در دهه 1950، مینسکی و مک کارتی (Minsky و McCarthy)، #هوش_مصنوعی ( #artificial_intelligence ) را اینگونه توصیف کردند، کارهای انجام شده توسط ماشین که قبلاً برای انجام آنها به هوش انسانی نیاز بود. این تعریفی نسبتاً وسیع بود، لذا گاها بحث هایی برای اینکه هوش مصنوعی واقعا چیست مطرح می گردید.
فرانسوا شولت (Francois Chollet)، محقق هوش مصنوعی در گوگل و خالق نرم‌افزار یادگیری ماشین Keras، می‌گوید که هوش به توانایی یک سیستم برای انطباق و بداهه‌ سازی در یک محیط جدید، تعمیم دانش و اعمال آن برای سناریوهای ناآشنا اطلاق می گردد. هوش، کارایی در کسب مهارت‌های جدید جهت انجام کارهایی است که از قبل برای انجام آنها آمادگی وجود نداشته است.
هوش مهارت نیست، آنچه می توانید انجام دهید هم نیست، بلکه میزان کارایی در یادگیری خوب چیزهای جدید است. این تعریفی است که بر اساس آن سیستم‌های مجهز به هوش مصنوعی مدرن، مانند دستیارهای مجازی، با نام «هوش مصنوعی محدود شده (narrow)» مشخص می‌شوند، توانایی تعمیم آموزه ها هنگام مواجهه با وظایفی محدود، مانند تشخیص گفتار یا بینایی رایانه ای.
معمولاسیستم‌های هوش مصنوعی برخی از رفتارهای مرتبط با هوش انسانی را از خود نشان می‌دهند، ازقبیل برنامه‌ریزی، یادگیری، استدلال، حل مسئله، ارائه دانش، ادراک، جنبش، تغییر و تا حدی هوش اجتماعی و خلاقیت.

انواع مختلف هوش مصنوعی
در سطحی بالا، هوش مصنوعی را می توان به دو نوع کلی تقسیم کرد :

هوش مصنوعی محدود (Narrow AI)
این نوع هوش مصنوعی همان چیزی است که امروزه در  رایانه ها می بینیم، سیستم های هوشمندی که آموخته اند و یاد گرفته اند چگونه کارهای خاصی را بدون برنامه ریزی قبلی برای آنها، انجام دهند.
این نوع هوش ماشینی، در گفتار سنجی دستیار مجازی Siri گوشی های آیفون، در سیستم‌های بینایی سنجی ماشین‌های خودران، یا موتورهای توصیه گر که محصولاتی بر اساس خریدهای قبلی پیشنهاد می کنند، مشهود است. برخلاف انسان‌ها، آموزش و تعلیم این سیستم‌ها تنها منحصر به  نحوه انجام کارهایی است که برایشان تعریف شده است، 
برخی از کاربردهای این نوع هوش مصنوعی عبارتند از:
• تفسیر تصاویر ویدیویی تهیه شده توسط هواپیماهای بدون سرنشین هنگام بررسی زیرساخت ها مانند خطوط لوله نفت.
• سازماندهی تقویم های شخصی و تجاری.
• پاسخ به درخواست های ساده مشتریان .
• هماهنگی با سایر سیستم های هوشمند برای انجام وظایفی مانند رزرو هتل در زمان و مکان مناسب.
• کمک به رادیولوژیست ها برای تشخیص تومورهای بالقوه در تصاویر اشعه ایکس.
• نشان گذاری محتوای نامناسب آنلاین، تشخیص فرسودگی آسانسورها از داده های جمع آوری شده توسط دستگاه های اینترنت اشیا.
• تولید یک مدل سه بعدی از جهان با استفاده از تصاویر ماهواره ای

شرکت تولید کننده کارت های گرافیکی انویدیا، اخیراً یک سیستم مبتنی بر هوش مصنوعی Maxine را معرفی کرده که به افراد امکان می دهد تقریباً بدون توجه به سرعت اینترنت، تماس های ویدیویی با کیفیت برقرار کنند. این سیستم پهنای باند مورد نیاز برای چنین تماس‌هایی را با متحرک سازی تعداد محدودی از تصاویر تماس ‌گیرنده و باز تولید ویدئو با توجه به حالات و حرکات چهره، بجای انتقال جریان کامل ویدیو، تا 10 برابر کاهش می‌دهد. 

هوش مصنوعی عمومی (General AI)
این نوع هوش مصنوعی بسیار متفاوت بوده و نوعی خرد انطباقی است که در انسان وجود دارد، نوعی هوش انعطاف‌پذیر که می‌تواند یاد بگیرد چگونه وظایف متفاوتی را انجام دهد، از کوتاه کردن مو گرفته تا ساخت صفحات گسترده یا استدلال در مورد موضوعات مختلف بر اساس تجارب کسب شده.
در یک نظرسنجی که در سال 2012 توسط محققین هوش مصنوعی، وینسنت سی مولر و پروفسور نیک بوستروم در میان چهار گروه از متخصصان انجام شد، احتمال تحقق هوش مصنوعی عمومی (AGI) برای سال‌های 2040 تا 2050 را 50 درصد و تا سال 2075 را 90 درصد پیش بینی کردند. 
با این حال، برخی از کارشناسان هوش مصنوعی معتقدند که با توجه به درک محدود ما از مغز انسان، چنین پیش بینی هایی بسیار خوش بینانه است و معتقدند که تا توسعه AGI قرن ها فاصله است.

