计算机人工智能的研究方向和应用领域
计算机人工智能的研究方向和应用领域
人工智能的研究方向和应用领域人工智能(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。
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类智能相似的方式作出反应的智能机器，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。
广义的人工智能包括人工智能、人工情感与人工意志三个方面。
一、研究方向1.问题求解人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。
在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。
今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。
另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。
有些程序甚至还能够用经验来改善其性能。
2.逻辑推理与定理证明逻辑推理是人工智能研究中最持久的子领域之一。
其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。
对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。
为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。
1976年7月，美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。
他们用三台大型计算机，花去1200小时CPU时间，并对中间结果进行人为反复修改500多处。
四色定理的成功证明曾轰动计算机界。
3.自然语言理解NLP(Natural Language Processing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。
人工智能的应用领域
人工智能的应用领域人工智能（Artificial Intelligence，简称AI）是指通过计算机和相关技术实现对智能的模拟。
近年来，人工智能在各个领域中得到广泛应用，其应用领域日益丰富。
1. 机器研究机器研究是人工智能最重要的分支之一。
通过让计算机自动从大量数据中研究，机器研究可以实现自主的决策和预测。
在金融领域，机器研究被应用于风险评估、股市预测等方面。
在医疗领域，机器研究可以帮助医生诊断疾病、预测病情发展等。
2. 自然语言处理自然语言处理是人工智能的另一个重要应用领域。
通过计算机对自然语言进行处理和分析，可以实现语音识别、机器翻译、智能客服等功能。
如今，我们常用的智能助手，如苹果的Siri和亚马逊的Alexa，都是自然语言处理的典型应用。
3. 无人驾驶无人驾驶是人工智能在交通领域中的应用之一。
利用感知技术和自动控制系统，无人驾驶汽车可以在没有人类驾驶员的情况下自主行驶。
这一技术在改善交通流畅性、降低交通事故发生率方面具有巨大潜力。
4. 人工智能医疗人工智能在医疗领域的应用也广泛受到关注。
通过分析大数据和模拟人类智慧，人工智能可以帮助医生实现更准确的诊断和治疗。
例如，人工智能可以帮助筛查癌症、辅助手术操作等。
5. 智能制造智能制造是指利用人工智能技术来提高制造业的生产效率和质量。
通过将传感器和机器人等智能设备应用于制造过程中，可以实现工厂的自动化和智能化，提升了生产效率。
6. 金融科技金融科技是指运用现代技术和人工智能来改进金融服务和金融业务。
人工智能在金融领域的应用包括风险管理、欺诈检测、客户服务等方面。
例如，通过机器研究算法，可以更准确地预测金融市场的变动，并制定相应的投资策略。
人工智能的应用领域还远不止以上几个，随着技术的不断进步，我们可以预期未来将会有更多领域受益于人工智能的应用。
人工智能的几大领域及发展方向
人工智能的几大领域及发展方向人工智能（Artificial Intelligence，简称AI）是指机器能够模拟和实现人类智能的一门技术。
它涉及到许多领域，包括机器学习、数据挖掘、自然语言处理、计算机视觉等。
