Terminu “mākslīgais intelekts” (MI) 1956. gadā ieviesis Džons Makārtijs (John McCarthy).

MI ir datorzinātnes apakšnozare, kas nodarbojas ar intelektuālas uzvedības automatizāciju. MI definē arī kā pētījumus, kā likt datoriem darīt lietas, ko pašlaik cilvēki dara labāk, vai kā skaitļošanas procesu pētījumus, kas ļauj uztvert, spriest un darboties. Pastāv uzskats, ka MI ir problēmu formālu īpašību un to risināšanas metožu pētījumi un tā datorzinātnes daļa, kas pēta simboliskus, nealgoritmiskus spriešanas procesus un simbolisku zināšanu atspoguļošanu, lai to izmantotu datorsistēmas intelekta nodrošināšanai.

MI ir starpdisciplināra joma, kas vēsturiski ir pārņēmusi atziņas un pētījumu rezultātus no filozofijas, matemātikas, ekonomikas, neirozinātnes, psiholoģijas, datorzinātnes, kibernētikas un lingvistikas.

Idejas par intelektuālām mašīnām pazīstamas jau antīkajā mitoloģijā (grieķu skulptora Pigmaliona (Πυγμαλίων) no ziloņkaula izveidotā sievietes figūra). 5. gs. p. m. ē. Aristotelis (Ἀριστοτέλης) izstrādājis pirmo formālo deduktīvās spriešanas sistēmu (siloģismus). 3. gs. p. m. ē. izgatavotais papiruss, iespējams, satur pirmo zināmo ekspertu sistēmas aprakstu. 13.–18. gs. vērojama pirmo mehānisko dzīvnieku, “runājošo galvu” un citu mākslīgi radītu ierīču, kas spēj atdarināt dzīvu sistēmu darbību (Vokansona mehāniskā pīle, šahists Turks u. c.), konstruēšana. Vilhelms Šikards (Wilhelm Schickard) 1623. gadā radījis pirmo mehānisko skaitļošanas mašīnu. Blēzs Paskāls (Blaise Pascal) 1642. gadā radījis pirmo ciparu skaitļošanas mašīnu “Paskalīna”, ko vēlāk uzlabojis Gotfrīds Leibnics (Gottfried Leibniz), kurš izgudrojis arī bināro sistēmu un paredzējis universālas spriešanas iespējamību. Čārlzs Bebidžs (Charles Babbage) 1837. gadā pabeidza projektēt “analītisko dzinēju” – mehānisku, programmējamu datoru. 19.–20. gs. iegūtie rezultāti matemātikā (Būla algebra, predikātu loģika, minimaksa teorēma, Tjūringa mašīna u. c.) bija ļoti nozīmīgi atklājumi MI attīstībai. Konrāds Cūze (Konrad Zuse) 1941. gadā uzbūvējis pirmo ar programmu vadāmo datoru. Termins “robots” pirmo reizi parādās Karela Čapeka (Karel Čapek) 1920. gadā sarakstītajā lugā “R.U.R.”

MI pētījumi iedalāmi 9 posmos, no kuriem pēdējie 5 turpinās mūsdienās: MI pirmsākumi (1943–1955), agrīnais posms (1952–1969), reālā stāvokļa apzināšanās (1966–1973), uz zināšanām pamatotas sistēmas (1969–1979), MI kļūšana par rūpniecības nozari (1980–mūsdienas), atgriešanās pie neironu tīkliem (1986–mūsdienas), MI pārņem zinātnisko metodi (1987–mūsdienas), intelektuālo aģentu rašanās (1995–mūsdienas), ļoti lielu datu kopu izmantošana (2001–mūsdienas).

Pirmais pašlaik plaši pazīstamais MI darbs ir Vorena Makaloha (Warren McCulloch) un Voltera Pitsa (Walter Pitts) 1943. gadā izstrādātais mākslīgā neirona modelis. Donalds Hebs (Donald Hebb) 1949. gadā demonstrēja vienkāršu likumu, kā koriģēt saišu spēku starp neironiem. Hārvarda Universitātes (Harvard University) studenti Mārvins Minskis (Marvin Minsky) un Dīns Edmonds (Dean Edmonds) 1951. gadā uzbūvēja neironu tīkla skaitļošanas mašīnu SNARC (Stochastic Neural Analog Reinforcement Calculator). Vislielāko ietekmi uz turpmākajiem darbiem MI jomā atstāja Alans Tjūrings (Alan Turing), kurš 1947. gadā lasīja lekcijas Londonas Matemātikas biedrībā (London Mathematical Society). Lekciju saturs formulēts rakstā Computing Machinery and Intelligence (1950), kurā viņš ieviesa Tjūringa testu, mašīnas mācīšanos, ģenētiskos algoritmus un stimulētu (reinforcement) apmācību. Klods Šenons (Claude Shannon) 1950. gadā publicēja rakstu Programming a Computer for Playing Chess, kurā veica šaha spēles kā stāvokļu telpas pārmeklēšanas problēmas analīzi. Dž. Makārtijs pārliecināja M. Minski, K. Šenonu un Natanielu Ročestru (Nathaniel Rochester) sapulcināt 10 zinātniekus 1956. gada vasarā Dartmutas koledžā (Dartmouth College), lai apspriestu jautājumu, vai intelekta īpašības principā ir iespējams tik precīzi aprakstīt, lai tās varētu imitēt datorsistēmā. Secinājums bija, ka šis darbības lauks ir jāatdala no citām datorzinātnes jomām, tādām kā automātiskās vadības teorija, operāciju pētīšana vai lēmumu teorija. Pēc Dž. Makārtija ierosinājuma, šai jaunajai datorzinātnes apakšnozarei deva vārdu – mākslīgais intelekts.