نقاط عطف در توسعه هوش مصنوعی 
در حالی که هوش مصنوعی محدود (narrow) مدرن، محدود به انجام وظایف خاصی است، اما این سیستم‌ ها گاهی اوقات قادر به عملکردی مافوق بشر هستند، حتی در برخی موارد خلاقیت برتری از خود نشان می‌دهند، ویژگی که ذاتاً مربوط به انسان است.
برخی از نقاط بارز عبارتند از:
• در سال 2009 گوگل نشان داد اتومبیل تویوتا خودرانش می تواند بیش از 10 سفر به طول 100 مایل را طی کند و جامعه را در مسیر تحقق وسایل نقلیه بدون راننده قرار دهد.
• در سال 2011، سیستم کامپیوتری IBM Watson با برنده شدن در آزمون آمریکایی Jeopardy! در سرتاسر جهان خبرساز شد. کامپیوتر واتسون در این آزمون از پردازش و تحلیل زبان طبیعی و حجم زیادی از منابع داده برای پاسخ به سؤالات انسانی در کسری از ثانیه استفاده کرد.
• در سال 2012 سیستم AlexNet در چالش تشخیص تصویر در مقیاس بزرگ (ImageNet) پیروز شد. دقت AlexNet به حدی بود که میزان خطا در مقایسه با سیستم های رقیب به نصف کاهش یافت. عملکرد AlexNet قدرت سیستم‌های یادگیری مبتنی بر شبکه‌های عصبی را نشان داد، مدلی برای #یادگیری_ماشین ( #machine_learning ) که برای دهه‌ها وجود داشت اما در نهایت با اصلاح معماری و جهش قدرت پردازش موازی که توسط قانون مور امکان‌پذیر شد، پتانسیل خود را بالفعل ‌کرد. مهارت سیستم‌های یادگیری ماشین در بینایی رایانه‌ای نیز در آن سال به سرخط خبرها تبدیل شد. 
نمایش بعدی کارآمدی سیستم‌های یادگیری ماشین که توجه عموم را به خود جلب کرد، پیروزی هوش مصنوعی Google DeepMind AlphaGo در سال 2016 بر یک استاد بزرگ انسانی در بازی Go بود، یک بازی باستانی چینی که پیچیدگی آن برای چندین دهه رایانه‌ها را تحت تأثیر قرار داد. در بازی Go امکان حدود 200 حرکت در هر نوبت وجود دارد درحالیکه این تعداد در شطرنج حدود 20 حرکت است. AlphaGo با استفاده از تجربه حرکات متخصصان انسانی در 30 میلیون بازی و قرار دادن آنها در #شبکه_های_عصبی ( #neural_networks ) #یادگیری_عمیق ( #deep_learning )، نحوه بازی را آموزش دید.
آموزش شبکه‌های یادگیری عمیق زمان بسیار زیادی طول می کشد و نیاز به دریافت مقادیر زیادی داده و تکرار  دارد، زیرا سیستم به تدریج مدل خود را برای دستیابی به بهترین نتیجه اصلاح می‌کند.
در سال 2020 یک سیستم هوش مصنوعی این توانایی را به دست آورد که تقریباً در مورد هر موضوعی که فکرش را بکنید مانند یک انسان بنویسد و صحبت کند. سیستم فوق که با نام Generative Pre-trained Transformer 3 یا باختصار GPT-3 شناخته می شود، یک شبکه عصبی است که با میلیاردها مقاله زبان انگلیسی در وب آموزش دید.
شاید بارزترین نمونه از پتانسیل هوش مصنوعی اواخر سال 2020 بود، زمانی که شبکه عصبی مبتنی بر توجه (attention-based) گوگل بنام AlphaFold 2 نتایجی نشان داد که برخی آن را شایسته دریافت جایزه نوبل شیمی می‌دانستند. توانایی این سیستم برای نگاه کردن به بلوک‌های سازنده پروتئین، معروف به اسیدهای آمینه، و استخراج ساختار سه‌ بعدی آنها می‌تواند بر سرعت درک بیماری‌ها و توسعه داروها تأثیر عمیقی بگذارد. 
برخلاف کریستالوگرافی که ماه ها طول می کشد تا نتایج را نشان دهد، AlphaFold 2 می تواند پروتئین ها را در چند ساعت مدل سازی کند. با توجه به اینکه ساختار سه بعدی پروتئین ها نقش مهمی در زیست شناسی و بیماری های انسان ایفا می کند، چنین سرعت بخشی، پیشرفت چشمگیری برای علم پزشکی همرا خواهد داشت.