參考：

• https://www.youtube.com/watch?v=F-KNDH3m8mw
• https://www.youtube.com/watch?v=t81HiFOqbAs
• https://en.wikipedia.org/wiki/History_of_artificial_intelligence
• http://mp.weixin.qq.com/s?__biz=Mzg2MzAxODA1Mw==&mid=2247494331&idx=1&sn=6e07456b9dc63c65a83414ca53ea9aa3&chksm=ce7da791f90a2e87235cb7c0db64399bca5c88af2ffe6ccc6c0c66cf094190168bf96c09835e&mpshare=1&scene=1&srcid=0219YxHT9rJUk9FTAUuPQ7yQ#rd
• https://mp.weixin.qq.com/s?__biz=Mzg2MzAxODA1Mw==&mid=2247494483&idx=5&sn=967a11e83c5bf2844500c01a6eac7d18&chksm=ce7da679f90a2f6f0693954bc85f513bbc2658de94533373e9bd02ac0f0ae3ff90acae6ec6b7&mpshare=1&scene=1&srcid=#rd
• https://cloud.tencent.com/developer/article/1005143
• https://en.wikipedia.org/wiki/Progress_in_artificial_intelligence
• https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence
• https://en.wikipedia.org/wiki/Timeline_of_machine_learning
• https://zhuanlan.zhihu.com/p/33288542
• http://m.elecfans.com/article/700120.html

1. 神話、小說中的人工智能

機械人和人造生物出現在希臘神話中，例如赫菲斯托斯和皮格馬利翁的加拉提亞的金色機器人。在中世紀，有傳言說秘密的神秘或煉金術方法將心靈置于物質之中，例如Rabbi Judah Loew的Golem。到了19世紀，關于人造人和思維機器的想法是在小說中發展起來的，如瑪麗雪萊的弗蘭肯斯坦或者如下圖，Karel ?apek's?R.U.R. (Rossum's Universal Robots)。
人工智能一直是科幻小說的重要元素。

2.自動機

現實的人形機器人是由來自各個文明的工匠建造的，包括Yan Shi，亞歷山大的英雄，Al-Jazari （如下圖），Pierre Jaquet-Droz和Wolfgang von Kempelen。 已知最古老的機器人是古埃及和希臘的神圣雕像。 忠實的信徒認為，工匠們用非常真實的思想灌輸了這些人物，能夠智慧和情感 - 愛馬仕Trismegistus寫道：“通過發現神靈的真實本質，人類已經能夠重現它。

3.正式推理

人工智能基于人類思維過程可以機械化的假設。機械或正式推理的研究歷史悠久。在公元前一千年，中國，印度和希臘哲學家都制定了正式演繹的結構化方法。幾個世紀以來，他們的思想是由亞里士多德（他對三段論進行了正式分析）等哲學家發展起來的，歐幾里德（其元素是形式推理的模型），al-Khwārizmī（他開發代數并將他的名字命名為“算法”）和歐洲的學者哲學家，如威廉的奧卡姆和鄧斯斯科特斯。

馬略卡哲學家Ramon Llull（1232-1315）開發了幾種專門用邏輯手段生成知識的邏輯機器; Llull將他的機器描述為機械實體，可以通過簡單的邏輯運算將基本和不可否認的事實結合起來，由機器生成機械意義，以產生所有可能知識的方式。Llull的工作對Gottfried Leibniz產生了巨大的影響，后者重新開發了他的想法。

在17世紀，萊布尼茨，托馬斯·霍布斯和勒內·笛卡爾探索了所有理性思想可以像代數或幾何一樣系統化的可能性?；舨妓乖诶S坦寫道：“理智只不過是在推算”。萊布尼茲設想了一種推理的通用語言（特點是普遍性），它會減少對計算的論證，因此“兩個哲學家之間不再需要爭論，彼此說：讓我們來計算。“這些哲學家們已經開始闡明物理符號系統假設，它將成為人工智能研究的指導信念。

在20世紀，數學邏輯的研究提供了必不可少的突破，使人工智能看起來似乎有道理。這些基礎是由布爾的思想法則和弗雷格的Begriffsschrift等作品設定的。在弗雷格系統的基礎上，拉塞爾和懷特黑德在他們的杰作，1913年的Principia Mathematica中對數學基礎進行了正式的處理。受到羅素成功的啟發，大衛希爾伯特向20世紀20年代和30年代的數學家提出挑戰，回答這個基本問題：“可以全部數學推理的形式化是什么？“他的問題由哥德爾的不完全性證明，圖靈的機器和教會的Lambda演算來回答。

他們的答案在兩個方面令人驚訝。 首先，他們證明了數學邏輯可以實現的限制。 但其次（對AI來說更重要）他們的工作表明，在這些限制范圍內，任何形式的數學推理都可以機械化。 Church-Turing論文暗示一個機械裝置，像0和1那樣簡單的改組符號，可以模仿任何可以想象的數學推導過程。 關鍵的洞察力是圖靈機 - 一個簡單的理論構造，捕捉了抽象符號操作的本質。 本發明將激勵少數科學家開始討論思考機器的可能性。

