人工智能（AI）历史悠久，在古代神话传说中，能工巧匠可以制造人造人，并赋予他们智慧或意识。现代意义上的人工智能始于古典哲学家试图从机械符号处理的角度解释人类思维过程。20世纪40年代计算机的发明，促使一批科学家认真探索构建电子大脑的可能性。
1956年，达特茅斯学院召开的一次会议正式确立了人工智能研究领域，与会人员都是此后几十年人工智能研究领域的领军人物，与此同时，数千万美元的资金投入到人工智能研究中，力图实现会议确定的目标，但最终未能实现，人工智能进入了第一个低谷。
人工智能的发展历史上曾有过几次低谷，但尽管有起有落，人工智能领域仍在不断进步。一些在 20 世纪 70 年代被认为不可能解决的问题1982年物理学家，今天已经成功解决并得到应用。然而，与第一代人工智能研究人员的乐观估计相反，具有与人类同等智能水平的机器尚未出现。
1.理论起源
古希腊神话
智能机器的形象出现在古希腊神话中：“工匠之神赫菲斯托斯曾制造了一群金色的女机器人，它们会说话，接管他艰巨的工作；他在铁匠铺外还有一组三角桌，可以跑到诸神的聚会上，然后自己跑回来。”
形式推理
公元前4世纪，古希腊亚里士多德创立了三段论，被认为是人工智能编程逻辑的起源。人工智能的基本假设是人类的思维过程可以机械化、程序化。
哲学家拉蒙·卢利（1232-1315）发明了一种“逻辑机器”，试图通过逻辑方法获取知识。他的理论后来影响了莱布尼茨。
17世纪，莱布尼茨、托马斯·霍布斯和笛卡尔试图将理性思维系统转化为代数或几何系统。莱布尼茨认为“人类思维可以归结为某种运算”。霍布斯在《利维坦》中有一句名言：“推理即计算”。这些哲学家开始明确提出形式符号系统假设，这将成为人工智能研究的指导思想。
20世纪初，大卫·希尔伯特向当时的数学家们提出了一个根本性的问题：“所有的数学推理都能形式化吗？”哥德尔不完备定理、图灵机和λ演算给出了这个问题的最终答案。它们隐含地证明了任何形式的数学推理在一定限制下都可以机械化的可能性。丘奇-图灵论题指出，一个只能处理0和1等简单二进制符号的机械装置可以模拟任何数学推理过程。
计算机科学
19 世纪初，查尔斯·巴贝奇 ( ) 设计了一台可编程计算机（“分析机”），历史上第一位程序员艾达·洛夫莱斯 (Ada ) 预测它将“创造出无限复杂性和广度的科学交响曲”。
第二次世界大战期间，第一批现代计算机诞生，为打造“思考机器”提供了硬件基础。
1968年，小说《2001太空漫游》预言了地球卫星、互联网等众多未来科技，而HAL 9000计算机则是人工智能早期概念的集中体现。
2.人工智能的诞生
20 世纪 40 至 50 年代，一批来自不同领域（数学、心理学、工程学、经济学和政治学）的科学家开始探索创造人工大脑的可能性。1956 年，人工智能作为一门学科正式成立。
早期理论与实践
最初的人工智能研究是20世纪30年代末至50年代初一系列科学进步的产物。神经学研究发现，大脑是由神经元组成的电子网络，其兴奋水平只存在于“开”和“关”两种状态，没有中间状态；诺伯特·维纳的控制论描述了电子网络的控制和稳定性。克劳德·香农的信息论描述了数字信号（即高低电平代表的二进制信号）。图灵的计算理论证明数字信号足以描述任何形式的计算。这些密切相关的想法暗示了构建电子大脑的可能性。
沃伦·麦卡洛克（ ）和沃尔特·皮茨（ Pitts）分析了理想化的人工神经网络，确定了其基本运行机制网校头条，他们的学生马文·明斯基（ ，此后五十年人工智能领域最重要的领导者和创新者之一）于1951年建造了第一台神经网络机器SNARC。
1950 年，图灵发表了一篇具有里程碑意义的论文，预测了创造具有真正智能的机器的可能性。他指出，“智能”的概念很难定义，因此提出了著名的图灵测试：如果一台机器可以与人类交谈而无法被识别为机器，那么该机器就被称为智能。这种简化使图灵能够令人信服地证明“思考机器”是可能的。