MI agrīno posmu raksturo ar ierobežotām metodēm gūtie panākumi. Arturs Semjuels (Arthur Samuel) 1952.–1956. gadā izstrādāja vairākas dambretes spēles programmas. Nozīmīgas ir Alena Ņuela (Allen Newell) un Herberta Saimona (Herbert Simon) radītās programmas “Loģikas teorētiķis” (Logic Theorist, 1956) un “Vispārīgais risinātājs” (General Problem Solver, 1957), kas autoriem ļāva formulēt fizisko simbolu sistēmas hipotēzi, kas nosaka nepieciešamus un pietiekamus nosacījumus, lai fiziska sistēma spētu izrādīt vispārīgu intelektuālu rīcību (darbību). Dž. Makārtijs 1958. gadā definēja augsta līmeņa programmēšanas valodu Lisp (nosaukums radies no LISt Processor), kas kļuva par dominējošo MI programmēšanas valodu turpmākajos 30 gados. Herberts Gelernters (Herbert Gelernter) 1959. gadā konstruēja ģeometrijas teorēmu pierādītāju (Geometry Theorem Prover). Rejs Solomonofs (Ray Solomonoff) 1960. gadā ieviesa Beijesa (Bayes) metodes induktīviem spriedumiem. Margarēta Mastermane (Margaret Masterman) 1961. gadā iesāka semantisko tīklu lietošanu mašīntulkošanā. Bertrams Rafaels (Bertram Raphael) 1964. gadā izstrādāja programmu SIR (Semantic Information Retrieval). M. Minska vadītie studenti radīja programmas, kas risina uzdevumus ierobežotās “mikropasaulēs”. Džeimsa Slegla (James Slagle) programma SAINT (Symbolic Automatic INTegrator, 1963) risināja integrēšanas problēmas, Daniela Bobrova (Daniel Bobrow) programma STUDENT (1967) – algebras uzdevumus, bet Tomasa Evansa (Thomas Evans) programma ANALOGY (1968) atrisināja ģeometriskas analoģijas problēmas, kas parādās IQ testos. No “mikropasaulēm” plašāk pazīstama kļuva “bloku pasaule”, kurā robotam-manipulatoram bija jāpārvieto cietas vielas bloki. “Bloku pasaulei” Patriks Vinstons (Patrick Winston) 1970. gadā izvirzīja apmācības teoriju un Deivids Hafmens (David Huffman) 1971. gadā izstrādāja redzes spēju projektu. Terijs Vinograds (Terry Winograd) no 1968. līdz 1972. gadam izstrādāja dabīgā angļu valodā dotu komandu saprašanas programmu SHRDLU (nosaukums radies no linotipa taustiņu izvietojuma). Skots Folmens (Scott Fahlman) 1974. gadā izveidoja “bloku pasaules” plānotāju. Turpinājās darbs pie neironu tīklu attīstības. Heba apmācības metodes Bernards Vidrovs (Bernard Widrow) un Frenks Rozenblats (Frank Rosenblatt) 1962. gadā paplašināja ar saviem perceptroniem (perceptrons).

Pirmajos divos MI attīstības posmos problēmu risināšanai lietoja t. s. vājās metodes, kad programmas atrada atrisinājumus, veicot vienkāršus sintaktiskus pārveidojumus un izmēģinot risināšanas soļu dažādas kombinācijas. Trešajā posmā sāka apzināties reālo situāciju un tika konstatētas trīs veidu grūtības. Pirmkārt, agrīnās programmas neko nezināja par problēmsfēru. Otrkārt, tā kā nebija radīta skaitļošanas sarežģītības teorija, valdīja uzskats, ka atrisināmas problēmas mērogs ir atkarīgs tikai no datora ātrdarbības un atmiņas apjoma. Treškārt, intelektuālas uzvedības ģenerēšanai lietotās pamatstruktūras bija pārāk ierobežotas un spēja atspoguļot pārāk maz. Piemēram, perceptronu ar divām ieejām neizdevās apmācīt, lai tas spētu atpazīt, kad tā ieejas ir dažādas. Centieni savirknēt elementārus secināšanas soļus, lai pārmeklēšanas rezultātā atrastu pilnīgus atrisinājumus, nedeva rezultātus sarežģītu problēmu risināšanā. Radās alternatīva pieeja – lietot problēmsfēras specifiskas zināšanas, kas ļauj vienkāršāk secināt par tipiskiem gadījumiem šauri fokusētās jomās, kur ir vajadzīga augsta līmeņa ekspertīze.

