下载掌阅APP，畅读海量书库
立即打开
人工智能的传说可以追溯到古埃及，但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”一词最初是在1956年DARTMOUTH学会上提出的，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从60年前出现至今，已经出现了许多AI程序，并且它们也影响到了其他技术的发展。
1955年，纽厄尔和司马贺（卡内基梅隆大学计算机系创立者）编制了一个名为逻辑专家的程序，这个程序被认为是人工智能应用的开端，是第一个AI程序。
1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。
1957年康奈尔大学的实验心理学家弗兰克·罗森布拉特在一台IBM-704计算机上模拟实现了一种他发明的叫作“感知机”（Perceptron）的神经网络模型。这个模型可以完成一些简单的视觉处理任务。这引起了轰动。
在这之后，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”大批科学家开始研究人工智能，在初期受到显著成果和乐观精神驱使的很多美国大学，如麻省理工大学、卡内基梅隆大学、斯坦福大学和爱丁堡大学，都很快建立了人工智能项目及实验室，同时他们获得来自APRA（美国国防高级研究计划署）等政府机构提供的大批研发资金，并取得了一批显著的成果。这段时间的重要工作包括通用搜索方法、自然语言处理及机器人处理积木问题等，主要是方法和算法的研究，离实用相差甚远，但是整个行业的乐观情绪让人工智能获得了不少的投资，获得的重要成果包括机器定理证明、跳棋程序、通用解题机、LISP表处理器语言等。
（一）人工智能的第一次繁荣
1958年，约翰·麦卡锡发明Lisp计算机分时编程语言，该语言至今仍在人工智能领域广泛使用。同年，美国国防部先进研究项目局（Defense Advanced Research Projects Agency）成立，主要负责高新技术的研究、开发和应用。50多年来，DARPA已为美军研发成功了大量的先进武器系统，同时为美国积累了雄厚的科技资源储备，并且引领着美国乃至世界军民高技术研发的潮流。
1962年，世界上首款工业机器人“尤尼梅特”开始在通用汽车公司的装配线上服役。
1963年6月，MIT从新建立的ARPA（即后来的DARPA，国防高等研究计划局）获得了220万美元经费，用于资助MAC工程，其中包括明斯基和麦卡锡5年前建立的AI研究组。此后ARPA每年提供300万美元，直到70年代为止。
1964年，IBM 360型计算机成为世界上第一款规模化生产的计算机。
早在1958年，约翰·麦卡锡就提出了名为“纳谏者”的一个程序构想，将逻辑学引入AI研究界。然而，根据60年代末麦卡锡和他的学生们的工作，对这一想法的直接实现具有极高的计算复杂度：即使是证明很简单的定理也需要天文数字的步骤。麦卡锡认为，人类怎么思考是无关紧要的：真正想要的是解题机器，而不是模仿人类进行思考的机器。麦卡锡等人一派被称为“简约派”。
1966年到1972年间，美国斯坦福国际研究所（Stanford Research Institute, SRI）研制了移动式机器人Shakey，并为控制机器人而开发了STRIPS系统，Shakey是首台采用了人工智能学的移动机器人，引发了人工智能早期工作的大爆炸。
1966年，MIT的魏泽堡发布了世界上第一个聊天机器人Eliza。Eliza的智能之处在于它能通过脚本理解简单的自然语言，并能产生类似人类的互动。而其中最著名的脚本便是模拟罗吉斯心理治疗师的Doctor。
1968年12月9日，加州斯坦福研究所的道格·恩格勒巴特发明计算机鼠标，构想出了超文本链接概念，它在几十年后成了现代互联网的根基。恩格尔巴特提倡“智能增强”而非取代人类，被誉为“鼠标之父”。
1972年，维诺格拉德在美国麻省理工学院建立的一个用自然语言指挥机器人动作的系统SHRDLU，它能用普通的英语句子与人交流，还能做出决策并执行操作。
（二）第一次遇到瓶颈
20世纪70年代初，AI遭遇了瓶颈。当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。要求程序对这个世界具有儿童水平的认识，研究者们很快发现这个要求太高了：1970年没人能够做出如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。由于缺乏进展，对AI提供资助的机构（如英国政府、DARPA和NRC）对无方向的AI研究逐渐停止了资助。NRC（美国国家科学委员会）在拨款二千万美元后停止资助。
1977年，SRI的人工智能研究员哈特和杜达开发了Prospector，用于探测矿藏。约翰·塞尔于1980年提出“中文房间”实验，试图证明程序并不“理解”它所使用的符号，即所谓的“意向性”问题。同时一些学者认为，如果符号对于机器而言没有意义，那么就不能认为机器是在“思考”。
（三）专家系统的推广
1980年，卡内基梅隆大学为数字设备公司设计了一套名为XC0N的“专家系统”。专家系统的能力来自于它们存储的专业知识。知识库系统和知识工程成为了80年代AI研究的主要方向。这是一种采用人工智能程序的系统，可以简单地理解为“知识库+推理机”的组合，XC0N是一套具有完整专业知识和经验的计算机智能系统。这套系统在1986年之前能为公司每年节省超过四千美元经费。有了这种商业模式后，衍生出了像Symbolics、Lisp Machines和IntelliCorp、Aion等这样的硬件、软件公司。在这个时期，仅专家系统产业的价值就髙达5亿美元。
第一个试图解决常识问题的程序也在80年代出现，其方法是建立一个容纳一个普通人知道的所有常识的巨型数据库。
1981年，日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。其他国家纷纷做出响应，DARPA也行动起来，组织了战略计算促进会，其1988年向AI的投资是1984年的3倍。
80年代早期另一个令人振奋的事件是约翰·霍普菲尔德和大卫·鲁姆哈特使神经网络重获新生。AI再一次获得了成功。
1982年年初，硅谷著名人工智能公司Teknowledge终于能够用两个月的时间处理100万美元的业务了。
