下载掌阅APP，畅读海量书库
立即打开
人工智能的发展可追溯至1956年之前，这一时期的重要成就包括数理逻辑、自动机理论、控制论、信息论、神经计算和电子计算机等学科的建立和发展，这些学科为人工智能的诞生奠定了理论和物质基础。其中，以上学科对人工智能的重要贡献如下。
（1）图灵的自动机理论（1936年）：艾伦·图灵（Alan Turing）提出了自动机理论，该理论构建了离散量的递归函数作为智能描述的数学基础，并引入了著名的图灵测试用以衡量机器是否具有智能，对人工智能的发展产生了深远影响。
（2）“阈值加权和”神经网络模型（McCulloch-Pitts，M-P）（1943年）：沃伦·麦克洛奇（Warren McCulloch）和沃尔特·皮兹（Walter Pitts）提出了M-P神经网络模型，为神经计算的理论奠定了基础，为后来神经网络的发展提供了重要参考。
（3）冯·诺依曼的存储程序概念（1945年）：约翰·冯·诺依曼（John von Neumann）提出了存储程序概念，这是现代计算机体系结构的基础。1946年研制成功的ENIAC（electronic numerical integrator and computer，电子数字积分计算机）是计算机科学兴起的标志，为人工智能的发展提供了实质性的技术支持。
（4）香农的信息论（1948年）：克劳德·香农（Claude Shannon）的信息论奠定了信息概念的形式化基础，为人工智能领域的信息处理理论提供了基础。
（5）维纳的控制论（1948年）：诺伯特·维纳（Norbert Wiener）创立了控制论，该理论研究和模拟了生物和人工系统的自动控制，为根据动物心理和行为科学进行的计算机模拟研究提供了基础。
人工智能的孕育期处于大约1956年至1968年。这一时期被确定为人工智能的起源，主要的学术活动包括在美国达特茅斯大学召开的为期两个月的研讨会，该项会议正式提出了“人工智能”这一术语。在这段时间里，一系列重要的科学成就和突破推动了人工智能领域的发展。
这一时期的主要贡献和成就如下。
（1）逻辑理论家程序（1956年）：艾伦·纽厄尔（Allen Newell）和赫伯特·西蒙（Herbert A.Simon）开发了逻辑理论家程序，这一程序模拟了人们使用数理逻辑证明定理时的思维过程，被视为人工智能领域的开端。
（2）跳棋程序（1956年）：阿瑟·塞缪尔（Arthur Samuel）研制了具有学习功能的跳棋程序，该程序可以从棋谱中学习并总结经验，这标志着人工智能领域对模拟人类学习过程的成功探索。
（3）文法体系（1956年）：诺姆·乔姆斯基（Noam Chomsky）提出了文法体系，对自然语言处理和语言理解的研究产生了深远影响。
（4）LISP语言（1958年）：约翰·麦卡锡（John McCarthy）提出了LISP语言，这一语言成为人工智能程序设计的重要工具，能够方便地处理符号，是人工智能语言的里程碑。
（5）通用问题求解程序GPS（1960年）：艾伦·纽厄尔（Allen Newell）、克利福德·肖（Clifford Shaw）和赫伯特·西蒙（Herbert A.S imon）开发了GPS（general problem solver，通用问题求解程序），首次提出了启发式搜索概念，对解决人工智能问题产生了重要影响。
（6）归结法（1965年）：奈尔斯·鲁宾逊（Nils Aall Barricelli Robinson）提出了归结法，为定理证明领域提供了重要工具，推动了人工智能领域的发展。
（7）DENDRAL专家系统（1968年）：斯坦福大学的爱德华·费根鲍姆（Edward Feigenbaum）等人成功研制了化学分析专家系统DENDRAL，这标志着人工智能研究向专业领域应用的转变，为人工智能技术的发展奠定了基础。
这些成就反映了在人工智能形成期，研究人员在逻辑推理、学习算法、程序设计语言、问题求解等领域取得的显著进展，这些进展为人工智能领域的发展打下了坚实的基础。
1969—1981年间，基于知识的系统经历了关键时期，专家系统的研发成为这一时期的亮点。这一时期的主要事件和发展如下。
（1）MYCIN专家系统（1972—1976年）：布鲁斯·布坎南（Bruce Buchanan）和费根鲍姆开发的MYCIN专家系统专注于医疗领域，用于诊断和治疗感染症。DENDRAL专家系统和MYCIN专家系统是早期成功的专家系统，突显了知识导向的人工智能在特定领域的应用潜力。
（2）其他著名的专家系统（20世纪70年代末至80年代初）：在此期间，许多其他著名的专家系统相继研发成功，包括探矿专家系统PROSPECTOR、青光眼诊断治疗专家系统CASNET、钻井数据分析专家系统ELAS等。这些系统在不同领域展示了专业知识的应用。
（3）知识工程（1977年）：1977年，费根鲍姆提出了知识工程的概念，将知识作为研究对象，旨在解决需要专家知识解决的应用难题。这标志着人工智能研究从纯学术研究转向应用，强调了知识在系统设计中的重要性。