簡單說下圖靈機，如下圖所示，圖靈機是一個虛擬的機器，由數學家阿蘭·圖靈1936年提出來的，盡管這個機器很簡單，但它可以模擬計算機的任何算法，無論這個算法有多復雜。假設有一個無窮的紙帶，紙帶就像一個存儲器一樣。紙帶上面的每個格子是空白的，但是可以讀寫數據，在這個例子里，機器只能寫0，1，或者什么也不寫。這個機器就是包含3個信號的圖靈機。這個機器有一個探頭，這個頭可以移動到每一個空格上，用這個頭，機器可以有3個基本操作。1、 讀空格的數據；2、 編輯數據，可以是寫一個新的數據，可以是擦除數據；3、 移動紙帶向左或者向右，這樣機器可以讀或者編輯旁邊的格子。只要給程序添加足夠多的狀態，我們可以讓圖靈機有更多的功能，理論上可以實現現代計算機能做的一切復雜算法。

4.計算機科學

?計算機器都是古代的許多數學家等（包括哲學家萊布尼茲（Gottfried Leibniz））建造的，并在整個歷史中得到了改進。 在19世紀早期，查爾斯巴貝奇設計了一臺可編程計算機（分析引擎），盡管它從未建成。 Ada Lovelace推測這臺機器“可能構成任何復雜程度或程度的復雜而科學的音樂作品”。（她經常被認為是第一個程序員，因為她寫的一組筆記完全詳細說明了使用引擎計算伯努利數的方法。第一臺現代計算機是第二次世界大戰的大規模破碼機（如Z3，ENIAC和巨像）。 后兩種機器基于Alan Turing 奠定的理論基礎，由John von Neumann開發。

5.人工智能誕生（1952-1956）

在20世紀40年代和50年代，來自各個領域（數學，心理學，工程學，經濟學和政治學）的少數科學家開始討論創造人造大腦的可能性。 人工智能研究領域成立于1956年，是一門學科。

?

• 控制論和早期神經網絡

  對思維機器的最早研究的靈感來自于在20世紀30年代末，20世紀40年代和50年代初流行的各種思想。最近的神經學研究表明，大腦是神經元的電網絡，可以用全有或全無的脈沖發射。 Norbert Wiener的控制論描述了電網中的控制和穩定性。 Claude Shannon的信息理論描述了數字信號（即全有或全無信號）。阿蘭圖靈的計算理論表明，任何形式的計算都可以用數字方式描述。這些想法之間的密切關系表明，有可能構建一個電子大腦。這方面的工作實例包括W. Grey Walter的海龜和約翰霍普金斯野獸等機器人。這些機器不使用計算機，數字電子或符號推理;它們完全由模擬電路控制。Walter Pitts和Warren McCulloch分析了理想化人工神經元的網絡，并展示了它們如何執行簡單的邏輯功能。他們是第一個描述后來研究人員稱之為神經網絡的人。受Pitts和McCulloch啟發的一名學生是年輕的Marvin Minsky，當時是一名24歲的研究生。 1951年（與Dean Edmonds合作），他建造了第一臺神經網絡機器SNARC。明斯基將成為未來50年人工智能領域最重要的領導者和創新者之一。

• 圖靈測試
  1950年，艾倫·圖靈發表了一篇具有里程碑意義的論文，他在論文中推測創造思考機器的可能性。他指出，“思考”很難定義和設計他著名的圖靈測試。 如果機器可以進行與人類交談無法區分的對話（通過電傳打字機），那么說機器是“思考”是合理的。 這個問題的簡化版本讓圖靈能夠令人信服地爭辯說“思維機器”至少是合理的，并且該論文回答了對該命題的所有最常見的反對意見。圖靈測試是人工智能哲學中的第一個嚴肅的提議。
• 游戲AI
  1951年，克里斯托弗·斯特拉希（Christopher Strachey）使用曼徹斯特大學的Ferranti Mark 1機器編寫了一個跳棋程序，迪特里?！て樟制?#xff08;Dietrich Prinz）為國際象棋寫了一個。Arthur Samuel的跳棋計劃是在50年代中期和60年代初期開發的，最終取得了足夠的技能來挑戰一位受人尊敬的業余愛好者。游戲AI將繼續用作衡量AI歷史上進展的指標。
• 符號推理于邏輯理論家

  當在五十年代中期開始使用數字計算機時，一些科學家本能地認識到可以操縱數字的機器也可以操縱符號，符號的操縱很可能是人類思想的本質， 這是創造思維機器的新方法。1955年，艾倫·紐厄爾和（未來的諾貝爾獎獲得者）赫伯特·西蒙創建了“邏輯理論家”（在J. C. Shaw的幫助下）。 該程序最終將證明Russell和Whitehead的Principia Mathematica中的前52個定理中的38個，并為某些人找到新的更優雅的證據。西蒙說，他們“解決了古老的思想/身體問題，解釋了由物質組成的系統如何具有心靈的屬性?！?#xff08;這是John Searle后來稱之為“強AI”的哲學立場的早期陳述。 “：機器可以像人體一樣包含思想。”

