人工智能有多种形式，每一种形式都有自己的定义、技术和能力，处于自己的发展阶段。有些形式——例如人工智能、超人工智能或强人工智能，这种人工智能可能某天自动完成所有工作，在未来生活中，人们可能会失去控制，也可能永远不会发生。如今，其他形式的人工智能正在做有价值的工作，并在推动技术产业高性能部门的增长。
强人工智能和狭隘人工智能之间有一个关键区别。后者仅限于处理特定任务和特定问题；这就是人工智能的当前状态。强大的人工智能将使机器和机器人能够处理多个任务，同时整合多个学科的学习，这被称为“新兴属性”。理论上，强大的人工智能可以具有类似人类的直觉、情感和移情能力。世界各地的研发团队正在致力于突破早期强人工智能的形式，但目前，狭隘的人工智能已成为主流。
另一个有趣的观点：人工智能自从60年前出现以来经历了几次炒作周期，在每个周期结束时，人工智能都失去了关注和信誉，成为企业家和投资者的祸根。就像如今人工智能一样炙手可热一样，有人说，另一个“人工智能的冬天”可能即将到来。其中一些预测指的是超级人工智能的可能性，但人工智能相对缺乏技术成熟度也是如此，这使得实施起来非常困难，需要数据科学家更多的努力，在精通人工智能的IT经理的指导下在指导人工智能项目方面取得成果。人工智能民主化、工具、技术和技术的整合，以及有助于克服人工智能复杂性的支持服务，对于预防经过修改的有限形式的人工智能冬季至关重要。技术供应商有责任将人工智能纳入更多公司的技能水平。
以下人工智能定义并不是人工智能术语的最后一个词，行业正在发展变化如此之快，以至于术语将发生变化，将添加新的术语。相反，这是尝试构建人们当前使用的语言。希望用户提供更多的反馈意见，以鼓励讨论，并更加清晰明确。
我们对许多定义的来源是一家精通人工智能的公司：马萨诸塞州剑桥的Pegasystem公司，这是30多年来一直是运营和客户参与软件的开发商，也是一家研究人工智能在工作场所的影响的公司。
人工智能——在Pegasystem的定义中，“是一个广泛的术语，涵盖了计算机科学的许多子领域，目的是制造出能够完成人类完成时需要智能的事情的机器。人工智能子字段包括：
机器学习-基于数据科学、计算统计模型、算法和数学优化，机器学习是计算机系统通过接触数据来提高性能的能力，而无需遵循明确的编程指令，而是依靠模式和推理。机器学习是在大量数据中自动发现模式的过程，这些数据随后可用于进行预测。利用样本训练数据，机器学习算法建立了一个识别可能结果的模型。
深度学习——一种强大的机器学习技术，深度学习涉及一系列算法，这些算法在多层“神经”网络中处理信息，其中一层的输出成为下一层的输入（因此称为“深度”）。在这种情况下，每一层都将数据转换成一个更全面的整体对象表示。例如，深度学习算法在检测癌细胞或预测疾病方面已被证明是成功的，但有一个巨大的警告：没有办法确定深度学习程序使用哪些因素来得出其结论。这可能导致涉及人工智能偏见、数据伦理和“算法问责”的问题。这一问题导致一些受监管的行业和公共部门组织，必须遵守反偏见法规，放弃深度学习成为最透明的机器学习。
计算机视觉/图像识别-计算机识别图像中的对象、场景和活动的能力，使用技术将分析图像的任务分解为可管理的部分，检测边缘和纹理，并将图像与已知对象进行比较以进行分类。
自然语言处理/语音识别-计算机以人类的方式处理文本和语言的能力，例如，从文本/语音中提取意义或生成可读、风格自然和语法正确的文本。
认知计算–这是一个受到IBM青睐的术语，认知计算将认知科学的知识应用于构建多个人工智能子系统的体系结构——包括机器学习、自然语言处理（NLP）、视觉和人机交互——以模拟人类思维过程，从而做出高水平的决策。在复杂的情况下。根据IBM的说法，目标是帮助人们做出更好的决定，而不是为他们做决定。
机器人过程自动化（RPA）-–配置为自动捕获和解释现有应用程序以处理事务、处理数据、触发响应并与其他数字系统通信的软件，通常用于处理重复的办公室任务，如表单处理。与企业自动化工具（如业务流程管理（BPM））的关键区别在于，RPA使用软件或认知机器人来执行和优化流程操作，而不是人工操作员。
人工通用智能-如上所述，这是一种强大的人工智能，可能最终导致某种形式的意识。与此相关的是“奇点”，另一个未来主义概念围绕着超级人工智能可能引发“失控的技术发展，导致强大的超级智能远远超过所有人类智能”的想法。
