的研究过程中，早期受制于计算机运算速度和存储的限制，人工智能的研究进展缓慢。06年深度学习技术突破到2016年阿尔法狗打败李世石，人工智能的概念世人皆知，那么人工智能主要由哪几部分构成呢？
一、采集：传感器—信息采集
二、处理：CPU—各种算法、架构、系统
三、输出：像人一样行动
四、存储
NORFLASH、NANDFLASH、ONENANDFLASH、DDR1、DDR2、DDR3----。存储内容的压缩、存储、解压缩。
五、显示：
虚拟现实VR、增强型虚拟现实AR。
六、通信
超级宽带。万物互联。
七、电源
医疗器械专用开关电源
工业控制专业开关电源
车载&无人驾驶&无人机专用开关电源。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。
对于想要进入人工智能领域的小白来讲：一开始就接触到人工智能的研究是不现实的，不妨试着学习嵌入式、Python、物联网等和人工智能息息相关的基础领域，先学好基本后再一步步通向人工智能学习之路是个不错的选择。
百战程序员是一个致力于为IT小编、职场程序员和企业提供技术服务的IT教育线上平台，如果想学以上知识，记得关注哦！
1.计算机视觉/图像处理
2.自然语言处理/语音识别
3.文本处理
4.推荐算法
5.数据挖掘
6.决策算法
7.运动控制算法
其它
人工智能技术研究是由汉斯出版社发行的一本关注人工智能与机器人研究领域最新进展的国际中文期刊。主要刊登国内外人工智能领域的研究成果与进展。智能机器人
·模式识别与智能系统
·虚拟现实技术与应用
·系统仿真技术与应用
·工业过程建模与智能控制
·智能计算与机器博弈
·人工智能理论
·语音识别与合成
·机器翻译
·图像处理与计算机视觉
·计算机感知
·计算机神经网络
·知识发现与机器学习
·建筑智能化技术与应用
·人工智能其他学科
人工智能是一门贯穿性的综合学科，主要包含计算机、控制论、信息论、神经生理学、语言学，人工智能是从计算机应用系统角度出发，研究如何制造出人造的智能机器或智能系统，来模拟人类类智能活动的能，来延伸人类智能科学
人工智能的应用实例：指纹识别、人脸识别、视网膜识别、虹膜识别、专家系统、智能搜索和博弈等
目前人工智能应用领域比较多，具体如下：
北京尚学堂的人工智能课程非常适合零基础学员学习，这些领悟的项目全部包含，实操也很多，他家的线上品牌是百战程序员，有试听课和公开课，可以去看看。
机器人领域：人工智能机器人，如RET聊天机器人，它能理解人的语言，用人类语言进行对话，并能够用特定传感器采集分析出现的情况调整自己的动作来达到特定目的
语言识别领域：该领域其实与机器人领域有交叉，设计的应用是把语言和声音转换成可处理的信息，如语音开锁、语音邮件以及未来的计算机输入等方面
图像识别领域：利用计算机进行图像处理、分析和理解，以识别各种不同模式的目标和对象的技术；例如人脸识别，汽车牌号识别等。
专家系统：具有专门知识和经验的计算机智能程序系统，后台采用的数据库相当于人脑，具有丰富的知识储备，采用数据库中的知识数据和知识推理技术来模拟专家解决复杂问题
计算机视觉、机器学习、自然语言处理、机器人技术
首先需要明白的是，现在媒体热炒的“人工智能”和“大数据“，并不是什么全新的概念或者技术，而是在相关技术在当前社会的广泛应用。
为什么这些概念在前几年没有得到大家的广泛认知？
一、如今各种互联网应用的出现，使得大量数据可以用来分析。目前互联网上的内容爆炸式增长，从新闻到电商评论，从社交媒体到短视频，这些数据都可以用算法进行分析。这些互联网数据在十几年前是难以想象的。
二、计算能力的提升。近年来，计算机硬件技术得到的飞速的提升，尤其是使用GPU加速运算，使得同样的算法，比十几年前快出数百倍。
其他因素包括机器学习算法的推陈出新等都加速了目前人工智能行业的火爆。
其实人工智能（或者是说机器学习/深度学习，注意这几个概念之间略有差异）算法其实可以用到数据分析的各个方面。从本质上来说，人工智能算法就是从数据中寻找规律，使得他面对新的数据时能够做出正确的判断。比如，想让计算机识别出图片中的猫，它就必须要看成千上万张的猫的照片，然后提取出猫的特征，然后再看到一张新的照片时，它就能判断这是一只猫。不过，现在的人工智能发展还处于“弱人工智能阶段“，应用范围比较局限，之后还有很长的路要走。所以现阶段没有必要担心“机器人会起义反抗人类”的问题。
因此，凡是涉及到数据分析的领域，都可以用人工智能算法进行处理。当前的人工智能算法的主要应用场景包括自然语言处理、计算机视觉、推荐系统等等。
