经过多年的人工智能研究，人工智能的主要发展方向：运算智能、感知智能、认知智能。这一观点如今也得到业界广泛的认可。
计算智能
一是计算智能，即快速计算和记忆存储能力，通俗点说就是机器“能存会算”。
人工智能所涉及的各项技术的发展是不均衡的。现阶段计算机比较具有优势的是运算能力和存储能力。
1996年IBM的深蓝计算机战胜了当时的国际象棋冠军卡斯帕罗夫，从此，人类在这样的强运算型的比赛方面就不能战胜机器了。
感知智能
感知智能，即视觉、听觉、触觉等感知能力，通俗点数就是机器“能说会看”。人和动物都具备，能够通过各种智能感知能力与自然界进行交互。
自动驾驶汽车，就是通过激光雷达等感知设备和人工智能算法，实现这样的感知智能的。机器在感知世界方面，比人类还有优势。人类都是被动感知的，但是机器可以主动感知，如：激光雷达、微波雷达和红外雷达。不管是Big Dog这样的感知机器人，还是自动驾驶汽车，因为充分利用了DNN和大数据的成果，机器在感知智能方面已越来越接近于人类。
认知智能
认知智能。通俗讲是“能理解会思考”。人类有语言，才有概念，才有推理，所以概念、意识、观念等都是人类认知智能的表现。本文主要讨论该方向国内外现状与趋势分析。
人类的认知进化过程是一个“学以致用、以用促学”的过程。
在动态、开放、真实的数据环境下，数据的多媒体动态变化、分布不均衡的特性，将带来「知识归纳更新不一致」和「推理链路不完整」的难点，同时环境对决策行动的反馈将进一步影响下一状态的决策。
除此之外，缺少对认知结果的深度反思，也带来了「决策研判不可靠」和「认知测试不系统」的难点。
知识学习方面
在知识学习方面，认知计算中的知识学习，通常包含「数据的感知」和「知识的跨媒体归纳」两部分内容。
「数据的感知」即对信息载体进行辨识和属性抽取，认知科学研究表明，实现对任一信息载体的感知，都需要获取海量的跨媒体信息作为辅助。
中科院自动化所、澳大利亚新南威尔士大学等研究机构在社交媒体行为分析、媒体内容推荐等课题的研究中，先后提出了融合文本，图像和知识图谱的「跨媒体知识归纳方法」，并结合注意力机制，利用人的行为数据对知识图谱进行修补和更新。
在知识推理方面，发掘知识、常识之间的逻辑关系，为最终的知识决策提供逻辑依据是主要任务。
在行为认知和行为分析的研究中，知识推理一直扮演着非常重要的角色。
北京大学、上海交通大学和中国科学院大学等机构，先后提出「基于跨媒体知识图谱进行知识迁移和联合」推理的方法，融合子空间学习，注意力机制，迁移学习和决策树等技术的行为认知和内容推荐模型。
但是，现有研究都是在知识充沛的数据环境中实现，鲜有研究考虑知识残缺环境下的推理问题。
知识决策方面
在知识决策方面，深度强化学习的出现，使得智能体能够从高维特征空间中感知关键信息并根据这些信息作出决策，其因此被广泛用于专家级人工智能的实现。
在最近的几年中，DeepMind通过决策算法的改进，使其所能够应对的任务场景由「策略空间有限、行动可预见性较强」的围棋变为「策略空间理论上无限、行动可预见性较低」的即时战略类视频游戏。
当前深度强化学习，虽然使智能体从推理到决策的过程更加透明，但其较弱的自主进化能力致使其对反馈信息过于依赖，从而限制了智能体决策应用场景的「限制性」和「可靠性」。
此外，在如社会治理、智能创作等人机交互场景下，智能体需要进一步提升其决策效率，控制人机交互任务中人与智能体互动的次数，从而降低智能体的决策对人自身意愿的影响。
认知测试和应用验证方面
在认知测试和应用验证方面，利用人工智能在各个领域进行辅助管理和决策已经成为热点问题。
慕尼黑工业大学建立了新冠疫情政府响应数据库；布拉格捷克理工大学和Snap公司提出了通过人工绘制关键帧，使得机器在不断的交互反馈中学会将一段视频处理为艺术风格。
随着认知计算的发展，在应用中使用多种智能形态进行辅助决策将是未来重要的发展方向。
未来的世界应该是由顶尖专家和顶尖管理者协同管理人和机器的联合体的一个大未来，这就是我们认为的人机协同的机制。
人类今天的工作会越来越多的由后台的学习系统不断地学习到机器中，由机器来代替人类；而人类将投身于想象更大的未来，去做更有创意的事情。
在这样的机制下，人类智慧大爆炸时代正在到来。