（4）专家系统的商品化（20世纪80年代）：20世纪80年代，专家系统的开发趋向商品化，创造了巨大的经济效益。这一时期，专家系统从实验室研究向商业应用转变，许多公司开始投资和应用专家系统技术。
（5）日本第五代计算机计划（1981年）：日本于1981年宣布了第五代计算机的研制计划，该计划致力于开发具有智能接口、知识库管理和问题自动解决能力的计算机。这推动了全球范围内对新一代智能计算机研发计划的制定，使人工智能进入了基于知识的繁荣时期。
在神经网络发展的历程中，1982年—20世纪90年代初被认为是神经网络复兴的时期。这一时期的主要事件和发展如下。
（1）感知机的局限性（1969年）：在20世纪60年代，感知机神经网络曾被视为解决模式识别问题的通用工具。然而，马文·明斯基（Marvin Minsky）和西摩·佩珀特（Seymour Papert）在1969年的著作《感知机》中利用数学理论证明了单层感知机的计算局限性，这导致神经网络研究陷入了所谓的“黑暗时期”。
（2）霍普菲尔德的贡献（1982年）：1982年，物理学家约翰·霍普菲尔德（John Hopfield）通过统计力学的方法对神经网络的存储和优化特性进行了深入分析，并提出了离散神经网络模型。这一研究为神经网络的复兴注入了新的活力。
（3）连续神经网络模型（1984年）：霍普菲尔德在1984年提出了连续神经网络模型，进一步丰富了神经网络的理论框架。
（4）反向传播算法的重新研究（1986年）：神经网络复兴的关键在于对反向传播算法的重新研究。该算法最早由保罗·魏格特（Paul Werbos）于1974年提出，到1986年，大卫·E.鲁梅尔哈特（David E.Rumelhart）、詹姆斯·L.麦克莱伦德（James L.McClelland）以及罗纳德·J.威廉姆斯（Ronald J.Williams）等人提出了并行分布处理（parallel distributed processing，PDP）的理论，引入多层神经网络的误差传播学习法，即反向传播算法，这引起了人们的广泛关注。
（5）国际神经网络学会的成立（1987年）：1987年，第一届神经网络国际会议在美国召开，国际神经网络学会（international neural network society，INNS）正式成立了，标志着神经网络的研究开始进入蓬勃发展阶段。随后，神经网络学术研讨会逐渐扩大规模，神经网络的研究热潮在世界各国蔓延。
这一时期的重要研究推动了神经网络领域的发展，为现代人工智能技术如深度学习等的崛起奠定了基础。神经网络的复兴为人工智能领域注入了新的活力，并引领了未来几十年的研究方向。
在20世纪90年代中期及以后的发展中，机器学习迎来了大规模的发展，这一时期涌现出了许多重要的技术和理论，为人工智能领域的进步做出了重要贡献。这一时期的主要事件和发展如下。
（1）支持向量机和机器学习方向（1995年）：1995年，法国科学家瓦普尼克（Vladimir Vapnik）提出了支持向量机（support vector machines，SVM）作为一种分类算法，该算法成为机器学习领域的基准模型。SVM在处理分类问题上取得了巨大成功，并成为后续研究的重要基础。
（2）深度学习的兴起（2006年）：2006年，多伦多大学教授杰弗里·辛顿（Geoffrey Hinton）等人发表了一篇名为“Reducing the Dimensionality of Data with Neural Networks”的论文，介绍了一种称为“无监督预训练”的方法。这一方法通过使用无标签数据来预先训练深度卷积神经网络，为后续的监督学习任务提供更好的初始化。虽然这并非深度学习的创世之作，但这一方法的提出引发了学界对深度卷积神经网络的重新关注。
（3）图灵奖与因果推理（2011年）：2011年，图灵奖授予了朱迪亚·珀尔（Judea Pearl）教授，他的主要研究领域包括概率图模型和因果推理。因果推理是机器学习的基础问题之一，对于理解数据之间的因果关系至关重要。
（4）机器学习与大数据的结合：20世纪90年代末期及21世纪初期，随着大数据的涌现，机器学习技术得到了更广泛的应用。大规模的数据集为机器学习算法提供了更多的训练样本，有助于提高模型的准确性和鲁棒性。
（5）深度学习的成功与挑战：深度学习方法在处理复杂任务方面取得了成功，例如，AlphaGo的胜利展示了深度学习在博弈领域的强大能力。然而，深度学习模型的训练需要大量的计算资源，能耗高，这也是该技术面临的挑战之一。
（6）智能科学的崛起：从20世纪90年代中期，智能科学开始受到关注，它借鉴了脑神经机制和认知行为机制，通过多学科交叉和实验研究来发展智能科学，推动了人工智能和智能技术的发展。
（7）面向人脑学习的研究：近年来，研究人员开始向人脑学习，探索人脑信息处理的方法和算法。这种受到脑神经机制启发的研究为发展更通用和智能的机器学习模型提供了新的思路。
这一时期是机器学习领域蓬勃发展的阶段，涌现出许多重要的理论和算法，为人工智能技术的发展奠定了坚实的基础。