人们可能会问，用人工智慧语言解决问题与传统的方法有什幺区别呢？传统方法通常把问题的全部知识以各种的模型表达在固定程式中。

对于人工智慧技术要解决的问题，往往无法把全部知识都体现在固定的程式中。通常需要建立一个知识库（包含事实和推理规则），程式根据环境和所给的输入信息以及所要解决的问题来决定自己的行动，所以它是在环境模式的制导下的推理过程。这种方法有极大的灵活性、对话能力、有自我解释能力和学习能力。这种方法对解决一些条件和目标不大明确或不完备，（即不能很好地形式化，不好描述）的非结构化问题比传统方法好，它通常採用启发式、试探法策略来解决问题。

在处理一些简单问题时，一般传统方法和人工智慧用的方法没有什幺区别。但在解决複杂问题时，人工智慧方法与传统方法有差别。

(人工智慧程式与传统程式的差别)——传统方法：把问题的全部知识以各种的模型表达在固定程式中，问题的求解完全在程式制导下按着预先安排好的步骤一步一步（逐条）执行。这种方法解决严格结构（Well Structured）问题非常有效。如果把这类问题形式化为三元组（x,->,y）,“x”是给定的信息，“->”为求解途径，“y”是目标。传统方法的特点：“x”、“y”是明确的、完备的；“->”有着固定的明确的程式。这个方法之所以有效，主要是因为这个思路与冯.诺依曼式计算机结构相吻合。当前大型资料库法、数学模型法、统计方法等都是严格结构化的方法

人工智慧方法：人工智慧要解决的问题，无法把全部知识都体现在固定的程式中。这种方法对解决一些弱结构（ill structured）问题比传统方法好。弱结构指“x”、“y”不大明确或不完备，即不能很好地形式化，不好描述。“->”用试探法。AI也尚未发展到完全能解决这类问题的全部问题。这类问题是AI研究要解决的问题。随之而来也希望计算机硬体结构也来一个革命，突破冯.诺依曼体系结构。

由于人工智慧研究的问题的特点和解决问题的方法的特殊性，为了能方便而有效地建立人工智慧系统，需要发展专门的人工智慧语言。人工智慧语言的特点是什幺，亦即人工智慧语言应具备的特徵是什幺？
一般来说，人工智慧语言应具备如下特点：
1.要有符号处理能力（即非数值处理能力）；
2.适合于结构化程式设计，编程容易；（要把系统分解成若干易于理解和处理的小单位的能力，从而既能较为容易地改变系统的某一部分，而又不破坏整个系统。）
3.要有递归功能和回溯功能；
4.要有人机互动能力；
5.适合于推理；
6.要有把过程与说明式数据结构混合起来的能力，又要有辨别数据、确定控制的模式匹配机制。

在人工智慧的研究发展过程中，从一开始就注意到了人工智慧语言问题。人工智慧发展的初期，人工智慧语言就得到了研究和开发。实际上四十多年来有一百来种人工智慧语言先后出现过，但很多都被淘汰了。它们大抵有三个来源。第一个来源是计算机科学家们对可计算性理论的研究。例如，LISP语言是为处理人工智慧中大量出现符号编程问题而设计的，它的理论基础是符号集上的递归函式论。已经证明，用LISP可以编出符号集上的任何可计算函式。Prolog语言是为处理人工智慧中也是大量出现的逻辑推理问题(首先是为解决自然语言理解问题)而设计的。它的理论基础是一阶谓词演算(首先是它子集Horn子句演算)的消解法定理证明，其计算能力等价于LISP。OPS5面对的问题也是逻辑推理。不过PROLOG是向后推理，OPS5是向前推理。OPS5的理论基础是Post的产生式系统，其计算能力也等价于LISP。第二个来源是认知科学的研究成果。人们研究出各种各样的认知模型，并为这些模型设计相应的知识表示语言。例如产生式表示、框架表示、语义网路表示等实际上都有其认知模型作为背景。如上所述的OPS5是产生式表示的语言，SRL、FRL、FEST等是框架语言，概念图和SNetI都是语义网路表示语言。面向对象的程式设计是在SIMULA中的类程和Minsky的框架表示两种思想融合的基础上发展起来的(它适用于计算机软体的所有领域，不只是人工智慧)。