解決問題

早期的人工智能研究人員直接模仿人類進行逐步的推理，就像是玩棋盤游戲或進行邏輯推理時人類的思考模式。到了1980和1990年代，利用 概率和經(jīng)濟學上的概念，人工智能研究還發(fā)展了非常成功的方法處理 不確定或不完整的資訊。

對于困難的問題，有可能需要大量的運算資源，也就是發(fā)生了“可能組合爆增”：當問題超過一定的規(guī)模時，電腦會需要天文數(shù)量級的存儲器或是運算時間。尋找更有效的算法是優(yōu)先的人工智能研究項目。

人類解決問題的模式通常是用最快捷，直觀的判斷，而不是有意識的，一步一步的推導，早期人工智能研究通常使用逐步推導的方式。人工智能研究已經(jīng)于這種“次表征性的”解決問題方法取得進展：實體化AGENT研究強調(diào)感知運動的重要性。神經(jīng)網(wǎng)絡研究試圖以模擬人類和動物的大腦結(jié)構(gòu)重現(xiàn)這種技能。

知識表示

AN ONTOLOGY REPRESENTS KNOWLEDGE AS A SET OF CONCEPTS WITHIN A DOMAIN AND THERELATIONSHIPS BETWEEN THOSE CONCEPTS.

主條目： 知識表示和常識知識庫