Uz zināšanām pamatotas sistēmas (knowledge-based systems) kļuva par galveno pētījumu un izstrādes objektu MI attīstības ceturtajā posmā. Plaši pazīstamas ir šī perioda programmas DENDRAL (1969) un MYCIN (1974). Pirmo no tām Stenforda Universitātē (Stanford University) izstrādāja Edvards Feigenbaums (Edward Feigenbaum), Brūss Bjūkenens (Bruce Buchanan) – filozofs, kas pievērsās datorzinātnei, un Džošua Lederbergs (Joshua Lederberg) – Nobela prēmijas laureāts ģenētikā. Viņi atrisināja problēmu, kā no masas spektrometra iegūtās informācijas izsecināt molekulāro struktūru. DENDRAL nozīme bija tā, ka programma bija pirmā sekmīgā uz zināšanām pamatotā sistēma. Tās ekspertīze tika iegūta no liela skaita speciālu likumu. Nākamais mēģinājums lietot ekspertu sistēmu jauno metodoloģiju tika realizēts medicīnas diagnostikā. E. Feigenbaums, B. Bjūkenens un Edvards Šortlifs (Edward Shortliffe) izstrādāja MYCIN asins infekciju diagnostikai. Problēmsfēras zināšanu atspoguļošanas un secināšanas ar tām svarīgumu pierādīja arī Rodžera Šenka (Roger Schank) darbi dabīgās valodas izpratnē. Plaši izplatītā MI metožu lietošana reālās pasaules problēmu risināšanai izraisīja pieprasījumu pēc praktiski realizējamām zināšanu atspoguļošanas shēmām (knowledge representation schemas) un programmēšanas valodām. Tika radītas loģikā pamatotas programmēšanas valodas PROLOG (1972) un PLANNER (1969), kā arī valoda Smalltalk (1980), kas deva ierosmi objektorientētās programmēšanas koncepcijai. Paliekoša nozīme MI ir vēl vairākām programmām. Lietojot Rosa Kviliana (Ross Quillian) attīstīto zināšanu atspoguļošanas shēmu – semantisko tīklu, Džeimijs Karbonels (Jaime Carbonell) 1970. gadā izveidoja datorizētu apmācības sistēmu SCHOLAR. Viljams Vuds (William Woods) 1973. gadā radīja dabīgās valodas izpratnes programmu LUNAR. Ērls Sakerdoti (Earl Sacerdoti) 1974. gadā izstrādāja hierarhiskās plānošanas tehniku un programmu ABSTRIPS (Abstraction-Based STanford Research Institute Problem Solver).

20. gs. 80. gados pēc ilgiem pētījumiem un eksperimentiem laboratorijās radās iespējas iegūtos rezultātus komercializēt. Pēc agrīno ekspertu sistēmu (R1, DENDRAL, MYCIN, PROSPECTOR) sekmīgiem lietojumiem industrijā, kas aizsāka MI attīstības piekto posmu, parādījās tūkstošiem jaunu ekspertu sistēmu visdažādākajās jomās, pārsvarā medicīnā, inženierzinātnēs un finanšu sektorā. Praktiski tika lietotas un komerciālus panākumus guva arī atpazīšanas sistēmas (klasifikatori) un mašīngrafikas sistēmas, kuru liela daļa faktiski ir ekspertu sistēmas. Tomēr tēlu (paraugu, pattern) atpazīšanas pieeja atšķiras no sistēmām, kas pamatotas uz zināšanām. Objektus vai situācijas, ko sauc par tēliem, apraksta ar pazīmju vērtībām (diskrētām vai nepārtrauktām). Tēli var piederēt tikai vienai vai arī vairākām klasēm (gadījumā, ja daļa pazīmju sakrīt). Klasifikatoram ir jāatrod tēlu (objektu) piederība pareizām klasēm. Tēlu klasifikācijas uzdevumā objektu piederību klasēm nosaka iepriekš definētas kārtulas. Tēlu atpazīšanas uzdevumā kārtulas atrod, lietojot t. s. apmācības kopu, ko veido objekti, kuru piederība noteiktai klasei ir zināma (apmācība ar skolotāju). Šādi sistēma iemācās pareizi klasificēt arī iepriekš neredzētus objektus. Tieši tā ir apmācības no piemēriem jeb induktīvās apmācības būtība – spēja vispārināt. Sistēmu klāsts, kas pamatojas uz tēlu atpazīšanas pieeju, ir ļoti plašs: perceptroni vizuālo tēlu atpazīšanai, neironu tīkli, attēlu analīzes sistēmas, datorredze, mašīngrafika, runas analīze un sintēze, runājošā atpazīšana, pirkstu nospiedumu identifikācija un daudzas citas. Tēlu formēšanas klasterizācijas uzdevumā novērotos objektus sadala klasteros (grupās, apakškopās) pēc to līdzības pazīmēm. Šī uzdevuma atrisināšana ir vajadzīga zināšanu izgūšanā, datu saspiešanā (data compression) un datu īpašību pētījumos. MI metožu, pieeju un tehnoloģiju komercializācijas rezultātā jau 20. gs. 80. gadu beigās bija simtiem kompāniju, kas radīja ekspertu sistēmas, datorredzes sistēmas, robotus, kā arī programmatūru un aparatūru šiem nolūkiem.