随着科技的发展和应用场景的不断扩展，人工智能在社会生活的各个领域中都起到越来越重要的作用。
本文将对人工智能的几大领域及发展方向进行探讨。
一、机器学习机器学习是人工智能的核心技术之一，它的主要任务是让计算机通过自我学习提高预测或执行的准确性。
它可以分为监督式学习、无监督式学习、半监督式学习和强化学习四个方向。
1.监督式学习监督式学习是指给计算机输入一组数据和对应的“正确答案”，让计算机通过学习找到数据中的规律，以准确预测未知数据的“正确答案”。
例如，当我们输入一组照片并给出它们的标签（照片里是狗还是猫），让计算机学习后，计算机会在看到新的照片时自动识别出照片中的是狗还是猫。
2.无监督式学习无监督式学习是指不给计算机输入“正确答案”，而是通过学习数据间的相关性和差异性找到其中规律。
例如，当我们输入一组照片但不指定它们的标签，让计算机学习后，计算机会自己找到其中相似的照片并进行分类。
3.半监督式学习半监督式学习是指给计算机输入一部分数据和对应的“正确答案”，另一部分数据没有“正确答案”，让计算机通过学习找到数据中的规律，以预测这部分数据的“正确答案”。
例如，当我们给出一部分照片和它们的标签，另一部分给出照片但没有标签，让计算机学习后，计算机会通过学习其中的规律来对未标记的照片进行分类。
4.强化学习强化学习是指让计算机在不断的试错中，通过不断地调整行动策略，从而找到最优的决策方案。
例如，让计算机在玩棋类游戏时不断地进行尝试，通过不断地调整棋谱，从而提升计算机在玩棋类游戏中的水平。
随着技术的发展，机器学习在金融、医疗、农业、工业制造等领域都有着广泛的应用，未来机器学习将会越来越成为人工智能的基石。
二、自然语言处理自然语言处理（Natural Language Processing，简称NLP）是指让计算机能够理解人类的语言，并能够像人一样产生和使用语言的一门技术。
人工智能的几大领域及发展方向
人工智能的几大领域及发展方向人工智能（Artificial Intelligence, AI）是一门研究如何使计算机智能化的学科，其应用领域非常广泛，涉及到计算机科学、数学、心理学、哲学等多个学科。
随着大数据、云计算、物联网等信息技术的发展和普及，人工智能的应用也日益广泛，相关技术和应用也日新月异。
人工智能领域主要包括机器学习、深度学习、自然语言处理、计算机视觉、智能机器人、智能交互等多个方向，下面将对这些方向进行详细介绍。
1.机器学习机器学习是人工智能的核心领域之一，是让计算机具有从数据中学习的能力，而不是通过硬编码来实现特定任务。
在机器学习中，算法利用大量的数据进行学习，从中发现数据的模式和规律，进而能够做出预测或者决策。
常见的机器学习算法包括支持向量机、决策树、随机森林、神经网络等。
机器学习在语音识别、推荐系统、金融风控、医学诊断等方面有着广泛的应用，并且随着深度学习技术的发展，机器学习的应用范围还在不断扩大。
2.深度学习深度学习是机器学习的分支领域，其核心是人工神经网络。
深度学习通过构建多层次的神经网络模型，实现对数据的学习和识别，这种模型可以从大量的未标记数据中学习特征，并能够实现复杂的模式识别和数据挖掘。
深度学习在计算机视觉、自然语言处理、语音识别等方面取得了很多突破，如图像识别、语义分析、机器翻译等。
3.自然语言处理自然语言处理是人工智能的另一个重要领域，旨在让计算机能够处理和理解人类语言。
自然语言处理技术包括语音识别、文本分析、语言生成等，它们可以应用到机器翻译、智能客服、信息抽取、情感分析等方面。
随着深度学习技术的发展，自然语言处理取得了很大的进展，如谷歌的语音识别系统、百度的自然语言处理平台等。
4.计算机视觉计算机视觉是人工智能的一个重要方向，旨在让计算机能够“看懂”图像和视频。
计算机视觉技术包括图像识别、目标检测、图像生成等，它们可以应用到无人驾驶、智能监控、医学影像分析等方面。
人工智能地研究方向和应用领域
人工智能地研究方向和应用领域
一、人工智能研究方向
1、机器学习与计算机视觉
机器学习是人工智能研究的中心，其研究的目的是让计算机具有“学习”的能力，使其能够从数据中分析出模式，并做出准确的决策，而计算机视觉则是机器学习的一个重要分支，它的目的是让计算机能够通过识别图像和视频而获得大量有用的信息，从而实现对环境的感知和交互。
2、语言识别与自然语言处理
