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。
随着2016年谷歌推出的阿尔法狗战胜围棋顶尖高手，人工智能逐渐成为最热门的技术领域。那么什么是人工智能?简单而言人工智能是指，赋予机器或电脑模拟人类智能行为的能力。
人工智能起源于20世纪50年代，曾经历过两次发展高潮，最后因技术等原因又跌入低谷，直到GPU和云计算技术发展起来，才引发以深度学习技术为代表的第三次，也就是本次人工智能高潮的再次爆发。
人工智能对军事发展会产生何种影响？人工智能在军事领域的应用价值可从以下几个方面说明：
作战数据分类与预测
作战活动中往往会产生大量数据，例如敌军作战单元的活动轨迹、武器毁伤范围、通信系统覆盖范围等等。受自然环境影响，这些数据和理论计算数据差距往往较大，不利于指导作战。人工智能系统通过分类和预测功能得出的数据，则非常接近真实值。准确的数据能催生出战斗力，大大增强武器的命中概率，部队和武器的作战效能也会随之增加。
敌我目标识别
随着信息化技术的发展，作战活动的“观察—判断—决策—攻击”的速度在不断提高。但由于信息系统本身还不够智能，目标识别的效率不是很高。海湾战争期间，美军误伤造成的地面部队损失巨大。而以基于深度学习的图像识别为代表的敌我目标识别技术能为这一问题提供解决方案。
例如在反恐行动中，可以利用安装在城市各处的摄像头，根据犯罪分子的脸部特征、体态特征识别恐怖分子。而在地面和空中武器平台上，一旦雷达、摄像头等传感器使用该算法，即可快速识别敌人的飞机、舰船、坦克等作战单元类型，特别是对于具有一定伪装能力的敌作战单元。
作战数据生成模拟
数据生成模拟指的是人工智能系统利用历史数据、既定规则生成与真实数据一致的大量模拟数据技术，这种模拟数据的真实性甚至可以达到令人工智能系统自身都难以分辨的水平。
作战数据生成模拟技术在军事上的第一个用处就是欺骗系统，如将GAN运用到制造新的电子干扰机，该电子干扰机能够根据对手的雷达信号制造出令其雷达接收机根本无法识别的假信号，达到干扰功率最小、干扰效果最大的目的。到了该电子干扰机普及之时，世界各国以雷达为基础的空防系统就变得形同虚设。这种欺骗系统的军事意义之大，不言而喻。
作战数据生成模拟技术在军事上的第二个用处就是制造虚拟态势。该技术可以根据真实数据的分布规律或战场规则，对其稍加修改，不断生成不同的作战态势，直接用于训练指挥员、战斗员的作战技巧和指挥艺术。
智能作战决策
我们能否制造出如阿尔法狗一般强大的无人坦克、无人机横行战场。这种想法近10年内实现的可能性并不大。真实世界远比围棋复杂，单纯利用图像识别技术识别出战场中敌军的身份和动作意图需要就需要很大的计算量，这大大超过了阿尔法狗的计算能力，更别说还有复杂的自然战场环境和战术背景。而且机器人本身没有“常识”，往往会遇到难以预料的“意外”。
面对智能决策话题，深度学习也并非一筹莫展，阿里巴巴人工智能试验室曾利用双向循环神经网络让游戏《星际争霸》里的作战单元学习人类选手的拦截、围杀等各种战术，其内在算法就是将深度学习和强化学习结合起来，设计出一个巧妙的价值函数，通过和人类选手的反复搏杀，让AI始终求取价值函数最大值，实现学习战术的目的。
但游戏不同于真实世界，真实交战世界中的战术效能、毁伤效果评估十分复杂，远非一个简单的价值函数能够解决。但这样的方法至少让人看到了深度强化学习在智能决策上的巨大潜力。
无人作战平台
无人驾驶指让机器人、汽车、飞行器等智能体拥有自主决策、自主寻路和自主检测目标的能力。就军事领域而言，可让无人作战车辆、无人坦克、无人潜航器、无人机等作战装备在战场上发挥重要作用。
无人驾驶技术涉及的主要领域为无人定位、图像识别、自动控制、路径规划等。 但无人驾驶平台不能处理所有的“意外”问题，因而还不能完全脱离人的操控，“无人+有人”协同作战体系是无人作战平台走向战场的现有作战模式，未来向何种方向发展，仍需拭目以待
大数据，或者称之为巨量资料，指的是需要全新的处理模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。也就是说，从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。大数据是AI智能化程度升级和进化的基础，拥有大数据，AI才能够不断的进行模拟演练，不断向着真正的人工智能靠拢。