20. gs. 80. gadu vidū no jauna tika atklāts atpakaļizplatīšanās (back-propagation) algoritms, kuru pirmie 1969. gadā bija izstrādājuši Arturs Brisons (Arthur Bryson) un Yu-Chi Ho (Yu-Chi "Larry" Ho, Hé Yùqí). Šo algoritmu sekmīgi pielietoja daudzām problēmām datorzinātnē (mašīnas apmācībā) un psiholoģijā. Mūsdienās to uzskata par MI attīstības sestā posma sākumu. Pašlaik norit ļoti aktīvi pētījumi gan par atpakaļizplatīšanās, gan citu algoritmu lietojumiem apmācībai t. s. dziļajos neironu tīklos (neironu tīklos ar ļoti daudziem slēptajiem slāņiem un milzīgu skaitu mākslīgo neironu).

Tātad MI attīstībā līdz 20. gs. 80. gadu beigām iezīmējās divi virzieni: vienu pārstāv simboliskie modeļi (pamatlicēji A. Ņuels un H. Saimons) un loģiskās pieejas (aizsācējs Dž. Makārtijs), bet otru – t. s. savienojumu modeļi (perceptroni, neironu tīkli, asociatīvā atmiņa). 20. gs. beigās MI saturā un metodoloģijā nozīmīgi kļūst teorijas jautājumi, kas pamatoti stingros matemātiskos principos. Runājot metodoloģijas terminos, savā septītajā attīstības posmā MI noteikti pārņem zinātnisko metodi. Tas nozīmē, ka, lai hipotēzi pieņemtu, jāveic precīzi empīriski eksperimenti un rezultāti ir statistiski jāanalizē. Tādējādi ir iespējams eksperimentus atkārtot, lietojot testēšanas datu un koda kopīgus repozitorijus. Šo pamatdomu ilustrē runas atpazīšana, kur 20. gs. 70. gados dominēja pieejas, kas tika demonstrētas tikai dažiem speciāli izvēlētiem piemēriem. Ieviešot pieejas, kas pamatojas uz slēptajiem Markova modeļiem (hidden Markov models), tika iegūts matemātisks ietvars, lai saprastu problēmu un atbalstītu inženieru viedokli, ka tas praksē strādā labi. Tos pašus apsvērumus var attiecināt uz mašīntulkošanu, kurā lieto informācijas teorijas principus. Arī neironu tīklu pētījumi seko šai tendencei. Rezultātā radās jauna tehnoloģija – datizrace (data mining), lai atrastu slēptas sakarības starp datu grupām. Džūdeja Pērla (Judea Pearl) darbs “Varbūtiskā spriešana intelektuālās sistēmās” (Probabilistic Reasoning in Intelligent Systems, 1988) veicināja varbūtību un lēmumu teorijas nostiprināšanos MI. Beijesa tīklu (Bayesian network) formālisms ļāva efektīvi atspoguļot nenoteiktas (apšaubāmas, uncertain) zināšanas un lietot tās precīzā spriešanā. Dž. Pērla (1982), Erika Horvica (Eric Horvitz) un Dāvida Hekermana (David Heckerman) darbi (1986) veicināja t. s. normatīvo ekspertu sistēmu koncepcijas izstrādi. Šāda sistēma darbojas racionāli saskaņā ar lēmumu teoriju, nevis cenšas imitēt cilvēku–ekspertu domāšanas gaitu. Windows^TM operētājsistēma iekļauj vairākas normatīvas diagnostikas ekspertu sistēmas, lai novērstu radušās problēmas.

Astotais MI attīstības posms tiek saistīts ar to, ka tika atrasta moderna pieeja – intelektuālo aģentu paradigma –, kas ir vispārīga pieeja MI un ļauj apvienot “vienotā veselā aģentā” tā daudzveidīgos virzienus. A. Ņuela, Džona Lērda (John Laird) un Pola Rozenblūma (Paul Rosenbloom) darbs pie projekta SOAR (nosaukums radies no State, Operator And Result) no 1987. līdz 1990. gadam ir vislabāk zināmais piemērs par pilnīgu aģenta arhitektūru. Aģentu sistēmas ir kļuvušas tik parastas tīmeklī pamatotās (Web-based) lietotnēs, ka termins “bots” (bot) tiek lietots ikdienas valodā.