• 達特茅斯會議：AI 誕生
  1956年的達特茅斯會議由Marvin Minsky，John McCarthy和兩位資深科學家組成：IBM的Claude Shannon和Nathan Rochester。 會議的提議包含了這樣一個主張：“學習的每個方面或任何其他智能特征都可以如此精確地描述，以便可以使機器模擬它”。 與會者包括Ray Solomonoff，Oliver Selfridge，Trenchard More，Arthur Samuel，Allen Newell和Herbert A. Simon，他們都將在人工智能研究的最初幾十年內創建重要的項目。在會議上，紐厄爾和西蒙首次推出了“邏輯理論家”，麥卡錫說服與會者接受“人工智能”作為該領域的名稱。1956年達特茅斯會議是人工智能獲得其名稱、使命，第一次成功及其主要參與者的時刻，被廣泛認為是人工智能的誕生。
  

6. 黃金歲月（1956-1974）

達特茅斯會議之后的幾年是一個發現的時代，跨越了新的領域。 對大多數人來說，在這段時間內開發的程序只是“令人驚訝”：計算機正在解決代數詞問題，證明幾何定理和學習說英語。 當時很少有人相信機器的這種“智能”行為是可能的。研究人員表達了對私人和印刷品的強烈樂觀態度，預測將在不到20年的時間內建造一臺全智能機器。像DARPA這樣的政府機構將錢投入新領域。

• 工作（推理搜索、自然語言、微觀世界）
  搜索式推理 ：許多早期的AI程序使用相同的基本算法。為了達到某個目標（比如贏得一場比賽或證明一個定理），他們一步步走向它（通過移動或演繹），就好像在迷宮中搜索一樣，只要它們到達死胡同就會回溯。這種范式被稱為“搜索式推理”。

  主要困難在于，對于許多問題，通過“迷宮”的可能路徑的數量僅僅是天文數字（稱為“組合爆炸”的情況）。研究人員會通過使用啟發式或“經驗法則”來減少搜索空間，從而消除那些不太可能導致解決方案的路徑。Newell和Simon試圖在一個名為“一般問題解決者”的程序中捕獲該算法的一般版本；一些“搜索”程序能夠完成令人印象深刻的任務，如解決幾何和代數中的問題，例如Herbert Gelernter的Geometry Theorem Prover（1958）和SAINT，由Minsky的學生James Slagle（1961）撰寫；另一些程序通過目標和子目標進行搜索以計劃行動，例如在斯坦福開發的STRIPS系統，以控制其機器人Shakey的行為。

• 自然語言：人工智能研究的一個重要目標是允許計算機以英語等自然語言進行交流。早期的成功是Daniel Bobrow的計劃學生，它可以解決高中代數詞問題。語義網將概念（例如“房屋”，“門”）表示為節點，并將概念之間的關系（例如“has-a”）表示為節點之間的鏈接。使用語義網的第一個AI程序是由Ross Quillian編寫的，最成功的（也是有爭議的）版本是Roger Schank的概念依賴理論。Joseph Weizenbaum的ELIZA可以進行非常逼真的對話，用戶偶爾也會誤以為他們是在與人交流，而不是與程序交流。但事實上，ELIZA不知道她在說什么。她簡單地給了一個罐頭回應，或者重復回復對她所說的話，用一些語法規則重述她的回答。 ELIZA是第一個聊天機器人。

• 微世界
  在60年代后期，麻省理工學院人工智能實驗室的Marvin Minsky和Seymour Papert提出人工智能研究應該關注人工簡單的微觀世界。他們指出，在像物理這樣的成功科學中，基本原理通常最好用簡化模型來理解，比如無摩擦平面或完全剛體。大部分研究都集中在“塊世界”，它由排列在平面上的各種形狀和大小的彩色塊組成。這種模式導致Gerald Sussman（他領導團隊），Adolfo Guzman，David Waltz（發明了“約束傳播”），特別是Patrick Winston的機器視覺創新工作。與此同時，明斯基和帕珀特建造了一個可以堆疊積木的機器人手臂，將積木世界變為現實。微觀世界計劃的最高成就是Terry Winograd的SHRDLU。它可以用普通的英語句子進行交流，計劃操作并執行它們。

• 樂觀態度?

  第一代AI研究人員對他們的工作進行了這些預測：1958年，H。A. Simon和Allen Newell：“十年之內，數字計算機將成為世界象棋冠軍”，并且“十年內數字計算機將發現并證明一個重要的新數學定理?！?1965年，H。A. Simon：“機器將能夠在二十年內完成人類可以做的任何工作。”?1967年，Marvin Minsky：“在一代人之內......創造'人工智能'的問題將基本得到解決。”[59]
  1970年，Marvin Minsky（生活雜志）：“在三到八年內，我們將擁有一臺具有普通人類智能的機器?！?/p>

• 資助

  1963年6月，麻省理工學院從新成立的高級研究計劃局（后來稱為DARPA）獲得了220萬美元的撥款。這筆資金用于資助項目MAC，該項目包含了五年前由明斯基和麥卡錫創立的“AI集團”。 DARPA繼續每年提供300萬美元，直到70年代。DARPA在CMU和斯坦福AI項目（由John McCarthy于1963年創立）中為Newell和Simon的項目提供了類似的資助。另一個重要的人工智能實驗室于1965年由唐納德·米奇在愛丁堡大學成立。[63]這四個機構多年來將繼續成為學術界人工智能研究（和資金）的主要中心。這些錢幾乎沒有附加條件：當時ARPA主任J. C. R. Licklider認為他的組織應該“資助人，而不是項目！”并允許研究人員追求他們可能感興趣的任何方向。這在麻省理工學院創造了一種隨心所欲的氛圍，催生了黑客文化，但這種“放手”的方法不會持久。