想要更深入的交流，欢迎留言讨论。
目前人工智能行业的就业方向主要分为搜索、图像处理、计算机视觉、模式识别和图像处理等，搜索方向如百度、谷歌、微软等，包括智能搜索、语音搜索、图片搜素、视频搜索等。图像处理如医学的图像处理，医疗设备、医疗器械都会涉及到图像处理和成像。
需要掌握的知识就比较繁多复杂了。比如数学，计算机编程，人体神经网络，画图等等，听听都头疼的。
人工智能是一个大的概念，几乎能涵盖生活中的方方面面，不能具体的说有哪些产品，应该是应用在哪些领域，具体实现什么功能
除了刘俊明基本正确，其他人没有几个是正确的。我自1984年进入中国科学院人工智能领域。至今越来越糊涂了。几十年交流没几个同行，突然出现这么多专家。
1、计算机视觉2.大数据3.知识图谱4.机器学习5.深度学习6.神经网络7.自然语言处理等等
想学习更多人工智能知识你可以看一下这个网站：www.chinaai.org.cn
人工智能（AI）AI目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。研究机器人、语言识别、图像识别、自然语言处理和机器学习等。每一个分支都很复杂，譬如机器视觉：指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。有时我们也把譬如《论人工智能未来发展趋势》《人工智能的应用》等文章也作为知识。我们把这些称为道理类，只讲是什么，用来干什么，有多重要等，不会讲如何去落地实现。
我们来看一下具体技能类的知识，讲讲如何实现：
以机器视觉来讲，用机器来模拟人类的视觉。人类视觉系统是大自然的一大奇迹，从最简单的数字识别来看，人类能够毫不费力的识别出数字，我们可能会觉得很简单，其实这是一个幻觉。在我们大脑各半球，有一个主要的视觉皮层，即V1，它包含1.4亿个神经元以及数以百亿的神经元连接。而且人类不只是有V1，还有一系列的视觉皮层——V2，V3，V4和V5，它们能够执行更加复杂的图像处理。通过计算机实现的人工神经元，思路与这个有一点相像。
譬如让计算机程序识别数字，如“9头上有一个圆圈，右下角有一笔竖线”——看起来好像规则明确，但是识别算法却不是那么简单，因为这些规则会被大量的例外、警告和特殊案例打破，不再像我们严谨的IfAthenBeleseCendif所处理的抽象模型。神经网络思想是利用大量的手写数字（训练样本），开发出一套从训练样本中进行学习的系统。换句话说，神经网络使用样本来自动推理出识别手写数字的规则。通过增加训练样本规模，神经网络能学到手写体的更多规则从而提升它的识别精度。
为了便于理解先看一种人工的神经元，即感知器(perceptron)的基本运作原理。现代的神经网络工作中，主要的神经网络模型是sigmoid神经元。
一个感知器获取几个二进制输入x1，x2，…x1，x2，…，并且产生一个二进制输出。如下例子：
这个感知器具有三个输入x1，x2，x3x1，x2，x3。通过一个规则来计算最后输出，即权重(weights)w1，w2，…w1，w2，…，这些实数表示各个输入对输出的重要性。这个神经元输出(output)0或者1是由这些输入的加权求和
是否大于或者小于某一个阈值(threshold)。不像这些权重，阈值是这个神经元的实数参数。代数式如下：
感知器，它是一个通过加权凭据来进行决策的设备。通过更改权重和阈值，我们能得到不同的决策模型。显然，这个感知器不是人类决策的完整模型！
在下面这个网络中，第一列感知器（我们称其为第一层感知器）通过加权输入凭据来做出三个非常简单的决策。那第二列感知器是什么呢？其中每一个感知器都是通过将第一列的决策结果进行加权和来做出自己的决策。通过这种方式，第二层感知器能够比第一层感知器做出更加复杂和抽象层的决策。第三层感知器能做出更加复杂的决策，以此类推，更多层感知器能够进行更加复杂的决策。
是不是与上面一系列的视觉皮层类似？且你会发现有一个关键问题就是权重和阈值（偏移）的设定，我们会希望这个网络能够学会调权和偏移以便正确决策。
学习算法，这种算法能够自动调整人工神经网络的权重和偏移。这会在响应外部刺激时候发生，而且没有程序员的直接干预。这些学习算法能让我们用一种新的方式使用人工神经网络，它将与传统的逻辑门方法完全不同。
人工神经元（sigmoid神经元）细微调整它的权重和偏移只会很细小地影响到输出结果。sigmoid神经元有输入x1，x2，…x1，x2，…。但是输入值不仅是0或者1，还可以是0到1的任意值。微积分告诉我们细小的输出Δoutput近似等于：