Datorzinātnes 60 gadu ilgajā vēsturē pētījumi ir fokusējušies uz algoritmiem. Tomēr nesenie darbi MI uzvedina uz domām, ka daudzām problēmām svarīgāki ir dati, nevis tas, kādu algoritmu lietot. To pierāda aizvien pieaugošais ļoti lielais datu avotu skaits, piemēram, miljoniem vārdu angļu valodas korpusā vai miljardiem attēlu tīmeklī. Pirmie darbi šajā, devītajā, MI attīstības posmā liecina, ka ilgstoši par “šauro vietu” uzskatītā MI problēma, kā izteikt visas zināšanas, kas datorsistēmai ir vajadzīgas, var tikt atrisināta ar apmācības metodēm, nodrošinot mācīšanās algoritmus ar pietiekamu datu apjomu. Ir radies arī jauns termins “dziļā mācīšanās” (deep learning).

Mūsdienās MI tehnoloģijas ir kļuvušas par ikdienišķu praksi daudzās jomās. MI tehnoloģijas ir pamatā interneta rīkiem: meklēšanas mašīnām (search engines), rekomendējošām sistēmām (recommender systems) un tīmekļa lapu sakopotājiem (web site aggregators). Tomēr plašākai auditorijai pazīstamākie MI panākumi saistīti ar šaha mašīnu Deep Blue, ko radīja firma International Business Machines Corporation (IBM) un kas 1997. gadā uzvarēja pasaules čempionu Gariju Kasparovu (Гарри Каспаров). 2006. gadā tādu pašu panākumu atkārtoja Deep Fritz, ar 4 : 2 uzvarot Vladimiru Kramņiku (Владимир Крамник). 1998. gadā Džonatanam Šeferam (Jonathan Schaeffer) pēc 18 gadu darba izdevās izstrādāt neuzvaramu 64 lauciņu dambretes spēles programmu Chinook. Pēdējās desmitgadēs arī robotikā ir izdarīti vairāki nozīmīgi atklājumi, ieskaitot automātisku automašīnu vadīšanu reālās satiksmes apstākļos un humanoīdos robotus, kas komunicē dabīgā valodā.

Mūsdienās MI straujā attīstība nosaka tā virzienu daudzveidību, aptverot visas jomas, kurās cilvēki darbojas bez absolūti precīzas problēmas risināšanas metodikas, kurās nav zināmi algoritmi un jāizmanto informācija simboliskā, nevis skaitliskā formā. MI pamatvirzieni ir zināšanu atspoguļošana un atrisinājumu meklēšana, uz zināšanām pamatotu sistēmu izstrāde, MI programmatūras inženierija, dabīgās valodas interfeisi un mašīntulkošana, intelektuāli autonomi roboti, mašīnas apmācība un datoru jaunu arhitektūru izstrāde. MI starpnozaru virzieni ir ģenētiskie algoritmi, evolūcijas un kognitīvā modelēšana, runas atpazīšana un sintēze, ontoloģiju inženierija, zināšanu pārvaldība, “lokanā” skaitļošana (soft-computing) un citi.

Daudzveidīgie virzieni attīstās vai nu bionikas, vai pragmatiskās programmu radīšanas pieeju ietvaros, ar kurām saistās četri mērķi, kurus pašlaik MI cenšas sasniegt. Bionikas virziens tiecas uz mērķi radīt sistēmas, kas domā līdzīgi kā cilvēki, sasaistot kopā datormodeļus un psiholoģijas eksperimentālās tehnikas. Pragmatiskā programmu radīšanas pieeja mēģina sasniegt šādus mērķus:

1. radīt sistēmas, kas domā saprātīgi (racionāli), pamatojoties uz loģiku;
2. radīt sistēmas, kas darbojas līdzīgi kā cilvēki un kuras pamatojas uz Tjūringa testu;
3. radīt sistēmas, kas darbojas saprātīgi (aģentus).

Tiek uzskatīts, ka MI nav tikai spēja saprast to, kas ir patiess, un pareizi domāt, bet tas pamatojas arī sabiedrībā un cilvēku kultūrā. Tas nozīmē, ka intelektuāla uzvedība parādās, kad savā starpā sadarbojas daudz indivīdu (aģentu). Katrs atsevišķs indivīds nespēj problēmu atrisināt, un to var izdarīt tikai sadarbojoties. Jaunie pētījumu virzieni, kas dabīgi iekļaujas intelektuālu aģentu paradigmā, ir “spieta intelekts” (swarm intelligence), tīmeklī izveidoto sociālo tīklu intelekts, tīmekļa intelekts (web intelligence) un semantiskais tīmeklis (semantic web).