• 機器人
  在日本，早稻田大學于1967年啟動了WABOT項目，并于1972年完成了WABOT-1，這是世界上第一個全尺寸智能人形機器人，或android。 它的肢體控制系統允許它與下肢一起行走，并使用觸覺傳感器用手抓住和運輸物體。 它的視覺系統允許它使用外部感受器，人工眼睛和耳朵測量物體的距離和方向。 它的會話系統允許它用日語與一個人工嘴巴進行交流。

7. 1974-1980 第一次AI 寒冬

在20世紀70年代，人工智能受到批評和金融挫折。 AI研究人員未能意識到他們面臨的問題的困難。 他們極大的樂觀態度提高了人們的預期，當承諾的結果未能實現時，人工智能的資金就消失了。與此同時，連接主義（或神經網絡）領域幾乎完全被Marvin Minsky對感知器的毀滅性批評關閉了10年。盡管在70年代后期公眾對人工智能的看法存在困難，但在邏輯程序設計，常識推理和許多其他領域中探索了新思路。

• 問題
  在七十年代早期，人工智能程序的能力有限。 即使是最令人印象深刻的也只能處理他們應該解決的問題的瑣碎版本; 從某種意義上說，所有的節目都是“玩具”。人工智能研究人員已經開始遇到幾個在20世紀70年代無法克服的基本限制。 雖然其中一些限制將在后來的幾十年中被征服，但其他人仍然阻礙了這一領域的發展。
  有限的計算機能力：沒有足夠的內存或處理速度來完成任何真正有用的東西。例如，羅斯·奎利安（Ross Quillian）在自然語言方面的成功研究只用了二十個單詞的詞匯來證明，因為這就是記憶中的所有內容。Hans Moravec在1976年提出了一個類比：人工智能需要計算機能力，就像飛機需要馬力一樣。低于某個閾值，這是不可能的，但是，隨著功率的增加，最終它會變得容易。
  難以處理和組合爆炸：1972年，理查德卡普表明，有許多問題可能只能在指數時間內（在輸入的大小上）解決。找到這些問題的最佳解決方案需要無法想象的計算機時間，除非問題是微不足道的。這幾乎肯定意味著AI使用的許多“玩具”解決方案可能永遠不會擴展到有用的系統。[80]
  常識知識和推理：許多重要的人工智能應用程序，如視覺或自然語言，只需要大量有關世界的信息：程序需要了解它可能正在查看什么或正在談論什么。這要求程序知道關于孩子所做的世界的大部分相同事情。研究人員很快發現這是一個真正的大量信息。 1970年沒有人可以建立如此龐大的數據庫，沒有人知道程序如何能夠學到如此多的信息。[81]
  Moravec的悖論：證明定理和解決幾何問題對于計算機來說相對容易，但是一個所謂的簡單任務，如識別面部或穿越房間而不碰到任何東西是非常困難的。這有助于解釋為什么到20世紀70年代中期，對視覺和機器人技術的研究進展如此之少?？蚣芎唾Y格問題。使用邏輯的AI研究人員（如John McCarthy）發現，他們不能代表涉及計劃或默認推理的普通推論而不改變邏輯結構本身。他們開發了新的邏輯（如非單調邏輯和模態邏輯）來試圖解決問題。
• 資金結束

  資助人工智能研究的機構（如英國政府，DARPA和NRC）對缺乏進展感到沮喪，并最終切斷了幾乎所有針對AI的無向研究的資金。該模式早在1966年ALPAC報告出現批評機器翻譯工作時便開始了。在花了2000萬美元后，NRC終止了所有支持。1973年，Lighthill關于英格蘭人工智能研究狀況的報告批評了人工智能完全失敗以實現其“宏偉目標”，并導致在該國拆除人工智能研究，報告特別提到組合爆炸問題是人工智能失敗的原因。DARPA對在CMU從事語音理解研究項目的研究人員非常失望，并取消了每年300萬美元的撥款。到1974年，人工智能項目的資金很難找到。漢斯莫拉維克將這場危機歸咎于同事的不切實際的預測。 “許多研究人員被卷入了一個越來越夸張的網絡?！比欢?#xff0c;還有另一個問題：自1969年曼斯菲爾德修正案通過以來，DARPA一直面臨越來越大的壓力，需要資助“以任務為導向的直接研究，而非比基本的無向研究“。為60年代發生的創造性，隨心所欲的探索提供的資金不會來自DARPA。相反，這些錢是針對具有明確目標的特定項目，例如自主坦克和戰斗管理系統。

