人工智能专业涉及到的子领域十分广泛，按照研究领域划分，主要包括机器学习、数据挖掘、计算机视觉、自然语言处理、语音识别等等，除去这些主流方向，一切与智能相关的研究方向都可以成为人工智能或其他智能类专业的研究范畴。

　　机器学习是发展历史最悠久、最全面的人工智能研究方向，其发展历史十分悠久。最早期的机器学习主要以实现逻辑推理为主，相对较为简单；进入上世纪70年代，机器学习进入了知识期，人们开始尝试“教授”机器去学习新知识。

　　早期机器学习的思想以“连接主义”为主，即通过神经元连接(类似人类神经的基本结构)的方式构建机器学习模型，如感知机；后来“符号主义”兴起，基于符号逻辑与运算来实现机器学习，如决策树；上世纪90年代，统计学习迅速发展，产生基于概率统计基础的机器学习模型，如支持向量机。

　　随着神经网络的发展，“连接主义”卷土重来，连接层的深度发展形成了深度学习，产生了BP神经网络、卷积神经网络、循环神经网络、图神经网络等很多变种，而后在这些基础上又诞生了embedding、注意力机制、transformer、informer等前沿方法模型；近几年，强化学习异军突起，通过无监督的自主学习实现对于优化策略的探索，在游戏博弈领域大放异彩。机器学习的基础也是后续大部分人工智能研究的重要工具。

　　数据挖掘领域也是近年来的一大研究热点，其主要研究内容为分析大数据内容，探索从数据中挖掘信息的理论、方法、技术和应用等，子领域包括数据预处理、距离与相似度、聚类分析、数据分类、数据流挖掘、文本数据挖掘、时间序列数据挖掘、离散序列挖掘、空间数据挖掘、图数据挖掘、网络数据挖掘、社交网络分析和隐私保护数据挖掘等等，数据挖掘的强实用性价值使之在近年来得到了广泛的应用。

　　计算机视觉是研究如何让机器“看”的方向，及通过计算机对图像进行处理和学习，其专业基础是计算机图形学，相关研究方向包括图像处理、模式识别、图像理解、图像生成等等，近年来火热的人脸识别、AI抠图就是计算机视觉领域应用的成功范例。

　　自然语言处理主要研究的是计算机对人类自然语言的处理、学习、理解、生成等内容，除了计算机以外还涉及到语言学、逻辑学等跨领域内容，常见应用包括机器翻译、人机对话、文本分类等等；语音识别作为一个与自然语言处理紧密相关的子领域，在相关研究的基础上，还引入了声音识别的独特研究内容。

　　对于人工智能专业研究的多个领域，尽管它们的侧重点多有不同，但它们也有许多共性。当前的人工智能的研究主要是数据驱动的，即需要大量的数据集作为人工智能模型的训练基础。因此，如何获取充足有效的数据也成为了相关研究开展的重要基础。

　　人工智能适用于大规模数据处理的问题。对这类问题，传统优化计算的理论方法精确度高但计算效率低，往往需要天量的时间和空间进行计算分析，而人工智能方法在这方面具有显著优势，可以在短时间内得到相对理想的结果。

　　当前人工智能发展的理论基础薄弱，大量的人工智能模型创新都是领先于理论进步的，相关技术模型的可解释性差、计算过程等同于“黑箱”，结果准确性和对数据变化的稳定性低，在实际应用上还存在一些困难。