Tiek prognozēts, ka nākotnē MI visstraujāk attīstīsies tieši šajos virzienos, ja vien netiks radīti uz principiāli jaunām tehnoloģijām (optiskie un kvantu skaitļotāji, organisko molekulu vai biomolekulu nanostruktūru platformas) pamatoti praktiski lietojami datori. Progress ved uz vispārīga nolūka intelektuālu aģentu izstrādi, kas spēj racionāli darboties plašā ārējās vides diapazonā, jo sadarbība ar ārējo vidi, lietojot sensorus un izpildmehānismus, līdz šim MI nav pārāk intensīvi pētīta.

Tajā pašā laikā precīzi atbildēt uz jautājumu, kas ir MI, pašlaik nav viegli. Ir daudz ikdienā lietotu metožu un ierīču, piemēram, korporācijas iRobot putekļu sūcēji Roomba, surogātpastu filtrējošie aģenti, mašīntulkošanas programmas, autonomas automašīnas bez vadītāja, NASA (National Aeronautics and Space Administration) attālinātā aģenta (NASA’s remote agent) programma, kas autonomi plāno un sastāda darbību grafiku kosmosa kuģos, un vēl citas. Tajā pašā laikā, neskatoties uz panākumiem, vairāki ietekmīgi MI dibinātāji, tādi kā Dž. Makārtijs, M. Minskis, Nils Nilsons (Nils Nilsson) un P. Vinstons, izsaka neapmierinātību ar MI progresu. Viņi uzskata, ka mazāk vērības būtu jāvelta aizvien pilnīgākām lietotnēm. Viņi ir pārliecināti, ka tā vietā MI ir jācenšas sasniegt cilvēku līmeņa (human-level) MI. Līdzīgu domu pauž pētnieki, kas strādā pie mākslīgā vispārīgā intelekta (artificial general intelligence). Mērķis ir radīt universālus algoritmus, lai mācītos un darbotos jebkurā vidē. Vienlaicīgi ir jāgarantē, ka tiks radīts patiešām draudzīgs MI (friendly AI), par ko nopietnas bažas izsaka, piemēram, Džeimss Barets (James Barrat).

Neskatoties uz gūtajiem panākumiem, MI joprojām neatbildēti ir daudzi svarīgi jautājumi, lai varētu apgalvot, ka MI virzās pareizā virzienā, neaizmirstot ētiskos aspektus un atbildību par darba augļu pozitīvo efektu. Visaptverošu cilvēka intelekta līmeņa sistēmu izstrādei būtu pašos pamatos jāizmaina cilvēku lielākās daļas dzīve, neapdraudot viņu brīvību, autonomiju un izdzīvošanu.

Svarīgākie teorētiskie rezultāti iegūti Amerikas Savienotajās Valstīs (ASV) un Lielbritānijā, bet tehnoloģiskie risinājumi robotikā – Japānā. Vadošās zinātniskās iestādes pasaulē MI jomā ir Masačūsetsas Tehnoloģiju institūtā (Massachusetts Institute of Technology), Stenforda Universitātē (Stanford University), Kalifornijas Universitātē Bērkli (University of California, Berkeley), Karnegi Melona Universitātē (Carnegie Mellon University), Prinstonas Universitātē (Princeton University) (visas ASV) un Edinburgas Universitātē (University of Edinburgh) Skotijā, Lielbritānijā. Latvijā pētījumi MI koncentrējas Rīgas Tehniskās universitātes Datorzinātnes un informācijas tehnoloģijas fakultātē, kurā augsta līmeņa zinātniskie rezultāti un inovatīvi risinājumi ir iegūti daudzaģentu (multi-agent) pieejas izstrādē autonomu robotu kopas vadībā un intelektuālu mācību sistēmu realizācijā, un Latvijas Universitātes Matemātikas un informātikas institūtā, kurš ir pazīstams ar pasaules līmeņa risinājumiem mašīntulkošanā, pamatojoties uz dziļo mašīnmācīšanos (deep learning), lietojot dziļos (convolutional) neironu tīklus. Visaktīvāk MI metožu un tehnoloģiju izstrādi veic kompānijas IBM, Google, Microsoft, Amazon un Facebook.