语言识别和自然语言处理是人工智能研究中两个重要的方向，它们旨在让计算机能够理解人类使用的语言，包括英语、汉语等，以及不同语言之间的相互转换，以便让计算机能够与人类正常交流。
3、机器人技术
机器人技术是人工智能研究中比较重要的领域，研究目标是让机器人可以在自然环境中执行复杂的任务，例如与人类交互、信息等。
4、知识表示和推理
知识表示和推理是人工智能的另一个重要研究方向，它的研究目标是让计算机能够理解人类的谈话、分析知识结构，并做出正确的推理。
5、深度学习
深度学习是人工智能研究中的另一个重要方向，它的目的是将机器学习、计算机视觉、机器人技术、知识表示和推理等各个领域的研究成果结合起来，以获得更强大的智能体。
人工智能技术的研究和应用
人工智能技术的研究和应用人工智能，简称AI，是人类追求的又一项科技进步。
自20世纪50年代诞生以来，人工智能技术经历了几十年的快速发展。
近年来，随着数据量的爆炸式增长和计算机硬件水平的大幅提升，人工智能领域进一步迈上了飞速发展的快车道。
那么，人工智能技术到底涵盖哪些方面呢？一、人工智能技术研究领域人工智能技术是一门具有极高学科交叉性的综合性学科，它的研究领域十分广泛，主要涉及计算机科学、数学、哲学、心理学等多个学科。
1. 机器学习机器学习是AI领域的重要技术，就是让机器自己通过数据学习，从而提高自己的智能水平。
机器学习是目前AI领域的热点和难点，也是未来AI技术的关键。
2. 深度学习深度学习是机器学习领域的一种技术手段，其核心是神经网络，在数据驱动下进行学习和优化，从而模仿人脑的信息处理方式。
3. 机器视觉机器视觉是指让计算机通过感光器件模拟人眼的感光过程，识别并理解图片、视频等形式的信息，是人工智能技术的重要应用之一。
4. 语音识别语音识别是将人的语音信号转化为计算机可读的数据，通常用于智能语音助手、智能家居、智能客服、人机交互等领域。
二、人工智能技术应用领域人工智能技术的应用领域越来越广泛，包括但不限于以下领域：1. 金融行业金融行业是人工智能技术的重要应用领域。
在银行、证券、保险等金融机构中，人工智能技术主要用于风控、行为监控、智能客服、信用评估等方面。
2. 医疗健康人工智能技术在医疗健康领域的应用是最具潜力和最直接的。
包括医生辅助诊断、医学图像识别、基因测序、疾病风险预测、智能健康管理等方面。
3. 智能制造人工智能技术在制造业的应用主要体现在智能制造、产线优化、质量检测、故障预警等方面。
4. 智慧城市人工智能技术在智慧城市领域的应用包括但不限于智能交通、智能停车、智能安防、智能供应链等方面。
5. 教育培训人工智能技术在教育培训领域的应用主要是智能评估、个性化推荐、虚拟导师等方面。
三、人工智能技术的未来在人工智能领域，未来的发展前景无限。
人工智能的研究领域和方向
人工智能的研究领域和方向涵盖了许多不同的领域，如机器学习、自然语言处理、计算机视觉等，这些领域间的交叉与融合不断推动着人工智能的发展。
随着人工智能技术的不断进步，人们对其潜力和可能性也有了更深的认识，未来的人工智能将会在医疗、教育、金融等各个领域发挥越来越重要的作用。
一、机器学习领域机器学习是人工智能领域中的一个重要方向，它是让计算机通过数据学习并改进性能的一种方法。
机器学习可以分为监督学习、无监督学习、半监督学习和强化学习等几种不同的学习方式。
监督学习是通过给计算机提供带有标签的训练数据来训练模型，无监督学习则是让计算机通过无标签的数据自行学习，半监督学习结合了监督学习和无监督学习的特点，强化学习则是通过试错的方式来训练智能体。
在机器学习领域，深度学习是目前最热门的方向之一。
深度学习是一种使用多层神经网络进行学习的方法，它已经在图像识别、语音识别等领域取得了很大的成功。
深度学习的发展离不开大数据和强大的计算能力，这两者对于深度学习的性能和效果至关重要。
未来，随着计算机硬件的不断进步和算法的不断优化，深度学习将会在更多的领域得到应用，为人工智能的发展注入新的活力。
二、自然语言处理领域自然语言处理是人工智能领域中的另一个重要方向，它是让计算机理解和处理人类自然语言的一种技术。
自然语言处理可以分为语音识别、文本理解、文本生成等几个不同的任务。
语音识别是让计算机将语音转换为文本的过程，文本理解则是让计算机理解文本的含义，文本生成则是让计算机根据给定的输入生成文本。
在自然语言处理领域，神经网络模型被广泛应用于各种任务中。