1986年，在里根时代“星球大战计划”（SDI）的推动下，美国与人工智能相关的软硬件销售额高达4.25亿美元。
可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。仅仅在维持了7年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时，苹果和IBM生产的台式机性能都超过了Symbolics等厂商生产的通用型计算机，专家系统自然风光不再。
到80年代晚期，DARPA的新任领导认为人工智能并不是“下一个浪潮”；1991年，人们发现日本人设定的“第五代工程”也没能实现。这些事实情况让人们从对“专家系统”的狂热追捧中一步步走向失望。人工智能研究再次遭遇经费危机。人工智能再一次成为浩瀚太平洋中那一抹夕阳红。
（四）第三次发展与深度学习阶段
年过半百的AI终于实现了它最初的一些目标。它已被成功地用在技术产业中，不过有时是在幕后。这些成就有的归功于计算机性能的提升，有的则是在高尚的科学责任感驱使下对特定的课题不断追求而获得的。不过，至少在商业领域里AI的声誉已经不如往昔了。各种因素的合力将AI拆分为各自为战的几个子领域，有时候它们甚至会用新名词来掩饰“人工智能”这块被玷污的金字招牌。AI比以往的任何时候都更加谨慎，却也更加成功。
1997年5月11日，“更深的蓝”成为战胜国际象棋世界冠军卡斯帕罗夫的第一个计算机系统。
90年代，被称为“智能代理”的新范式被广泛接受。尽管早期研究者提出了模块化的分治策略，但是直到朱迪亚·珀尔、纽厄尔等人将一些概念从决策理论和经济学中引人AI之后现代智能代理范式才逐渐形成。当经济学中的“理性代理”与计算机科学中的“对象”或“模块”相结合，“智能代理”范式就完善了。
越来越多的AI研究者们开始开发和使用复杂的数学工具。人们广泛地认识到，许多AI需要解决的问题已经成为数学、经济学和运筹学领域的研究课题。数学语言的共享不仅使AI可以与其他学科展开更高层次的合作，而且使研究结果更易于评估和证明。AI已成为一门更严格的科学分支。这些变化被视为一场“革命”和“简约派的胜利”。
AI研究者们开发的算法开始变为较大系统的一部分。AI曾经解决了大量的难题，这些解决方案在产业界起到了重要作用。应用了AI技术的有数据挖掘、工业机器人、物流、语音识别、银行业软件、医疗诊断和Google搜索引擎等。
90年代的许多AI研究者故意用其他一些名字称呼他们的工作，例如信息学、知识系统、认知系统或计算智能。部分原因是他们认为他们的领域与AI存在根本的不同，不过新名字也有利于获取经费。
2005年，斯坦福开发的一台机器人在一条沙漠小径上成功地自动行驶了131英里，赢得了DARPA挑战大赛头奖。
不只如此，在这个阶段人工智能更是取得了一些里程碑似的成果。
神经网络研究领域领军者Hinton在2006年提出了神经网络Deep Learning算法，使神经网络的能力大大提高，向支持向量机发出挑战。2006年，机器学习领域的泰斗Hinton和他的学生在顶尖学术刊物《Science》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。
2006年，加拿大多伦多大学教授、机器学习领域泰斗——Geoffrey Hinton和他的学生在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要的信息：首先是很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。其次在于深度神经网络在训练上的难度，可以通过“逐层初始化”（Layer-wise Per-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
自2006年以来，深度学习在学术界持续升温。斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇。2007年，奇耶等人创立Siri，当时的Siri只是IOS中的一个应用。苹果公司在2010年4月28日完成了对Siri公司的收购，重新开发后只允许Siri在IOS中运行。
2010年，美国国防部DARPA计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和NEC美国研究院。支持深度学习的一个重要依据，就是脑神经系统的确具有丰富的层次结构。一个最著名的例子就是Hubel-Wiesel模型，由于揭示了视觉神经的机理而曾获得诺贝尔医学与生理学奖。除了仿生学的角度，目前深度学习的理论研究还基本处于起步阶段，但在应用领域已显现出巨大能量。同年，塞巴斯蒂安·特龙领导的谷歌无人驾驶汽车曝光，当时已经创下了超过16万千米无事故的纪录。
2011年以来，微软研究院和Google的语音识别研究人员先后采用DNN技术降低语音识别错误率20%，是语音识别领域十多年来最大的突破性进展。
2012年，DNN技术在图像识别领域取得惊人的效果，在Image Net评测上将错误率从26%降低到15%。在这一年，DNN还被应用于制药公司的Drug Activity预测问题，并获得世界最好成绩，这一重要成果被《纽约时报》报道。
2013年，深度学习算法在语音和视觉识别率获得突破性进展，进人第三个高峰。
阿尔法围棋（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，由谷歌（Google）旗下Deep Mind公司戴密斯·哈萨比斯领衔的团队开发。其主要工作原理是“深度学习”。而且在2013年年末，当时的联合创始人兼CEO马克·扎克伯格前往位于塔霍湖的一家酒店参加神经信息处理系统（NIPS）技术会议。因为扎克伯格的到来而成了一个风向标，人工智能再一次从单纯的学术研究走向商业化。
2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；2016年年末2017年年初，该程序在中国棋类网站上以“大师”（Master）为注册账号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，在中国乌镇围棋峰会上，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平，在Go Ratings网站公布的世界职业围棋排名中，其等级分曾超过排名人类第一的棋手柯洁。