Svarīgs periodiskais izdevums ir IEEE Transactions on Pattern Analysis and Machine Intelligence – žurnāls ik mēnesi iznāk kopš 1979. gada, un to izdod Elektrotehnikas un elektronikas inženieru institūts (Institute of Electrical and Electronics Engineers). Žurnālā tiek publicēti raksti par datorredzes un attēlu (image) izpratnes tradicionālajām jomām (vizuālā pārmeklēšana, dokumentu un rokrakstu analīze, medicīnas attēlu analīze u. c.), kā arī par tēlu (pattern) pazīšanas un analīzes tradicionālajām jomām, piemēram, žestu, kustību un seju atpazīšanu. IEEE Transactions on Fuzzy Systems – žurnāls sešas reizes gadā iznāk kopš 1993. gada, un to izdod Elektrotehnikas un elektronikas inženieru institūts (Institute of Electrical and Electronics Engineers). Publikācijas fokusējas uz nestriktu sistēmu (fuzzy systems) teoriju, projektēšanu un lietojumiem gan datoru aparatūras, gan programmatūras jomā. International Journal of Computer Vision – žurnāls ik mēnesi iznāk kopš 1987. gada, un to izdod izdevniecība Springer. Žurnāla publikācijas skar datorredzes matemātiskos, fizikālos un skaitļošanas aspektus: attēlu (image) veidošanu, apstrādi, analīzi un interpretāciju, mašīnmācīšanās tehnikas, statistiskās pieejas, sensorus un dažādus lietojumus, tādus kā attēlu renderēšana, datorgrafika, video analīze un anotēšana, multimediji. International Journal of Robotics Research – žurnāls ik mēnesi iznāk kopš 1982. gada, un to izdod izdevniecība SAGE Publications. Žurnāla publikācijas aptver ļoti plašu robotikas jomas, kā mehānikas, elektrotehnikas un datorzinātnes atzarojuma, jautājumu klāstu, sākot ar sensoriem, sensoru doto datu interpretāciju un beidzot ar kinemātiku robotu kustību plānošanā. Journal of Artificial Intelligence Research ir viens no pirmajiem zinātniskajiem žurnāliem, kas kopš 1993. gada tiek izplatīts internetā kā atvērtās pieejas (open access) žurnāls, ko izdod Mākslīgā intelekta attīstības asociācija (Association for the Advancement of Artificial Intelligence). Žurnāls publicē rakstus par visiem mākslīgā intelekta virzieniem. Multiagent and Grid Systems – žurnāls četras reizes gadā iznāk kopš 2006. gada, un to izdod izdevniecība IOS Press. Žurnālā tiek publicēti raksti par intelektuāliem aģentiem, daudzaģentu (multi-agent) sistēmām, mākoņskaitļošanu (cloud computing) un lielapjoma datu (big data) apstrādi. IEEE Transactions on Neural Networks and Learning Systems – žurnāls (ar sākotnējo nosaukumu IEEE Transactions on Neural Networks) ik mēnesi iznāk kopš 1990. gada, un to izdod Elektrotehnikas un elektronikas inženieru institūts (Institute of Electrical and Electronics Engineers). Žurnāla publikācijas fokusējas uz neironu tīklu teoriju, projektēšanu un lietojumiem, kā arī uz saistītām apmācības sistēmām (learning systems).

