數據、算力和算法是AI發展的三大基石。數據和算力是AI發展的物質基礎，算法則是AI發展的靈魂。算法能夠指數級地釋放數據和算力的價值，應用好、改進好算法成為新一輪AI技術發展的關鍵。AI領域較為知名的算法包括感知器、聚類算法、決策樹、支持向量機和卷積神經網絡等。
1、感知器
美國計算機科學院羅森布拉特（F.Roseblatt）于1957年提出感知器，是神經網絡第一個里程碑算法。所謂感知器，是一種用于二分類的線性分類模型，其輸入為樣本的特征向量，計算這些輸入的線性組合，如果輸出結果大于某個閥值就輸出1，否則輸出-1。作為一個線性分類器，感知器有能力解決線性分類問題，也可用于基于模式分類的學習控制中。感知器只能解決簡單的線性分類問題，應用面很窄，但是在人工智能發展中起到了很大推動作用，由于是第一個神經網絡算法，吸引了大量學者對神經網絡開展研究，同時感知器也為后期更復雜算法如深度學習奠定基礎。
2、聚類算法
從機器學習的角度，聚類算法是一種“無監督學習”，訓練樣本的標記信息是未知的，根據數據的相似性和距離來劃分，聚類的數目和結構沒有事先給定。聚類的目的是尋找數據簇中潛在的分組結構和關聯關系，通過聚類使得同一個簇內的數據對象的相似性盡可能大，同時不在同一個簇中的數據對象的差異性也盡可能地大。在人工智能中，聚類分析亦被稱為“無先驗學習”，是機器學習中的重要算法，目前被廣泛應用于各種自然科學和工程領域。
目前已經提出多種聚類算法，可分為：劃分方法、層次方法、基于密度的方法、基于網格的方法和基于模型的方法。其中著名的分類算法k-means算法就是基于劃分的聚類算法。
3、決策樹
決策樹是一種簡單卻使用廣泛的分類器，通過訓練數建立決策樹對未知數據進行高效分類。一棵決策樹一般包括根結點、內部結點和葉子結點；葉子結點對應最終決策結果，每一次劃分過程遍歷所有劃分屬性找到最好分割方式。決策樹的目標是將數據按照對應的類屬性進行分類，通過特征屬性的選擇將不同類別數據集合貼上對應的類別標簽，使分類后的數據集純度最高，而且能夠通過選擇合適的特征盡量使分類速度最快，減少決策樹深度。
4、支持向量機
支持向量機SVM（Support Vector Machine）是由Cortes和Vapnik于1995年首先提出的，它是一種基于統計學習的機器學習方法，在小樣本分類上也能獲得良好統計規律。同時，由于在文本分類中表現出特有的優勢，成為當時機器學習領域研究的熱點。SVM的學習方法主要包括線性可分向量機、線性支持向量機以及非線性支持向量機。
SVM通過建立一個最優決策超平面，使得該平面兩側距平面最近的兩類樣本之間的距離最大化，從而對分類問題提供良好的泛化能力。SVM采用核函數技巧將原始特征映射到更高維空間，解決原始低緯空間線性不可分的問題。通過將復雜的模式分類問題非線性投射到更高維空間變成線性可分的，SVM算法可在特征空間建立分類平面，解決非線性可分的問題。其學習策略是間隔最大化，將分類問題轉化為一個凸二次規劃問題的求解。
5、卷積神經網絡
卷積神經網絡（CNN）是近年發展起來，并引起廣泛重視的一種高效識別方法。CNN受生物自然視覺認知機制啟發而來。一般地，其基本結構包括兩層，一是特征提取層，每個神經元的輸入與前一層的局部接受域相連，并提取該局部的特征。一旦該局部特征被提取后，它與其它特征間的位臵關系也隨之確定下來；二是特征映射層，網絡的每個計算層由多個特征映射組成，每個特征映射是一個平面，平面上所有神經元的權值相等。特征映射結構采用影響函數核小的sigmoid函數作為卷積網絡的激活函數，使得特征映射具有位移不變性。此外，由于一個映射面上的神經元共享權值，因而減少了網絡自由參數的個數。卷積神經網絡中的每一個卷積層都緊跟著一個用來求局部平均與二次提取的計算層，這種特有的兩次特征提取結構減小了特征分辨率。