神经网络模型通过学习大量的语言数据来提高自然语言处理的性能，它已经在机器翻译、情感分析等任务中取得了很好的效果。
此外，迁移学习、多任务学习等技术也在自然语言处理中得到了广泛的应用，它们可以让模型更好地利用已有的知识来解决新的问题。
未来，自然语言处理技术的发展将会在智能助手、智能客服等领域得到更广泛的应用，人们将能够更方便地与计算机进行交流，提高工作和生活的效率。
人工智能技术应用就业方向及前景
智能交通
人工智能将助力智能交 通系统的建设，如智能 导航、交通拥堵预警等， 改善出行体验。
智慧金融
人工智能在金融领域的 应用将推动金融服务的 智能化，如智能风控、 智能投顾等，提升金融 服务效率。
人工智能与人类的协同发展
人工智能的普及化
随着技术的发展，人工智能将在 更多领域得到普及和应用，与人 类生活紧密结合。
人工智能技术不断创新，如深度学习、自然语言处理、计 算机视觉等领域取得重要突破。
应用拓展
人工智能技术在医疗、金融、交通等领域的应用不断拓展， 为各行各业带来革命性变革。
前景展望
随着技术的不断进步和应用领域的拓展，人工智能技术的 就业前景广阔，将成为未来社会发展的重要支柱。
负责数据分析
数据科学家通过应用人 工智能技术，处理、分 析并解读大规模数据集， 以提取有价值的信息和 见解。
构建数据模型
他们运用机器学习、深 度学习等技术，构建和 优化数据模型，为业务 决策提供科学依据。
数据驱动决策
数据科学家利用分析结 果，为组织提供数据驱 动的决策支持，推动业 务发展和创新。
01 岗位概述
机器学习工程师负责研究、开发和部署基于机器学习算 法的人工智能应用。
02 主要职责
设计、开发和优化机器学习模型；负责数据采集、预处 理和特征工程；编写相关文档和报告。
机器人开发工程师
负责机器人的研发、编程和调 试，包括工业机器人、服务机 器人等。
需求不断增长
随着AI技术的不断发展，各行业对AI人才的需求持续增长，就 业前景广阔。
高薪就业机会
AI技术人才在市场上具有高薪竞争力，特别是在科技、金融、 医疗等领域。
多样化岗位选择
人工智能技术应用涉及众多领域，如数据分析、算法设计、机 器人开发等，为求职者提供了丰富的岗位选择。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工智能的研究方向和应用领域人工智能(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。
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类智能相似的方式作出反应的智能机器，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。
广义的人工智能包括人工智能、人工情感与人工意志三个方面。
一、研究方向1.问题求解人工智能的第一个大成就是发展了能够求解难题的下棋(如国际象棋)程序。
在下棋程序中应用的某些技术，如向前看几步，并把困难的问题分成一些比较容易的子问题，发展成为搜索和问题归约这样的人工智能基本技术。
今天的计算机程序能够下锦标赛水平的各种方盘棋、十五子棋和国际象棋。
另一种问题求解程序把各种数学公式符号汇编在一起，其性能达到很高的水平，并正在为许多科学家和工程师所应用。
有些程序甚至还能够用经验来改善其性能。
2.逻辑推理与定理证明逻辑推理是人工智能研究中最持久的子领域之一。
其中特别重要的是要找到一些方法，只把注意力集中在一个大型数据库中的有关事实上，留意可信的证明，并在出现新信息时适时修正这些证明。
对数学中臆测的定理寻找一个证明或反证，确实称得上是一项智能任务。
为此不仅需要有根据假设进行演绎的能力，而且需要某些直觉技巧。
1976年7月，美国的阿佩尔(K.Appel)等人合作解决了长达124年之久的难题--四色定理。
他们用三台大型计算机，花去1200小时CPU时间，并对中间结果进行人为反复修改500多处。
四色定理的成功证明曾轰动计算机界。
3.自然语言理解NLP(Natural Language Processing)自然语言处理也是人工智能的早期研究领域之一，已经编写出能够从内部数据库回答用英语提出的问题的程序，这些程序通过阅读文本材料和建立内部数据库，能够把句子从一种语言翻译为另一种语言，执行用英语给出的指令和获取知识等。