2、计算机视觉
计算机视觉顾名思义，就是让计算机具备像人眼一样观察和识别的能力，更进一步的说，就是指用摄像机和电脑代替人眼对目标进行识别、跟踪和测量，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
3、语音识别
语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高新技术。语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。语音识别是人机交互的基础，主要解决让机器听清楚人说什么的难题。人工智能目前落地最成功的就是语音识别技术。
自然语言生成：利用计算机数据生成文本。目前应用于客户服务、报告生成以及总结商业智能洞察力。代表性厂商包括：Attivio、Cambridge Semantics、Digital Reason、Lucidworks、Narrative Science和SAS。
语音识别：将人类语音转录和转换成对计算机应用软件来说有用的格式。目前应用于交互式语音应答系统和移动应用领域。代表性厂商包括：NICE、Nuance Communications、OpenText和Verint Systems。
虚拟代理：弗雷斯特公司声称，“虚拟代理可谓是媒体界目前竞相报道的对象。”从简单的聊天机器人，到可以与人类进行交际的高级系统，不一而足。目前应用于客户服务和支持以及充当智能家居管理器。代表性厂商包括：亚马逊、苹果、Artificial Solutions、 Assist AI、Creative Virtual、谷歌、IBM、IPsoft、微软和Satisfi。
机器学习平台：不仅提供了设计和训练模型，并将模型部署到应用软件、流程及其他机器的计算能力，还提供了算法、应用编程接口（API）、开发工具包和训练工具包。目前应用于一系列广泛的企业应用领域，主要涉及预测或分类。代表性厂商包括：亚马逊、Fractal Analytics、谷歌、H2O.ai、微软、SAS和Skytree。
针对人工智能优化的硬件：这是专门设计的图形处理单元（GPU）和设备，其架构旨在高效地运行面向人工智能的计算任务。目前主要在深度学习应用领域发挥作用。代表性厂商包括：Alluviate、克雷、谷歌、IBM、英特尔和英伟达。
决策管理：引擎将规则和逻辑嵌入到人工智能系统，并用于初始的设置/训练和日常的维护和调优。这是一项成熟的技术，应用于一系列广泛的企业应用领域，协助或执行自动决策。代表性厂商包括：Advanced Systems Concepts、Informatica、Maana、Pegasystems和UiPat。
深度学习平台：一种特殊类型的机器学习，包括拥有多个抽象层的人工神经网络。目前主要应用于由很庞大的数据集支持的模式识别和分类应用领域。代表性厂商包括：Deep Instinct、Ersatz Labs、Fluid AI、MathWorks、Peltarion、 Saffron Technology和Sentient Technologies。
生物特征识别技术：能够支持人类与机器之间更自然的交互，包括但不限于图像和触摸识别、语音和身体语言。目前主要应用于市场研究。代表性厂商包括：3VR、Affectiva、Agnitio、FaceFirst、Sensory、Synqera和Tahzoo。
机器人流程自动化：使用脚本及其他方法，实现人类操作自动化，从而支持高效的业务流程。目前应用于人类执行任务或流程成本太高或效率太低的地方。代表性厂商包括：Advanced Systems Concepts、Automation Anywhere、Blue Prism、UiPath和WorkFusion。
文本分析和NLP：自然语言处理（NLP）使用和支持文本分析，为此它借助统计方法和机器学习方法，为理解句子结构及意义、情感和意图提供方便。目前应用于欺诈检测和安全、一系列广泛的自动化助理以及挖掘非结构化数据等领域。代表性厂商包括：Basis Technology、Coveo、Expert System、Indico、Knime、Lexalytics、Linguamatics、Mindbreeze、Sinequa、Stratifyd和Synapsify。