半个世纪以来，人工智能一直是计算技术发展的梦想，它总是遥不可及。但是有许多方法可以部署产生实际收益的人工智能。
20世纪60年代的人们对人工智能充满了美好的未来愿景，但这一前景在半个世纪后仍未实现。而人们如今确信，尽管早期的进展比较缓慢，但真正实现了人工智能的应用愿景。似乎每一个采用软件的产品都在声称采用了人工智能技术。面对这些宣传和炒作，人们必须对人工智能的现实发展有着清醒的认识。
人工智能的下一件大事
人们对人工智能的应用正处于兴奋的阶段。在某些方面，由于处理能力的新发展，人工智能被吹捧为最终走向现实。人们再一次对生活被彻底颠覆以及工作被智能机器所取代的愿景充满了幻想。廉价图形处理单元的可用性已经使卷积神经网络在某些应用(例如图像识别)方面具有商业实用性。并且几乎所有市场上的软件都被广告宣传为“由人工智能驱动”，但在企业将其业务的未来发展寄托在人工智能之前，对一些现实保持清醒的头脑是明智的。
长期以来，实用的人工智能一直是“下一个大事件”。它承诺在日常工作中减轻人们的负担，同时帮助人们实现难以想象的科学和工程成就。也有更多的反乌托邦式的设想，即人工智能取代了广大劳动力，导致大量的工作岗位被人工智能驱动的机器所取代，甚至有些人得出结论：人类是多余的和低效的，将会在电影《终结者》中设想的那样发生人类和机器之间将会发生终极战争。
这些愿景在很长一段时间内都不可能实现。大约20年前，一位专家提出了人工智能代表的是“人工智能不是发明的”这一观点，他当时的观点是对的，现在这么说也是对的。人工智能的实际应用已经成熟。然而，这些应用是有限的，值得注意的是，通用人工智能还像以往一样遥远。
定义人工智能
当大多数人听到“人工智能”一词时，通常就会想到科幻小说中描述的人工智能，它可以响应一些模棱两可的语音命令，并执行复杂的计算和逻辑行为。这些令人印象深刻的机器得出的结论是，人类由于记忆力有限以及推理能力较慢，最终将被人工智能超越，但这是一个不精确的、不正确的定义，其原因很简单，人们很难定义“智能”。
抛开所谓的智力测验，例如智商(IQ)测验或学术成就测验，例如用于大学入学的测验。
大多数人都知道人们认为非常聪明的人由于各种原因在这些测试中得分不高。相反，出于讨论目的，需要考虑储存和回忆、关联和推理，以及将创造性的解决方案应用于新情况等能力的组合。
诚然，这个定义是有限和不精确的，但是人们对于人类大脑功能的理解也是如此。事实上，人类的思维远远超出了自己的理解，以至于人们甚至无法就人类思维意味着什么达成共识。但是，这种智能定义将满足随后讨论人工智能功能的需求。
为了理解真正的智能到底离人们有多远，建议阅读行业专家Douglas Hofstadter关于这个主题撰写的一本开创性著作，该著作涉及哥德尔、埃舍尔、巴赫等理论。这本书著于40年前，它分解了最低层次思考的含义，并深入研究了简单的数学概念，以及人们在日常生活中使用算术时如何思考令人难以置信的抽象概念。人们发现这是一本很有启发性的著作，它使人们认识到通用人工智能比想象的要远得多。考虑一下：对计算机编程以正确执行数学计算，人们必须以惊人的精确度理解各个方面。如果人们甚至不理解智能是什么，那么怎么可能把计算机编程成真正的智能?
可实现的人工智能
人们不可能将计算机编程视为真正的智能，但可以将计算机编程看作一种有限的智能，特别是在专业领域中。IBM公司推出的Watson可能是这种机器很著名的例子，但是即使Watson也有一些明显的局限性。无论如何，大多数企业没有安装和使用Watson规模的人工智能项目所需的资源。
但是，在有限的技术范围内，还有另一条途径可以实现人工智能的一些好处。最基本的第一步是改进数据建模。正如专家所述，以本体的形式定义数据模型是一个好主意，因为它可以帮助人们定义数据的语法和语义。
使用Web本体语言(OWL)建模的数据以支持机器推理的格式进行记录，这是一种简单但功能强大的基本人工智能。因为Web本体语言(OWL)建立在称为“描述逻辑”的推理分支中，所以它适合许多基于逻辑的推理过程，这些过程都是强大又可解释的。随着在医疗和军事行动等应用中部署基于人工智能的应用程序，解释人工智能过程如何到达其结果的能力变得越来越重要。在基于人工智能辅助推荐的基础上做出任何重要决定之前，用户正确地希望理解人工智能将如何得出这个结论。这推动了人们对“可解释人工智能”的渴望。
卷积神经网络(CNN)可以执行令人印象深刻的图像识别功能，但是很难准确地跟踪它们如何做出决定。分类和比较有很多层次，其最终结果非常准确并且一致。但这并不意味着人们可以真正解释卷积神经网络(CNN)如何得出每个图像的决定。
与其相反，当数据模型使用Web本体语言(OWL)或其他形式逻辑表示(例如公共逻辑)形式化时，人们可以编写推理规则，并使用形式逻辑规则应用它们。考虑一个简单的示例：创建一个简单的数据模型，其中包含一个类“Person”，具有 “name”和“sex” 两个属性。在Person类的实例之间可以建立两种关系：“has_parent”和“has_sibling ”。通过这个简单的模型，人们可以存储诸如PersonA has_sibling PersonB和PersonB has_Parent PersonC之类的数据。
采用一个简单的规则，例如“如果Person1 has_sibling person2，并且Person2 sex = Female，然后Person1 has_sister Person2”，就可以推断出数据库中每个人的新知识(请记住，原始数据模型不包括sister的概念)。人们可以使用类似的规则来推断关系，例如祖父母、兄弟、表弟以及其他人。而且由于这都是建立在形式逻辑上的，因此其结果是完全可以解释的。但其结果超出了可解释的范围，并证明是正确的。
可以使用现成的推理技术(商业和开源)进行这种推断。诸如Protégé之类的本体编辑工具可以使用诸如HermiT和Pellet之类的多种推理引擎。有许多数据库和分析产品都支持这种基于逻辑的推理，并且在正确配置它们之后，其性能可与其他数据库技术相媲美。
基于逻辑的推理无法为人们提供可以讨论黑格尔哲学精髓或编写钢琴奏鸣曲的人工智能系统。但是可以为人们提供可以执行许多常规数据处理任务的人工智能系统。
