成为科学（年—现在）

近些年来我们可以看到在人工智能研究的内容和方法论方面发生的革命[16]。现在更普遍的是在已有理论的基础上进行研究而不是提出崭新的理论，把主张建立在严格的定理或者确凿的实验证据的基础上而不是靠直觉，显示与现实世界的应用的相关性而不是与玩具样例的相关性。

AI的建立，部分是出于对类似控制论和统计学等已有理论的局限性的叛逆，但是它现在开始接受那些领域。正如David McAllester（1998）指出的：

在AI的早期，符号计算的新形式是值得称道的，例如框架和语义网络，它们使得很多经典理论失效。这导致形成一种孤立主义，AI与计算机科学的其它领域之间出现巨大的鸿沟。这种孤立主义目前正在逐渐被抛弃。人们开始认识到，机器学习不应该和信息论分离，不确定推理不应该和随机模型分离，搜索不应该和经典的优化与控制分离，自动推理不应该和形式化方法与静态分析分离。

在方法论方面，AI最终成为坚实的科学方法。为了被接受，假设必须以严格的经验实验为条件，结果的重要性必须经过严格的分析（Cohen，1995）。通过利用 Internet 和共享测试数据库及代码，现在重复实验是可能的。

语音识别领域图示了这种模式。在20世纪70年代，人们尝试了范围很宽的不同体系结构与方法的变种。这些尝试很多相当特别和脆弱，仅仅在很少的特定样本上进行了演示。近些年，基于隐马尔可夫模型（HMM）的方法开始统治这个领域。HMM的两个方面是重要的。首先，它们建立在严格的数学理论基础上。这允许语音的研究者们以其它领域中发展了数十年的数学成果为根据。其次，它们是通过在很大量的真实语音数据的语料库上的训练过程生成的。如此保证了性能是鲁棒的，而且在严格的盲目测试中，HMM 稳定地提高着它们的得分。语音技术和与之有关联的手写字符识别已经开始转向在工业和个人应用中广泛使用。

神经元网络也符合这个趋势。很多神经元网络方面的工作在20世纪80年代得以完成，人们试图划定到底能做什么的范围和了解神经元网络与“传统”技术之间到底有多大差别。通过改进的方法论和理论框架，对这个领域的理解达到了一个新的程度，神经元网络可以和统计学、模式识别、机器学习等领域的对应技术相提并论，并且其最有前途的技术可以用在每个应用程序上。作为这些发展的结果，所谓数据挖掘技术促生了一个有活力的新工业。

随着研究兴趣的复苏（Perter Cheeseman（1985）在文章“保卫概率”（In Defense of Probability）中进行了概括），Judea Pearl（1988）的《智能系统中的概率推理》（Probabilistic Reasoning in Intelligent Systems）导致了 AI 对概率和决策理论的新的接纳。贝叶斯网络的形式化方法被发明出来以允许针对不确定知识的充分表示和严格推理。这种方法克服了20世纪60年代和70年代的概率推理系统的很多问题；它目前在不确定推理和专家系统的 AI 研究中占统治地位。这种方法允许根据经验进行学习，并且把传统AI和神经元网络的最好部分结合起来。Judea Pearl（1982a）的工作与Eric Horvitz和David Heckerman（Horvitz和Heckerman，1986；Horvitz等人，1986）的工作促进了规范专家系统的思想：它们根据决策理论的法则理性地行动，不试图模仿人类专家的思考步骤。WindowsTM操作系统包含了一些用于纠正错误的规范诊断专家系统。第十三章到第十六章将论及这个领域。

同样温和的革命也发生在机器人技术、计算机视觉和知识表示领域。对于问题和它们的复杂特性的更好理解，结合不断增加混入的数学成分，引发了一些可行的研究工作安排和鲁棒的方法。在很多情况下，形式化和专门化也导致了分裂：诸如视觉和机器人技术的话题日益从“主流”AI研究工作中分离出来。把人工智能视为理性智能体设计的一体化观点，是一种可以重新给这些分离的领域带来统一的观点。