E. Feigenbaums, kurš 1994. gadā saņēma Tjūringa balvu, augstāko atzinību datorzinātnē, bieži tiek saukts par ekspertu sistēmu tēvu, jo viņš ir līdzautors tādām plaši pazīstamām medicīnas ekspertu sistēmām kā DENDRAL, MYCIN, ACME un SUMEX. Dž. Makārtijs, kurš Tjūringa balvu saņēma 1971. gadā, ir viens no MI kā datorzinātnes apakšnozares dibinātājiem un termina “mākslīgais intelekts” ieviesējs, kas ir izgudrojis programmēšanas valodu LISP saimi, ievērojami iespaidojis programmēšanas valodas ALGOL attīstību, attīstījis laikdalību (timesharing) kā datora darbības režīmu un izstrādājis loģiskās secināšanas pieeju kā starpnieku starp aģenta uztveri un darbību izvēli. M. Minskis, kurš Tjūringa balvu saņēma 1969. gadā, ir viens no MI virziena dibinātājiem un ir pazīstams kā freimu sistēmas (vienas no zināšanu atspoguļošanas shēmām) izgudrotājs, kurš 1951. gadā uzbūvēja pirmo neironu tīklu apmācības mašīnu SNARC, kopā ar Seimoru Peipertu (Seymour Papert) ir sarakstījis grāmatu “Perceptroni” (Perceptrons) un radījis Saprāta sabiedrības (Society of Mind) teoriju, kā arī 2006. gadā publicējis grāmatu “Emociju mašīna” (The Emotion Machine), kurā ir kritizējis daudzas populāras teorijas, kā cilvēka smadzenes strādā, piedāvājot alternatīvas teorijas. A. Ņuels saņēma Tjūringa balvu (kopā ar H. Saimonu) 1975. gadā un arī ir viens no MI virziena dibinātājiem, kas ir devis ieguldījumu informācijas apstrādes valodas izstrādē un divu agrīno MI programmu Loģikas teorijas mašīna (The Logic Theory Machine) un Vispārīgais problēmu risinātājs (General Problem Solver) izstrādē (kopā ar H. Saimonu), kā arī ir līdzautors plaši lietotajai aģentu arhitektūrai SOAR. N. Nilsons ir viens no pirmajiem MI pētniekiem pasaulē, kura darbu ietekme pārmeklēšanā, plānošanā, zināšanu atspoguļošanā un robotikā ir nenovērtējama un kurš ir vadījis pētnieku grupu pirmā loģiskā uz mērķi balstītā aģenta – mobilā robota Shakey izstrādē, lietojis loģisko secināšanu intelektuālā aģentā, bijis līdzautors A* pārmeklēšanas algoritma un plānošanas valodas STRIPS izgudrošanā. S. Peiperts ir viens no MI pētījumu aizsācējiem, kas bez tiem rezultātiem, kuri iegūti kopā ar M. Minski, ir arī Logo programmēšanas valodas izgudrojuma līdzautors, kā arī devis nozīmīgu ieguldījumu datoru lietošanā izglītībā. Dž. Pērls, kas Tjūringa balvu saņēma 2011. gadā, ir pazīstams kā varbūtīgās pieejas mākslīgajam intelektam un Beiesa tīklu (Bayesian networks) attīstītājs, kā arī kauzālu un pretrunīgu ar faktiem (counterfactual) izvedumu, kas pamatojas uz struktūras modeļiem, teorijas izstrādātājs. R. Šenks ir devis ieguldījumu MI un izziņas psiholoģijā (cognitive psychology) ar inovatīvu konceptuālo atkarību teoriju (conceptual dependency theory) dabīgās valodas izpratnei un gadījumos sakņotu secināšanu (case-based reasoning). Olivers Selfridžs (Oliver Selfridge) ir viens no pētījumu MI aizsācējiem, kas pazīstams kā “mašīnu uztveres (izpratnes) tēvs” ar darbiem par neironu tīkliem, tēlu (paraugu) atpazīšanu un mašīnapmācību, bet rakstā “Dēmonu valstība” (Pandemonium) izstrādātās idejas kļuva par pamatu aspektu orientētai programmēšanai (aspect-oriented programming). E. Šortlifs, kurš tiek uzskatīts par biomedicīnas informātikas pamatlicēju, ir pirmais, kas lietoja MI medicīnā un bija galvenais klīniskās ekspertu sistēmas MYCIN izstrādātājs, kura bija viena no pirmajām uz likumiem pamatotām (rule-based) MI sistēmām, kas veicināja virkni uz likumiem pamatotu ekspertu sistēmu, attiecīgo zināšanu atspoguļošanas shēmu un pārliecību tīklu (belief networks) izstrādi. H. A. Saimons (saņēmis Nobela prēmiju ekonomikā 1978. gadā un Tjūringa balvu 1975. gadā) ir vairāku mūsdienās aktuālu zinātnisko jomu un virzienu, tādu kā mākslīgais intelekts, informācijas apstrāde, lēmumu pieņemšana, problēmu risināšana, organizāciju teorija un sarežģītu sistēmu teorija, aizsācējs, bet tieši MI ir pazīstams ar saviem darbiem kopā ar A. Ņuelu. R. Solomonofs ir algoritmiskās varbūtības (algorithmic probability) un induktīvā izveduma vispārīgās teorijas (General Theory of Inductive Inference) izgudrotājs, algoritmiskās informācijas teorijas dibinātājs un mākslīgā intelekta atzara, kas pamatojas uz mašīnmācīšanos, prognozēšanu un varbūtību, autors. A. Tjūrings ir atstājis ārkārtīgi lielu iespaidu uz teorētiskās datorzinātnes un mākslīgā intelekta attīstību, dodot algoritma un skaitļošanas ar Tjūringa mašīnu (Turing machine) jēdzienus, ko var uzskatīt par vispārīgas nozīmes datoru (general-purpose computer) modeli, piedāvājis mūsdienās plaši lietoto stimulētas apmācības (reinforcement learning) pieeju, kā arī iegājis vēsturē kā vairāku tehniku autors, lai uzlauztu Otrajā pasaules karā lietotos vācu armijas šifrus, tai skaitā Enigma mašīnu. T. Vinograds ir pazīstams ar pētījumiem par dabīgās valodas izpratni, lietojot t. s. bloku pasaulē SHRDLU programmu, kas parādīja, cik grūti programmētājam ir uzbūvēt datora semantisko atmiņu. P. Vinstons ir pazīstams kā autors virknei grāmatu par MI, kas tiek lietotas kā mācību līdzekļi dažādu valstu augstskolās, kā arī ar pētījumiem mācīšanās teorijā, mašīnmācīšanās sistēmu jomā un cilvēku intelekta jautājumos. Lotfi Aliaskers Zadē (Lotfi Aliasker Zadeh) ir pazīstams kā nestriktās (fuzzy) matemātikas pamatlicējs, kuras galvenās sastāvdaļas ir nestriktas kopas (fuzzy sets) un nestrikta loģika jeb faziloģika (fuzzy logic), kā arī iespēju teorijas (Possibility Theory) pamatlicējs, kura idejas mūsdienās plaši tiek izmantotas dažādās intelektuālās sistēmās neskaidru un nepilnīgu zināšanu apstrādei.