• 來自校園的批評

  一些哲學家強烈反對人工智能研究人員提出的主張。其中最早的一個是約翰盧卡斯，他認為哥德爾的不完備性定理表明，正式系統（如計算機程序）永遠看不到某些陳述的真實性，而人類卻可以。休伯特·德雷福斯嘲笑20世紀60年代破碎的承諾并批評人工智能的假設，認為人類推理實際上涉及很少的“符號處理”和大量具體的，本能的，無意識的“知道”。1980年提出的約翰塞爾的中國室論證試圖表明，一個程序不能說“理解”它所使用的符號（一種稱為“意向性”的質量）。塞爾認為，如果符號對機器沒有意義，那么機器就不能被描述為“思考”。人工智能研究人員并沒有認真對待這些批評，因為他們似乎離得太遠。難以解決的問題和常識性知識似乎更加直接和嚴肅。當Kenneth Colby根據ELIZA撰寫了一個“可以進行心理治療對話的計算機程序”時，Weizenbaum開始對人工智能產生嚴重的道德懷疑。Weizenbaum感到不安的是，Colby認為一個盲目的程序是一個嚴肅的治療工具。一場仇隙開始了，當科爾比沒有贊揚Weizenbaum對該計劃的貢獻時，情況沒有幫助。 1976年，Weizenbaum發表了“計算機能力與人類理性”，認為濫用人工智能有可能使人的生命貶值。

• 感知者和聯系注意的黑暗時代
  感知器是由弗蘭克羅森布拉特于1958年引入的一種神經網絡形式，弗蘭克羅森布拉特是布朗克斯科學高中的馬文明斯基的同學。像大多數人工智能研究人員一樣，他對自己的能力持樂觀態度，預測“感知器最終可能能夠學習，制定決策并翻譯語言”。在整個20世紀60年代，一個積極的研究計劃進入范式，但隨著明斯基和帕佩特1969年出版的“Perceptrons”一書的出版而突然停止。它表明，感知者可以做的事情有嚴重的局限性，弗蘭克羅森布拉特的預言被夸大了。這本書的效果是毀滅性的：幾乎沒有任何研究在連接主義上進行了10年。最終，新一代研究人員將重振該領域，此后它將成為人工智能的重要和有用的部分。羅森布拉特不會活著看到這一點，因為他在這本書出版后不久就在一次劃船事故中去世了。
• 整潔：邏輯和象征性推理

• 早在1958年，約翰麥卡錫在他的Advice Taker提案中就將邏輯引入人工智能研究。1963年，J。Alan Robinson發現了一種在計算機上實現演繹的簡單方法，分辨率和統一算法。然而，直接的實施，如麥卡錫及其學生在20世紀60年代后期嘗試的那些，特別難以處理：程序需要天文數字的步驟來證明簡單的定理。 20世紀70年代，愛丁堡大學的Robert Kowalski開發了一種更富有成效的邏輯方法，很快就與法國研究人員Alain Colmerauer和Philippe Roussel合作，他們創造了成功的邏輯編程語言Prolog。?正如Dreyfus所說，邏輯方法的批評者指出，人類在解決問題時很少使用邏輯。 Peter Wason，Eleanor Rosch，Amos Tversky，Daniel Kahneman等心理學家的實驗證明了這一點。麥卡錫回答說，人們所做的事情是無關緊要的。他認為真正需要的是可以解決問題的機器 - 而不是像人們那樣思考的機器。

• scruffies 框架和腳本

  麥卡錫方法的批評者是麻省理工學院全國各地的同事。 Marvin Minsky，Seymour Papert和Roger Schank試圖解決諸如“故事理解”和“物體識別”之類的問題，這些問題需要機器像個人一樣思考。為了使用像“椅子”或“餐館”這樣的普通概念，他們必須做出與人們通常做出的相同的不合邏輯的假設。不幸的是，像這些不精確的概念很難在邏輯中表現出來。 Gerald Sussman觀察到“使用精確的語言來描述本質上不精確的概念并不能使它們更精確。”Schank將其“反邏輯”方法描述為“邋”“，而不是”整潔“范式。1975年，明斯基在一篇開創性的論文中指出，他的許多“邋”“研究人員正在使用同樣的工具：一個框架，它捕捉了我們對某些事物的所有常識假設。例如，如果我們使用鳥的概念，就會立即想到一系列事實：我們可以假設它飛行，吃蠕蟲等等。我們知道這些事實并非總是如此，使用這些事實的推論不是“邏輯”的，但這些結構化的假設是我們所說和思考的一切背景的一部分。他將這些結構稱為“框架”。 Schank使用他稱為“劇本”的框架版本來成功回答有關英文短篇小說的問題。多年以后，面向對象編程將采用人工智能研究框架中的“繼承”的基本思想。

8. 繁榮 1980-1987

在20世紀80年代，世界各地的企業采用了一種稱為“專家系統”的人工智能程序，知識成為主流人工智能研究的焦點。 在同一年，日本政府通過其第五代計算機項目積極資助人工智能。 20世紀80年代早期的另一個令人鼓舞的事件是約翰霍普菲爾德和大衛魯梅哈特的工作中聯系主義的復興。 AI再一次取得了成功。

• 專家系統的興起

  專家系統是一個程序，它使用源自專家知識的邏輯規則來回答問題或解決有關特定知識領域的問題。最早的例子是由Edward Feigenbaum和他的學生們開發的。專家系統將自己限制在一個特定知識的小領域（從而避免了常識性知識問題），并且它們的簡單設計使程序的構建相對容易，然后在程序到位后進行修改。總而言之，這些計劃證明是有用的：人工智能迄今未能達到的目標。1980年，CMU為數字設備公司完成了一個名為XCON的專家系統。這是一次巨大的成功：到1986年，它每年為公司節省了4000萬美元。世界各地的公司開始開發和部署專家系統，到1985年，他們花費了超過10億美元用于人工智能，其中大部分用于內部人工智能部門。一個行業成長起來支持他們，包括像Symbolics和Lisp Machines這樣的硬件公司以及IntelliCorp和Aion等軟件公司。

