هوش مصنوعی(Artificial Intelligence) از دو کلمه متفاوت ساخته شده است. منظور از مصنوعی(Artificial) یعنی ساخته شده به دست بشر است و از طرفی دیگر هوش(Intelligence) به معنای توانایی ذهن برای درک اصول، حقیقت، حقایق یا معانی، کسب دانش و تبدیل علم به عمل بر پایه توانایی یادگیری و درک کردن است. بنابراین هوش مصنوعی ماشینی است که توسط انسان ها ایجاد می‌شود تا زندگی را آسان و راحت کند که به صورت برنامه‌های رایانه‌ای یا ماشین‌هایی بوده که به فکر کردن و یادگیری کمک می‌کنند.و در تمامی حوزه ها کاربرد دارد.

AI را مطالعه‌ی عامل‌های هوشمند (intelligent agents) تعریف کرده‌اند، عامل هوشمند هر دستگاهی است که محیط پیرامون خود را درک می‌کند و تلاش می‌کند تا با بالاترین شانس به اهداف خود دست یابد. تعریف دیگری که می‌توان برای هوش مصنوعی ارائه کرد به این صورت است: AI در حقیقت ماشین‌ها یا رایانه‌هایی هستند که سعی در تقلید اعمال شناختی (cognitive) انسان‌ها مانند یادگیری و حل مسئله دارند.

با وقوع هم‌زمان اکتشافات گوناگون در زمینه علوم اعصاب، نظریه اطلاعات و سایبرنتیک، پژوهشگران احتمال ساخت یک مغز الکترونیکی را نیز مطرح کرده و در نظر گرفتند.

پژوهش در زمینه هوش مصنوعی برای اولین بار در سال ۱۹۵۶ در کارگاهی در کالج دارتموث مطرح شد. شرکت‌کنندگان این کارگاه، آلن نیوول و هربرت سیمون از دانشگاه کارنگی ملون (CMU)، جان مک‌کارتی و ماروین مینسکی از موسسه فناوری ماساچوست (دانشگاه MIT) و آرتور ساموئل از شرکت IBM، به بنیان‌گذاران و رهبران پژوهش‌های هوش مصنوعی جهان مبدل شدند.

در اوایل سال ۱۹۸۰، پژوهش‌های انجام شده در این راستا با کسب موفقیت‌های تجاری در «سیستم‌های خبره» (expert systems)، حیاتی دوباره یافتند. سیستم‌های خبره شکلی از برنامه‌های شبیه‌سازی شده هستند که دانش و مهارت‌های تحلیلی موجود در انسان خبره را شبیه‌سازی می‌کنند. در سال ۱۹۸۵، سهم هوش مصنوعی از بازار به بیش از یک میلیارد دلار رسید. در همان دوران، با معرفی پروژه رایانه‌های نسل پنجم در ژاپن، دولت‌های ایالات متحده آمریکا و انگلستان بار دیگر به سرمایه‌گذاری در پژوهش‌های دانشگاهی حوزه هوش مصنوعی روی آوردند. اگرچه با فروپاشی ماشین Lips در سال ۱۹۸۷، این علم بار دیگر دچار تخریب و نسل جدیدی از بدگویی‌ها و مخالفت‌های شدید با آن آغاز شد.

در اواخر سال ۱۹۹۰ میلادی و اوایل قرن ۲۱، هوش مصنوعی در لُجستیک، داده‌کاوی، تشخیص پزشکی و دیگر زمینه‌ها مورد بهره‌برداری قرار گرفت. طی این سال‌ها، با افزایش قدرت محاسباتی رایانه‌ها و تاکید بر حل مسائل خاص با استفاده از هوش مصنوعی، تلاقی‌های جدیدی بین این علم و دیگر علوم (مانند آمار، اقتصاد و ریاضیات) به وجود آمد و پژوهشگران به استفاده از روش‌های ریاضیاتی و استانداردهای علمی در این زمینه روی آوردند که منجر به کسب موفقیت‌های متعددی شد.