虽然上面具有偏导运算的表达式看起来很复杂，但实际上很简单（这是一个好消息）：输出改变Δoutput是权重和偏移改变Δwj和Δb的线性函数。这种线性使得权重和偏移的细微改变就能很容易使得输出按期望方式微小改变。
sigmoid神经元不是只输出0或者1。它能够输出0到1之间任意实数。
如上面图形中，网络的最左边一层被称为输入层，其中的神经元被称为输入神经元。最右边及输出层包含输出神经元，在上面例子中，只有一个单一的输出神经元。中间层被称为隐含层，因为里面的神经元既不是输入也不是输出。上面的网络只包含了唯一个隐含层，但是一些网络可能有多层。比如，下面的4层网络具有2个隐含层：
针对图像识别的入门程序，数字识别的模型，采用的是三层
梯度下降学习算法（gradientdescentalgorithm）
我们想要的是一个能让我们找到合适的权重和偏移的算法，以便网络输出y(x)能够几乎满足所有训练输入x。为了量化这个匹配度目标，我们定义了一个代价函数：
这里w表示网络中的所有权重，b是所有偏移，n训练输入的总数，a是网络输入为x时的输出向量，总和是对所有输入x进行的累加。
为了最小化C(v)，可以把C想象成只具有两个变量，即v1和v2，让我们想象有一个小球沿着山谷的坡面向低处滚。生活经验告诉我们这个小球最终会到达谷底。可以采用类似的思路找到函数的最小值。
我们将“梯度”矢量记为∇C
这里η是一个正的小参数，被称为“学习率”（learningrate)。
这给了我们一种沿着梯度找到最小值的方法，即使C依赖于很多变量。即通过不断重复地使用以下更新规则。
总之，梯度下降算法（gradientdescentalgorithm）是通过不断计算梯度∇C，然后向着梯度相反的方向小步移动的方式让小球不断顺着坡面滑向谷底。
梯度下降如何应用于神经网络的学习过程呢？具体思路是用梯度下降来寻找权重（weights）wk和偏移（bias）bl，从而最小化代价函数。
TensorFlow是一个用于人工智能的开源神器，器就是工具，是具体实现的一种技术，我们要落地相应的方案，Tensorflow是个不错的学习方向（推荐）。当然还有很多其他开源工具，如TorchCaffe、OpenCog、Deeplearning4j、Neuroph、OpenNN可以自行搜索学习。
从以上的介绍中，会发现需要一个基本思维就是问题模型化，思路类似，算法不同，譬如线性规划问题的处理路径一般是：
描述目标：****************************
描述约束条件：
约束条件1：————
约束条件2：————
约束条件3：————
定义决策变量：————
构建函数，求解
基于数据样本深度学习算法，用到数据分析、模型与决策等的知识，如微积分，线性规划，非线性最优化模型，数据的分布（尤其是正态分布），决策分析（已知概率、未知概率，风险分析，灵敏度分析，效用理论）等等。这些知识最好是系统化的学习，退一步也可以在应用中按需学习。
在企业信息化建设中，如果要从底层开始搭建人工智能基础，看起来不是一个合适的做法，对于基础云服务的应用相对更合理，但是要学会业务建模，才能跟企业应用深度结合。
推荐两本基础知识的书：
《数据、模型与决策》戴维R.安德森等著，侯文华杨静蕾等译
《商务与经济统计》戴维R.安德森等著，张建华王建等译
真正的知识需要沉下来去系统化的学习，很难在公众号学到，公众号只是一个引子，能够引发思考，带来行为的变化，就够了。
希望我的分享和思考能够帮到你。
人工智能是计算机科学的一个分支，它试图理解智能的本质，并产生一种新的智能机器，可以用类似于人类智能的方式制造。该领域的研究包括机器人，语音识别，图像识别和自然语言处理。和专家系统等
人工智能的定义可以分为两部分，即“手动”和“智能”。“手册”更好理解，争议较少。
2.有时我们必须考虑人类可以做什么，或者自己的智力水平是否如此之高，以至于可以创造人工智能，等等。
然而，一般而言，“人造系统”是通常意义上的人造系统。
关于什么是“智力”存在很多问题。这涉及其他问题，如意识，自我，思维等。
人们理解的唯一智慧就是人本身的智慧。这是一种被广泛接受的观点。但是我们对自己智力的理解是非常有限的，我们对构成人类智能的必要元素的理解有限，因此很难定义什么是“手工”制造的“智能”。
6.人工智能研究通常涉及人类智能本身的研究。关于动物或其他人造系统的其他情报通常也被认为是与人工智能相关的研究课题。