有些程序甚至能够在一定程度上翻译从话筒输入的口头指令(而不是从键盘打入计算机的指令)。
目前语言处理研究的主要课题是：在翻译句子时，以主题和对话情况为基础，注意大量的一般常识--世界知识和期望作用的重要性。
人工智能在语言翻译与语音理解程序方面已经取得的成就，发展为人类自然语言处理的新概念。
4.自动程序设计也许程序设计并不是人类知识的一个十分重要的方面，但是它本身却是人工智能的一个重要研究领域。
这个领域的工作叫做自动程序设计。
已经研制出能够以各种不同的目的描述(例如输入/输出对，高级语言描述，甚至英语描述算法)来编写计算机程序。
这方面的进展局限于少数几个完全现成的例子。
对自动程序设计的研究不仅可以促进半自动软件开发系统的发展，而且也使通过修正自身数码进行学习(即修正它们的性能)的人工智能系统得到发展。
自动编制一份程序来获得某种指定结果的任务同证明一份给定程序将获得某种指定结果的任务是紧密相关的。
后者叫做程序验证。
许多自动程序设计系统将产生一份输出程序的验证作为额外收获。
5.专家系统一般地说，专家系统是一个智能计算机程序系统，其内部具有大量专家水平的某个领域知识与经验，能够利用人类专家的知识和解决问题的方法来解决该领域的问题。
也就是说，专家系统是一个具有大量专门知识与经验的程序系统，它应用人工智能技术，根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断，模拟人类专家的决策过程，以解决那些需要专家决定的复杂问题。
当前的研究涉及有关专家系统设计的各种问题。
这些系统是在某个领域的专家(他可能无法明确表达他的全部知识)与系统设计者之间经过艰苦的反复交换意见之后建立起来的。
在已经建立的专家咨询系统中，有能够诊断疾病的(包括中医诊断智能机)，估计潜在石油等矿藏的，研究复杂有机化合物结构的以及提供使用其它计算机系统的参考意见等。
发展专家系统的关键是表达和运用专家知识，即来自人类专家的并已被证明对解决有关领域内的典型问题是有用的事实和过程。
专家系统和传统的计算机程序最本质的不同之处在于专家系统所要解决的问题一般没有算法解，并且经常要在不完全、不精确或不确定的信息基础上作出结论。
专家系统可以解决的问题一般包括解释、预测、诊断、设计、规划、监视、修理、指导和控制等。
高性能的专家系统也已经从学术研究开始进入实际应用研究。
随着人工智能整体水平的提高，专家系统也获得发展。
正在开发的新一代专家系统有分布式专家系统和协同式专家系统等。
在新一代专家系统中，不但采用基于规则的方法，而且采用基于模型的原理。
6.机器学习学习能力无疑是人工智能研究上最突出和最重要的一个方面。
人工智能在这方面的研究近年来取得了一些进展。
学习是人类智能的主要标志和获得知识的基本手段。
机器学习(自动获取新的事实及新的推理算法)是使计算机具有智能的根本途径。
正如香克(R. Shank)所说："一台计算机若不会学习，就不能称为具有智能的。
"此外，机器学习还有助于发现人类学习的机理和揭示人脑的奥秘。
所以这是一个始终得到重视，理论正在创立，方法日臻完善，但远未达到理想境地的研究领域。
二、应用领域 1.人工神经网络由于冯·诺依曼(VanNeumann)体系结构的局限性，数字计算机存在一些尚无法解决的问题。
人们一直在寻找新的信息处理机制，神经网络计算就是其中之一。
研究结果已经证明，用神经网络处理直觉和形象思维信息具有比传统处理方式好得多的效果。
神经网络的发展有着非常广阔的科学背景，是众多学科研究的综合成果。
神经生理学家、心理学家与计算机科学家的共同研究得出的结论是：人脑是一个功能特别强大、结构异常复杂的信息处理系统，其基础是神经元及其互联关系。
因此，对人脑神经元和人工神经网络的研究，可能创造出新一代人工智能机--神经计算机。
对神经网络的研究始于40年代初期，经历了一条十分曲折的道路，几起几落，80年代初以来，对神经网络的研究再次出现高潮。
霍普菲尔德(Hopfield)提出用硬件实现神经网络，鲁梅尔哈特(Rumelhart)等提出多层网络中的反向传播(BP)算法就是两个重要标志。
现在，神经网络已在模式识别、图象处理、组合优化、自动控制、信息处理、机器人学和人工智能的其它领域获得日益广泛的应用。
2.机器人学人工智能研究日益受到重视的另一个分支是机器人学，其中包括对操作机器人装置程序的研究。
