人工智能在计算机上实现时有2种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或动物机体所用的方法相同。这种方法叫工程学方法，它已在一些领域内作出了成果，如文字识别、电脑下棋等。另一种是模拟法，它不只要看效果，还要求实现方法也和人类或生物机体所用的方法相同或相类似。遗传算法和人工神经网络均属后一类型。遗传算法模拟人类或生物的遗传-进化机制，人工神经网络则是模拟人类或动物大脑中神经细胞的活动方式。为了得到相同智能效果，两种方式通常都可使用。采用前一种方法，需要人工详细规定程序逻辑，如果游戏简单，还是方便的。如果游戏复杂，角色数量和活动空间增加，相应的逻辑就会比较复杂（按指数式增长），人工编程就非常繁琐，容易出错。而一旦出错，就必须修改原程序，重新编译、调试，结尾为用户提供一个新的版本或提供一个新补丁，非常麻烦。采用后一种方法时，编程者要为每一角色设计一个智能系统（一个模块）来进行控制，这个智能系统（模块）开始什么也不懂，就像初生婴儿那样，但它能够学习，能渐渐地适应环境，应付各种复杂情况。人工智能亦称智械、机器智能，指由人制造出来的机器所表现出来的智能。江西人工智能人脸识别
自2011年Watson奠定其医疗的商业发展方向，已经有7个年头，这7年人工智能在世界范围内发展得风生水起，无数企业紧随潮流，深度学习算法也经过了多次换代，但浪潮过后，也有一大批企业应声倒闭。现在，全球范围内幸存下来的企业已经逐渐在医疗人工智能领域组成头部阵营，深度学习过程下各企业都能为自己的AI产品报出一个准确高的数字，然而新时代已经不再是一个唯算法的时代，衡量AI好坏的也不再是一个数字或是人机大战的成果可以评判的，因此只有让人工智能技术在医院得到普遍应用才能长久存活下去。浙江AI人工智能超融合AI模型能够识别数据中的趋势和模式。
一个人工智能的子领域，表示了理论(从哲学和心理学的角度)和实际(通过特定的实现产生的系统的输出是可以考虑的创意，或系统识别和评估创造力)所定义的创造力。相关领域研究的包括了人工直觉和人工想像。大多数研究人员希望他们的研究结尾将被纳入一个具有多元智能(称为强人工智能)，结合以上所有的技能并且超越大部分人类的能力。有些人认为要达成以上目标，可能需要拟人化的特性，如人工意识或人工大脑。上述许多问题被认为是人工智能完整性：为了解决其中一个问题，你必须解决全部的问题。即使一个简单和特定的任务，如机器翻译，要求机器按照作者的论点(推理)，知道什么是被人谈论(知识)，忠实地再现作者的意图(情感计算)。因此，机器翻译被认为是具有人工智能完整性：它可能需要强人工智能，就像是人类一样。
医疗人工智能在患者端、亿元端和生态段均用较为普遍的应用场景，从不同角度对医疗人工智能中心应用价值进行分析，具体看：①患者端：人工智能重塑就医体验利用人工智能技术，医疗服务可以突破医院的物理边界，以患者为中心，延伸到诊前、诊中、诊后的就医全流程。②医院端：人工智能重构管理体系人工智能深入病人管理（电子病历）、药械管理（器械设备与药品智能化闭环管理）、病房管理（智能手术排班）、绩效管理（DRGs绩效）、后台管理（人力财税等智能后台综合管理）等方面，为医院管理体系带来整体升级重构。③生态端：人工智能完善医疗服务生态在整个医疗服务体系中，医院处于中心位置，是各项信息数据汇聚与整合的中间枢纽，此外还有其他医疗服务机构、医疗健康产品提供方、支付方、监管方等。强人工智能观点认为计算机不只是用来研究人的思维的一种工具。
人工智能的研究内容：1、问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演泽的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。2、搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。人工智能的应用领域：问题求解。浙江AI人工智能超融合
人工智能(ArtificialIntelligence)，英文缩写为AI。江西人工智能人脸识别
可解释的人工智能（XAI）许多人工智能/机器学习模型（特别是/神经网络/'神经网络）都是黑盒模型。在经过大量数据的训练之后，由于难以确定如何以及为何做出某些决定，这些模型通常是不负责任的。为了使它们更具责任感和透明度，需要使它们更具解释性。一个新兴的研究领域称为“可解释性”，它使用复杂的技术来帮助为诸如决策树之类的简单系统以及诸如神经网络之类的复杂系统带来透明度。解释有助于建立对系统的信任，也可以帮助研究人员了解为什么会犯错误以及如何快速纠正错误。在医疗、银行、金融服务和保险等敏感领域，不能盲目相信人工智能决策。例如，在批准银行借款时，需要理解为什么有人被拒绝，特别是当考虑到种族偏见潜入其他人工智能系统的例子时。随着人工智能变得越来越复杂，将这些黑盒模型变得更加清晰将变得越来越重要，可解释的人工智能（XAI）应该成为未来开发人工智能系统的组织关注的主要领域。江西人工智能人脸识别