در راستای موفقیت‌های به دست آمده برای هوش مصنوعی، می‌توان به دیپ بلو (Deep Blue)، اولین رایانه دارای مهارت بازی شطرنج اشاره کرد که توانست قهرمان شطرنج جهان، «گری کاسپاروف» را با نتیجه ۳،۵ به ۲،۵ طی ۶ مسابقه در ۱۱ می ۱۹۹۷ شکست دهد. در سال ۲۰۱۱ نیز طی مسابقات تلویزیونی «جپاردی!» (!Jeopardy)، سیستم پرسش و پاسخ IBM با نام «واتسون» موفق به شکست دادن دو قهرمان جپاردی، «برد راتر» و «جن جینگیز» با اختلاف امتیاز قابل توجهی شد.

رفته رفته با پیشرفت فناوری و سایر سخت افزارهای مورد نیاز برای توسعه هوش مصنوعی، ابزار هوشمند و سرویس‌های هوشمندی به بازار عرضه شدند که از هوش مصنوعی در بسیاری از فرآیندهایشان استفاده می‌کردند. بسیاری از سرویس‌های معروفی همانند موتورهای جستجو، ماهواره‌ها و غیره از هوش مصنوعی استفاده می‌کردند. با معرفی گوشی‌های هوشمند و پس از آن گجت‌های هوشمند، هوش مصنوعی گام بلندی را برای ورود به زندگی انسان‌های پشت سر گذاشت. از این زمان به بعد هوش مصنوعی برای انسان‌ها جلوه کاربردی تری پیدا کرد و انسان‌ها بیشتر با واژه هوش مصنوعی و کاربردهای آن آشنا شدند.

 یادگیری ماشین (Machine learning)

یادگیری ماشین زیرمجموعه‌ای از هوش مصنوعی محسوب می‌شود که شامل الگوریتم‌هایی است که ماشین را قادر می‌سازد بدون دخالت انسان با استفاده از مثال‌های داده شده به آن و تجربیات خودش، بیاموزد و عمل کند.

 یادگیری عمیق (Deep learning)

یادگیری عمیق در واقع نسخه تکامل یافته یادگیری ماشین و زیرمجموعه ای از آن است. در یادگیری عمیق از شبکه‌های عصبی (Artificial neural networks) استفاده می‌شود. تفاوت یادگیری عمیق از یادگیری ماشینی این است که در یادگیری ماشین باید دیتا به صورت طبقه بندی به الگوریتم داده شود اما در یادگیری عمیق خود الگوریتم دیتا را می‌تواند آنالیز و طبقه بندی کند. به عنوان مثال در یادگیری ماشین باید برای شناسایی عکس سگ، برای ماشین تمامی اجزای سگ مانند سر، بدن، دم و غیره جدا تعریف شود اما در یادگیری عمیق، ماشین با دیدن تعداد زیادی عکس سگ، خود قادر به شناسایی دیگر عکس‌های سگ‌ها است. برای همین یادگیری عمیق نیاز به کلان داده یا دیتای بسیار زیاد دارد.

 شبکه‌های عصبی مصنوعی (Artificial neural networks-ANN)

شبکه‌های عصبی مصنوعی با الهام از شبکه‌های عصبی مغز انسان ساخته شده اند، گرچه شباهت چندانی به عملکرد آن ندارند. همانطور که گفته شد از شبکه‌های عصبی مصنوعی در یادگیری عمیق استفاده می‌شود. یک شبکه عصبی صدها، هزاران یا حتی میلیون‌ها نورون مصنوعی به نام واحد دارد که در مجموعه ای از لایه‌ ها قرار گرفته اند. شبکه عصبی مصنوعی از لایه ورودی، لایه خروجی و لایه‌های بین این دو که لایه‌های مخفی نامیده می‌شود تشکیل شده است.

 پردازش زبان طبیعی (Natural language processing-NLP)

پردازش زبان طبیعی زیرمجموعه ای از هوش مصنوعی برای درک زبان انسانی توسط کامپیوتر است. از پردازش زبان طبیعی برای خواندن و فهم زبان انسانی توسط کامپیوتر استفاده می‌شود تا فاصله صحبت انسان و درک کامپیوتر را از بین ببرد.

کلان داده (Big data)

کلان داده (بیگ دیتا) حجم زیادی از داده‌ها است که خیلی سریع تولید می‌شوند، تنوع زیادی دارند و پیچیده هستند و پردازش آن ها با استفاده از روش‌های سنتی بسیار سخت و وقت گیر است. در اهمیت کلان داده همین بس که از دیتا به عنوان نفت قرن ۲۱ یاد می‌شود و موفقیت شرکت‌ها به حجم بالای دیتای آنها بستگی دارد.