• 知識革命

  “20世紀70年代的一個重要教訓是，智能行為在很大程度上取決于處理知識，有時是非常詳細的知識，涉及特定任務所在的領域?！被谥R的系統和知識工程成為20世紀80年代人工智能研究的主要焦點。20世紀80年代，通過建立一個包含普通人所知道的所有世俗事實的龐大數據庫，第一次嘗試直接攻擊常識性知識問題的Cyc誕生了。啟動并領導該項目的道格拉斯·萊納特認為，沒有捷徑 - 機器了解人類概念意義的唯一方法就是手工教授他們，一次一個概念。該項目預計不會在數十年內完成。國際象棋游戲節目HiTech和Deep Thought在1989年擊敗了國際象棋大師。兩者都是由卡內基梅隆大學開發的; Deep Thought的發展為Deep Blue鋪平了道路。

• 資金匯報

  1981年，日本國際貿易和工業部為第五代計算機項目撥款8.5億美元。 他們的目標是編寫程序并構建可以進行對話，翻譯語言，解釋圖片和人類理性的機器。令人懊惱的是，他們選擇Prolog作為該項目的主要計算機語言。其他國家以自己的新計劃作出回應。 英國開始了3.5億歐元的Alvey項目。 一個由美國公司組成的財團組建了微電子和計算機技術公司（或“MCC”），為人工智能和信息技術的大型項目提供資金。DARPA也做出了回應，創立了戰略計算計劃，并在1984年至1988年期間將其對AI的投資增加了兩倍。

• 復興

  1982年，物理學家John Hopfield能夠證明一種形式的神經網絡（現在稱為“Hopfield網絡”）可以以全新的方式學習和處理信息。 大約在同一時間，Geoffrey Hinton和David Rumelhart推廣了一種訓練神經網絡的方法，稱為“反向傳播”，也稱為Seppo Linnainmaa（1970）發表的自動分化的反向模式，并由Paul Werbos應用于神經網絡。 這兩項發現有助于重振聯系主義領域。新領域是統一的，并受到1986年并行分布處理的出現的啟發 - 由Rumelhart和心理學家James McClelland編輯的兩卷論文集。 神經網絡在20世紀90年代開始商業化，當時它們開始被用作驅動光學字符識別和語音識別等程序的引擎。

9. 第二次AI 寒冬

20世紀80年代，商業界對人工智能的迷戀在經濟泡沫的經典模式中上升和下降。 ?來自機器人相關領域的研究人員Rodney Brooks和Hans Moravec主張采用一種全新的人工智能方法。

• AI 寒冬
  “AI寒冬”一詞是由那些在1974年的資金削減中幸存下來的研究人員創造出來的，當時他們擔心專家系統的熱情已經失控，并且肯定會失望。他們的擔憂是有根據的：在20世紀80年代末和90年代初，人工智能遭遇了一系列金融挫折。天氣變化的第一個跡象是1987年專用AI硬件市場的突然崩潰。來自Apple和I??BM的臺式電腦一直在穩步提高速度和功率，并且在1987年它們變得比由更昂貴的Lisp機器制造的更強大。符號和其他人。沒有充分的理由購買它們。整個行業價值5億美元，一夜之間被拆除。最終，最早成功的專家系統，如XCON，證明維護成本太高。他們很難更新，他們無法學習，他們“脆弱”（當給出不尋常的輸入時，他們可能會犯下怪誕的錯誤），并且他們成為多年前確定的問題（例如資格問題）的犧牲品。專家系統證明是有用的，但僅限于少數特殊情況。在20世紀80年代后期，戰略計算計劃“徹底和殘酷地”削減了人工智能的資金。 DARPA的新領導層已經決定人工智能不是“下一波”，并將資金用于似乎更有可能產生直接結果的項目。到1991年，1981年為日本第五代項目寫下的令人印象深刻的目標清單尚未實現。事實上，其中一些，例如“進行隨意談話”，到2010年尚未實現。與其他人工智能項目一樣，預期比實際可能的要高得多。
  截至1993年底，已有300多家AI公司倒閉，破產或被收購，有效地結束了人工智能的第一次商業浪潮。
• 擁有一個身體的重要性：新的AI和具體的理由

  在20世紀80年代后期，一些研究人員提出了一種基于機器人技術的全新人工智能方法。他們認為，為了顯示真實的智慧，機器需要有一個身體 - 它需要感知，移動，生存和處理世界。他們認為，這些感覺運動技能對于常識性推理等高級技能至關重要，而抽象推理實際上是人類最不感興趣或最重要的技能（參見Moravec's paradox）。他們主張“自下而上”建立情報。這種方法從六十年代以來一直不受歡迎的控制論和控制理論中復活出來。另一個前身是David Marr，他在20世紀70年代后期從理論神經科學的成功背景來到麻省理工學院，領導該小組研究視力。他拒絕所有符號方法（麥卡錫的邏輯和明斯基的框架），認為人工智能需要在任何符號處理發生之前自下而上地理解視覺的物理機制。 （1980年，馬爾的工作將因白血病而縮短。）在1990年的一篇論文中，“大象不玩國際象棋”，機器人研究員羅德尼布魯克斯直接瞄準物理符號系統假設，認為符號并不總是必要的，因為“世界是它自己最好的模型。它是永遠都是最新的。它總是有每一個細節都要知道。訣竅是適當地和經常地感知它?！霸?0世紀80年代和90年代，許多認知科學家也拒絕了頭腦的符號處理模型。并且認為身體對于推理是必不可少的，這個理論稱為具體的心靈論題。