这个领域所研究的问题，从机器人手臂的最佳移动到实现机器人目标的动作序列的规划方法，无所不包。
机器人和机器人学的研究促进了许多人工智能思想的发展。
它所导致的一些技术可用来模拟世界的状态，用来描述从一种世界状态转变为另一种世界状态的过程。
它对于怎样产生动作序列的规划以及怎样监督这些规划的执行有了一种较好的理解。
复杂的机器人控制问题迫使我们发展一些方法，先在抽象和忽略细节的高层进行规划，然后再逐步在细节越来越重要的低层进行规划。
在本书中，我们经常应用一些机器人问题求解的例子来说明一些重要的思想。
智能机器人的研究和应用体现出广泛的学科交叉，涉及众多的课题，如机器人体系结构、机构、控制、智能、视觉、触觉、力觉、听觉、机器人装配、恶劣环境下的机器人以及机器人语言等。
机器人已在各种工业、农业、商业、旅游业、空中和海洋以及国防等领域获得越来越普遍的应用。
3.模式识别计算机硬件的迅速发展，计算机应用领域的不断开拓，急切地要求计算机能更有效地感知诸如声音、文字、图象、温度、震动等等信息资料，模式识别便得到迅速发展。
"模式"(Pattern)一词的本意是指完美无缺的供模仿的一些标本。
模式识别就是指识别出给定物体所模仿的标本。
人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式，是对人类感知外界功能的模拟，研究的是计算机模式识别系统，也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。
模式识别是一个不断发展的新学科，它的理论基础和研究范围也在不断发展。
随着生物医学对人类大脑的初步认识，模拟人脑构造的计算机实验即人工神经网络方法早在50年代末、60年代初就已经开始。
至今，在模式识别领域，神经网络方法已经成功地用于手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面。
目前模式识别学科正处于大发展的阶段，随着应用范围的不断扩大，随着计算机科学的不断进步，基于人工神经网络的模式识别技术，在90年代将有更大的发展。
4.机器视觉机器视觉或计算机视觉已从模式识别的一个研究领域发展为一门独立的学科。
在视觉方面，已经给计算机系统装上电视输入装置以便能够"看见"周围的东西。
视觉是感知问题之一。
在人工智能中研究的感知过程通常包含一组操作。
例如，可见的景物由传感器编码，并被表示为一个灰度数值的矩阵。
这些灰度数值由检测器加以处理。
检测器搜索主要图象的成分，如线段、简单曲线和角度等。
这些成分又被处理，以便根据景物的表面和形状来推断有关景物的三维特性信息。
机器视觉的前沿研究领域包括实时并行处理、主动式定性视觉、动态和时变视觉、三维景物的建模与识别、实时图象压缩传输和复原、多光谱和彩色图象的处理与解释等。
机器视觉已在机器人装配、卫星图象处理、工业过程监控、飞行器跟踪和制导以及电视实况转播等领域获得极为广泛的应用。
5.智能控制人工智能的发展促进自动控制向智能控制发展。
智能控制是一类无需(或需要尽可能少的)人的干预就能够独立地驱动智能机器实现其目标的自动控制。
或者说，智能控制是驱动智能机器自主地实现其目标的过程。
随着人工智能和计算机技术的发展，已可能把自动控制和人工智能以及系统科学的某些分支结合起来，建立一种适用于复杂系统的控制理论和技术。
智能控制正是在这种条件下产生的。
它是自动控制的最新发展阶段，也是用计算机模拟人类智能的一个重要研究领域。
1965年，傅京孙首先提出把人工智能的启发式推理规则用于学习控制系统。
十多年后，建立实用智能控制系统的技术逐渐成熟。
1971年，傅京孙提出把人工智能与自动控制结合起来的思想。
1977年，美国萨里迪斯提出把人工智能、控制论和运筹学结合起来的思想。
1986年，中国蔡自兴提出把人工智能、控制论、信息论和运筹学结合起来的思想。
按照这些结构理论已经研究出一些智能控制的理论和技术，用来构造用于不同领域的智能控制系统。
智能控制的核心在高层控制，即组织级控制。
其任务在于对实际环境或过程进行组织，即决策和规划，以实现广义问题求解。
已经提出的用以构造智能控制系统的理论和技术有分级递阶控制理论、分级控制器设计的熵方法、智能逐级增高而精度逐级降低原理、专家控制系统、学习控制系统和基于NN的控制系统等。