人工智能（artificial intelligence，ai）是计算机科学的一个分支，它试图理解和构建智能的系统，使机器能够执行通常需要人类智能才能完成的任务，如视觉感知、语音识别、决策制定等。人工智能的核心和基础包括以下几个方面：
1. 机器学习（machine learning）：机器学习是人工智能的一个重要分支，它通过让计算机从数据中学习和改进，而不是通过明确的编程来实现任务。机器学习算法可以处理大量的数据，并从中提取模式和知识，以做出预测或决策。
2. 深度学习（deep learning）：深度学习是一种基于神经网络的机器学习方法，它模仿了人脑的工作方式。深度学习模型通常包含多层的神经元网络，这些网络可以从大量数据中学习复杂的特征表示，从而实现对图像、语音、文本等数据的处理和分析。
3. 自然语言处理（natural language processing, nlp）：自然语言处理是研究如何使计算机能够理解、解释和生成人类语言的技术。nlp涵盖了多个子领域，如语法分析、语义理解、机器翻译、情感分析等。nlp的目标是让计算机能够像人类一样理解和使用自然语言。
4. 计算机视觉（computer vision）：计算机视觉是让计算机能够理解和处理视觉信息的技术。这包括图像识别、目标检测、场景理解等任务。计算机视觉的目标是让计算机能够像人类一样“看”世界。
5. 专家系统（expert systems）：专家系统是一种基于规则的人工智能系统，它模拟了人类专家在特定领域的知识和经验。专家系统使用一组预先定义的规则来解决问题，并根据新的证据调整其知识库。
6. 知识表示与推理（knowledge representation and reasoning）：知识表示是将现实世界的信息转换为计算机可以理解的形式，而知识推理则是根据已有的知识进行逻辑推断和问题解决。知识表示和推理是实现人工智能系统中知识处理的基础。
7. 计算理论（computational theory）：计算理论是研究计算过程和算法的理论，它为人工智能提供了理论基础。计算理论包括图论、组合数学、概率论等，这些理论对于设计和分析人工智能算法至关重要。
8. 硬件支持（hardware support）：虽然人工智能的核心是软件和算法，但硬件的支持也是必不可少的。高性能的处理器、大容量的内存、高速的网络连接等硬件设施为人工智能系统的运行提供了必要的条件。
9. 数据资源（data resources）：人工智能的发展离不开丰富的数据资源。无论是机器学习还是深度学习，都需要大量的标注数据来训练模型。此外，数据的多样性和质量也是影响人工智能性能的重要因素。
10. 跨学科合作（interdisciplinary collaboration）：人工智能是一个多学科交叉的领域，涉及计算机科学、心理学、神经科学、哲学等多个学科。跨学科的合作有助于推动人工智能技术的发展，解决实际问题。
总之，人工智能的核心和基础包括机器学习、深度学习、自然语言处理、计算机视觉、专家系统、知识表示与推理、计算理论、硬件支持以及数据资源和跨学科合作。这些技术和理论共同构成了人工智能的基础，为人工智能的发展和应用提供了坚实的支撑。
