智能技術是為了有效地達到某種預期的目的,利用知識所採用的各種方法和手段。目前具有重要應用價值的智能技術列舉如下:
				一、主體(agent, 代理, 智能體)
				       本方向要針對我國軟件產業發展的需要,從建立分佈式智能和分佈式應用系統集成 
				的目標出發,在理論創新的基礎上,發展公共主體請求代理體系機制CARBA,研究 
				面向主體軟件工程方法,開發具有自主版權的目標產品"多主體環境 MAGE"。 主要研究內容包括:
				
				
				·理性主體的認知模型和多主體的協調策略;
 
				·面向主體的軟件工程方法;
				·主體網格;
				·主體技術實用化研究方面。
				       該方向主要應用領域包括:電子商務,數字圖書館,移動計算,群體智能決策支持系統,以及CSCW。
				二、機器學習與數據挖掘
				主要研究內容包括:
				·學習算法: 歸納學習、範例學習、貝葉斯網路、粗糙集、模糊集、支持向量機、強化學習、關聯規則、遺傳算法、解釋學習;
				·開展感知學習、主動學習和內省學習等研究;
				·通用數據挖掘工具,如SAS, SPSS, MSMiner。
				       BBN 技術公司已獲美國國防高級研究計劃局(DARPA)550萬美元投資,開展綜合學習項目(Integrated 
				Learning Program)第一階段工作。未來4年裡,BBN將開發一種稱為「綜合學習器(Integrated 
				Learner)」的人工智能(AI)能力,該裝置在被展示了一個簡單例子後能學習計劃或過程。如果所有4年的研製項目全部完成,公司獲得的總合同價值將可達到2400萬美元。
				
				       該項目的目標是將專業領域知識和常識綜合創造出一個推理系統,該系統能像人一樣學習並可用於多種複雜任務。這樣一種系統將顯著擴展計算機能學習的任務類型。
				三、語義網格和知識網格(Semantic grid and knowledge grid)
				
				
        語義網格和知識網格是在異構的、動態的虛擬組織環境下,提供有效的知識服務和共享, 
				協作解決用戶需要解決的問題,滿足用戶的需求。主要研究內容包括:
				       ·知識模型。知識模型將描述系統的知識和推理需求,包括領域知識、推理知識和任務知識。
				       ·通信模型。通信模型將描述系統之間或系統與用戶之間的需求和接口。
				       ·知識獲取。研究適合高維、海量、異構、不完全、半結構化數據挖掘的有效方法和算法。
				       ·知識組織。研究通過概念語義空間進行知識組織,以期獲得快速檢索和高的查准率。
				       ·語義Web服務。利用語義Web技術改善Web服務,實現服務自動發現和組合。
				       ·統一邏輯。實現本體描述、服務匹配。
				       ·服務管理。面向用戶服務的模式和協議。
				四、自主計算(autonomic computing)
				       IT 系統擁有自我調節能力而無需人為的過多干預, 
				這就是自主計算的思想——將複雜性嵌入到系統設施本身,使用戶覺察不到複雜性, 
				只需發號施令而不必關心系統執行命令的具體過程。這意味著,系統本身能夠自主運行, 
				並自我調整以適應不同的環境。自主計算即得名於人體的自主神經系統,但它們的重要差異在於, 
				人體做出的很多自主決定是不自覺的,而計算機系統的自主計算組件則遵循人所下達的命令。 
				自主計算也不同於人工智能,雖然後者在某些方面對其有借鑒意義。自主計算並不將模仿人類思維作為主要目標,而是 
				具有適應動態變化環境自我管理能力。 主要研究內容包括:
				       ·自配置。使PC可以在無人參與的情況下自動安裝應用程序,可用於包括IBM或其他品牌PC的混合環境; 
				系統移植助理則通過保存用戶的設置,使用戶特殊的數據、應用以及個人設置從舊系統向新系統轉移時更容易。
				
				
       ·自恢復。它能使PC用戶快速、輕鬆地實現文件數據乃至應用程序和操作系統本身的恢復。
				       ·自優化。軟件可以讓用戶輕易地在多種有線或無線的網絡中切換,而不必操心網絡連接時的設置變更過程。
				       ·自保護。利用系統集成的安全芯片和客戶安全軟件,提供了同時基於軟硬件的保護措施。
				 
				 
				五、認知信息學(cognitive informatics)
				1.神經計算
				       側重研究神經網絡變換、神經場計算理論、 
				信念神經網絡模型的學習理論、基於前饋動力學神經網絡的聯想記憶模型、基於遺傳算法的神經網絡算法、 
				神經近似邏輯、思維模型等。取得的研究成果如下: 
				       ·以指數函數為隱單元激發函數的指數神經網絡模型。
				       ·研究了變換神經網絡的競爭學習問題, 提出了適應頻率競爭學習算法, 推廣了 K--中心聚類算法, 
				從而部分地解決了全局等概率性問題。
				       ·神經場計算的理論框架, 用平坦流形上單形、 復形的概念和理論來 作為神經網絡模型結構的表示和編碼機理, 
				通過復形結構的邊緣鏈結構分解, 形成了 對於神經網絡層次化, 功能模塊化的組織結構、 定位機理的認識。
				·在非線性空間和非歐氏空間中基於整體結構逼近的學習理論框架, 在此基礎上 分別提出了對偶校正學習算法(DCL) 
				和基於拓撲結構逼近校正學習算法( TAC)。
				       ·神經近似邏輯,該邏輯能很好地描述神經網絡。神經近似邏輯不僅具有模糊的邏輯值, 而且邏輯運算符也是模糊的。
				       ·連接專家系統。
				2. 學習的認知機理 
				3. 環境認知 
				六、內容計算
				       ·基於內容的多媒體信息檢索。
				       ·智能搜索引擎
				智能信息處理
				
				       為了適應信息時代的信息處理要求,當前信息處理技術向智能化方向發展,從信息的載體到信息處理的各個環節,廣泛地模擬人的智能來處理各種信息。智能信息處理是計算機科學中的前沿交叉學科,是應用導向的綜合性學科,其目標是處理海量和複雜信息,研究新的、先進的理論和技術。智能信息處理研究涵蓋基礎研究、應用基礎研究、關鍵技術研究與應用研究等多個層次。它不僅有很高的理論研究價值,而且對於國家信息產業的發展乃至整個社會經濟建設、發展都具有極為重要的意義 
				。
				
				       開展智能信息處理的基礎理論研究,包括信息和知識處理的數學理論、複雜系統的算法設計和分析、並行處理理論與算法、量子計算和生物計算等新型計算模式、機器學習理論和算法、生物信息和神經信息處理等。以因特網應用為主要背景的特定領域智能信息處理,包括:大規模文本處理、圖像視頻信息檢索與處理、基於 Web 的知識挖掘、提煉和集成等。另外還有商務和金融活動中的智能信息處理,包括電子政務、電子商務、電子金融等,推動智能信息技術在國民經濟各領域的應用,努力實現並提高信息處理技術的社會效應和經濟效益。