10. 人工智能

現在超過半個世紀的人工智能領域終于實現了一些最古老的目標。 它開始在整個技術行業成功使用， 一些成功是由于計算機能力的提高，有些是通過關注具體的孤立問題并以最高標準的科學責任追求它們來實現的。 盡管如此，至少在商業世界中人工智能的聲譽還不如最初。 在這個領域內，人們幾乎沒有就人工智能未能實現人類智慧的夢想的原因達成一致，這個夢想已經在20世紀60年代俘獲了世界的想象力。 所有這些因素共同幫助將人工智能分解為專注于特定問題或方法的競爭子領域，有時甚至是以掩蓋“人工智能”失去光澤的血統的新名稱。人工智能比以往任何時候都更加謹慎和成功。

• 里程碑和摩爾定律
  1997年5月11日，深藍成為第一個擊敗衛冕世界象棋冠軍加里卡斯帕羅夫的計算機國際象棋游戲系統。超級計算機是由IBM生產的框架的專用版本，并且能夠處理每秒兩次移動的次數，與第一次匹配（Deep Blue失去的）相比，據報道每秒200,000,000次移動。該活動通過互聯網直播，收到超過7400萬次點擊。2005年，斯坦福大學的一個機器人在一條未經研究的沙漠小徑上自動駕駛131英里，贏得了DARPA大挑戰賽。兩年后，CMU的一個團隊贏得了DARPA城市挑戰賽，在城市環境中自主駕駛55英里，同時遵守交通危險和所有交通法規。2011年2月，在危險智力競賽表演比賽，IBM的問答系統，沃森，擊敗了兩個最大的冠軍。這些成功并非由于一些革命性的新范式，而主要是因為工程技術的繁瑣應用以及90年代計算機速度和容量的大幅增加。事實上，Deep Blue的電腦比1951年Christopher Strachey教授下棋的Ferranti Mark 1快了1000萬倍。這種戲劇性的增長是通過摩爾定律來衡量的，摩爾定律預測計算機的速度和內存容量每兩年翻一番。 “原始計算機能力”的根本問題正在慢慢被克服。
• 智能代理
  一種稱為“智能代理人”的新范式在20世紀90年代被廣泛接受。雖然早期的研究人員提出了模塊化的“分而治之”的人工智能方法，但直到朱迪亞·珀爾，艾倫·紐厄爾，萊斯利·卡爾布林和其他人將決策理論和經濟學中的概念引入其中，智能代理才達到其現代形式。人工智能研究。當經濟學家對理性代理人的定義與計算機科學對對象或模塊的定義結合時，智能代理范式就完整了。智能代理是一種能夠感知其環境并采取最大化其成功機會的行動的系統。根據這個定義，解決特定問題的簡單程序就是“智能代理人”，人類和企業組織也是如此。智能代理范式將AI研究定義為“智能代理的研究”。這是對AI的一些早期定義的概括：它不僅僅是研究人類智能;它研究各種情報。該范例賦予研究人員許可研究孤立的問題并找到既可驗證又有用的解決方案。它提供了一種共同語言來描述問題并相互分享他們的解決方案，以及其他也使用抽象代理概念的領域，如經濟學和控制理論。希望有一天，完整的代理體系結構（如Newell的SOAR）可以讓研究人員通過交互智能代理構建更多功能和智能系統。
• “整潔的勝利”
  人工智能研究人員開始比過去更多地開發和使用復雜的數學工具。人們普遍認識到，人工智能需要解決的許多問題已經在數學，經濟學或運籌學等領域的研究人員中得到了解決。共享的數學語言允許與更成熟和成功的領域進行更高水平的合作，并實現可衡量和可證明的結果;人工智能已成為一個更嚴格的“科學”學科。 Russell＆Norvig（2003）將此描述為“革命”和“整潔的勝利”。Judea Pearl 1988年極具影響力的著作將概率和決策理論引入AI。在使用的許多新工具中有貝葉斯網絡，隱馬爾可夫模型，信息理論，隨機建模和經典優化。還為“計算智能”范例（如神經網絡和進化算法）開發了精確的數學描述。
• AI在幕后
  最初由AI研究人員開發的算法開始作為大型系統的一部分出現。人工智能解決了許多非常棘手的問題，他們的解決方案被證明在整個技術行業中很有用，如數據挖掘，工業機器人，物流，語音識別，銀行軟件，醫學診斷和谷歌的搜索引擎。在20世紀90年代和21世紀初期，人工智能領域很少或根本沒有得到這些成功的信譽。人工智能的許多最偉大的創新已經被簡化為計算機科學工具箱中的另一個項目。尼克博斯特羅姆解釋說：“許多尖端人工智能已經過濾到一般應用程序中，通常沒有被稱為AI，因為一旦某些東西變得足夠有用且足夠常見，它就不再被標記為AI了。” 20世紀90年代人工智能的許多研究人員故意用其他名稱來稱呼他們的工作，例如信息學，基于知識的系統，認知系統或計算智能。在某種程度上，這可能是因為他們認為他們的領域與人工智能根本不同，但新名稱也有助于獲得資金。至少在商業世界中，人工智能冬季的失敗承諾繼續困擾人工智能研究進入21世紀，正如“紐約時報”2005年報道的那樣：“Computer scientists and software engineers avoided the term artificial intelligence for fear of being viewed as wild-eyed dreamers.“
• HAL 9000在哪里？（HAL 9000 ?《太空漫游》電影中號稱有完美記錄從不犯錯的人工智能電腦）
  1968年，亞瑟·C·克拉克和斯坦利·庫布里克曾想到，到2001年，一臺機器將擁有一個與人類能力相匹配或超越其能力的機器。他們創造的角色HAL 9000基于許多領先的人工智能研究人員的共識，即這種機器將在2001年存在。2001年，AI創始人Marvin Minsky問道：“問題是為什么我們不能在2001年獲得HAL？”明斯基認為，答案是中心問題，如常識推理，被忽視，而大多數研究人員追求像神經網絡的商業應用或遺傳算法。另一方面，約翰麥卡錫仍然指責資格問題。對于Ray Kurzweil來說，問題在于計算機能力，并且根據摩爾定律，他預測到2029年將出現具有人類智能的機器。杰夫霍金斯認為，神經網絡研究忽略了人類皮層的基本屬性，更喜歡簡單的模型，這些模型已成功解決了簡單的問題。還有許多其他解釋，每個都有相應的研究計劃正在進行中。

11. 深度學習、大數據和人工智能

在21世紀的前幾十年，獲取大量數據（稱為“大數據”），更快的計算機和先進的機器學習技術成功地應用于整個經濟中的許多問題。事實上，麥肯錫全球研究院在其著名論文“大數據：創新，競爭和生產力的下一個前沿”中估計，到2009年，美國經濟中幾乎所有行業的平均存儲數據至少平均為200TB。到2016年，人工智能相關產品，硬件和軟件的市場規模已超過80億美元，“紐約時報”報道對人工智能的興趣達到了“狂熱”。大數據的應用也開始涉及其他領域，例如生態學培訓模型和經濟學中的各種應用。深度學習（特別是深度卷積神經網絡和遞歸神經網絡）的進步推動了圖像和視頻處理，文本分析甚至語音識別的進步和研究。

• 深度學習
  深度學習是機器學習的一個分支，它通過使用具有許多處理層的深度圖來模擬數據中的高級抽象。根據通用近似定理，神經網絡不需要深度就能夠逼近任意連續函數。即便如此，深層網絡有助于避免淺層網絡（例如過度擬合）常見的許多問題。因此，與淺層對應物相比，深度神經網絡能夠逼真地生成更復雜的模型。然而，深度學習本身存在問題。遞歸神經網絡的一個常見問題是消失的梯度問題，即在層之間傳遞的梯度逐漸收縮并且隨著它們四舍五入到零而逐漸消失。已經開發了許多方法來解決這個問題，例如Long短期記憶單元。最先進的深度神經網絡架構有時甚至可以在計算機視覺等領域與人類的準確性相媲美，特別是在MNIST數據庫和交通標志識別等領域。由智能搜索引擎驅動的語言處理引擎可以很容易地擊敗人類來回答一般的瑣事問題（例如IBM Watson），并且深度學習的最新發展在與人類競爭中產生了驚人的結果，例如Go和Doom（其中，第一人稱射擊游戲，引發了一些爭議）。
• 大數據
  大數據是指在特定時間范圍內傳統軟件工具無法捕獲，管理和處理的數據集合。 這是一個需要新處理模型的大量決策，洞察力和流程優化功能。 在Victor Meyer Schonberg和Kenneth Cooke撰寫的大數據時代，大數據意味著所有數據都用于分析，而不是隨機分析（樣本調查）。 大數據的5V特性（由IBM提出）：Volume，Velocity，Variety，Value，Veracity。 大數據技術的戰略意義不是掌握大量數據信息，而是專注于這些有意義的數據。 換句話說，如果將大數據比作一個行業，那么實現該行業盈利能力的關鍵是增加數據的“過程能力”，并通過“處理”實現數據的“增值”。
• 人工智能
  人工智能是計算機科學的一個分支，它試圖理解智能的本質，并產生一種新的智能機器，其響應方式與人類智能類似。該領域的研究包括機器人技術，語音識別，圖像識別，自然語言處理和專家系統。自人工智能誕生以來，理論和技術日趨成熟，應用領域不斷擴大。可以想象，未來人工智能帶來的技術產品將成為人類智慧的“容器”。人工智能可以模擬人類意識和思維的信息過程。人工智能不是人類智能，但它可以像人類思維一樣，也可能超過人類的智慧。人工智能也被稱為“強AI”，“完全AI”??或機器執行“一般智能行動”的能力。學術界保留“強AI”來指代能夠體驗意識的機器。

?了解完這段歷史，覺得一個學科的發展真是一波好幾折啊，這中間更離不開基礎設施、基礎學科的發展。

總結

以上是生活随笔為你收集整理的Task1.2 A.I. 发展史的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。