20世纪50年代中期，随着数字计算机的兴起，一些科学家直觉地感觉到，能进行数字运算的机器也应该能够进行符号运算，而符号运算可能是人类思维的本质。这是一种创造智能机器的新方法。1955年，基于该理论开发的程序“逻辑理论家”问世，能够证明《数学原理》中前52条定理中的38条。开发者之一赫伯特·西蒙认为，他们“解决了神秘的心/身问题，并解释了由物质构成的系统如何获得心灵的性质”。
1956 年达特茅斯会议：人工智能的诞生
1956 年达特茅斯会议的组织者是马文·明斯基、约翰·麦卡锡，以及另外两位资深科学家克劳德·香农和内森·罗切斯特，后者来自 IBM。会议上提出的主张之一是“学习的每个方面或智能的任何其他特征都应该被精确地描述，以便机器可以模拟它。”每位与会者都将为人工智能研究的第一个十年做出重要贡献。会议讨论了“逻辑理论家”，麦卡锡说服与会者接受“人工智能”一词作为该领域的名称。1956 年达特茅斯会议被广泛认为是人工智能的诞生，因为人工智能的名称和使命被确定，最初的成就和最早的研究人员出现，这一事件被广泛认为是人工智能的诞生。
3.黄金时代
达特茅斯会议之后的几年是一个探索的时代。在此期间开发的程序简直是奇迹：计算机可以解决代数问题，证明几何定理，并学习和使用英语。当时大多数人几乎无法相信机器可以如此“智能”。在私人谈话和发表的论文中，研究人员对完全智能的机器将在二十年内出现表示了相当大的乐观。国防高级研究计划局 (DARPA) 等政府机构向这一新兴领域投入了大量资金。以下是其中一些最具影响力的研究：
基于搜索的推理
为了达到某个目标（比如赢得一场比赛或证明一个定理），它们一步步向前，就像寻找走出迷宫的路一样；如果遇到死胡同，就回溯。这就是“基于搜索的推理”。这种想法遇到的主要困难是，在许多问题中，“迷宫”中可能路线的总数是一个天文数字（即“指数爆炸”）。研究人员利用启发式算法，去除不太可能通向正确答案的分支，从而缩小搜索范围。1957年，应用这一理论的程序“通用问题求解器”（）诞生。1966年，历史上第一代能够自主“思考和行动”的机器人“遥遥”（）的开发项目启动。这是人类第一次认真尝试建造自主机器人。
自然语言
人工智能研究的一个重要目标是让计算机能够通过自然语言进行交流，比如英语。1964年，第一个聊天机器人ELIZA诞生。与ELIZA“聊天”的用户有时会误以为自己是在和人交谈，而不是和程序交谈。但事实上，ELIZA根本不知道它在说什么。它只是按照既定的套路回答，或者以符合语法的方式重复问题。
微观世界
20 世纪 60 年代末，麻省理工学院人工智能实验室的 和 建议人工智能研究人员专注于称为“微世界”的简单场景。他们指出，成熟的学科经常使用简化的模型来帮助理解基本原理，例如物理学中的光滑平面和完美刚体。许多此类研究的场景是“块世界”，其中包括一个平面，上面放置了不同形状、大小和颜色的块。在这种指导思想下，1968 年，一个能够以简单方式与人交流、做出决策并执行的程序诞生了。它能够用普通的英语句子与人交流、做出决策并执行操作。
专业系统
另一个早期里程碑是 1965 年启动的一个项目，它开创了一个全新的行业：专家系统。专业领域知识（在本例中为分子化学）被编码到计算机程序中，该程序使用自己的化学知识库来建议可能受到影响的化学结构。它在专业领域的成功表明，通过明确编码人类在某个狭窄主题上的专业知识，计算机程序可以以专家级的性能执行特定任务。
4. 第一个低谷
到了 20 世纪 70 年代，人工智能面临批评和资金困难。人工智能研究人员未能正确判断其学科的难度：先前的判断过于乐观，期望过高，当承诺无法兑现时，对人工智能的资助就会减少或取消。同时，由于马文·明斯基对感知器的激烈批评，联结主义（即神经网络）消失了十年。20 世纪 70 年代末，尽管公众存在误解，但人工智能在逻辑编程和常识推理等一些领域取得了一些进展。
人工智能挑战
20 世纪 70 年代初，人工智能遇到了瓶颈。即使最优秀的人工智能程序也只能解决它们试图解决的问题中最简单的部分1982年物理学家，这意味着所有的人工智能程序都只是“玩具”。人工智能研究人员遇到了难以克服的根本障碍。虽然一些限制已经被成功克服，但很多限制至今仍未得到令人满意的解决：
停止资助
由于没有进展，AI资助机构（如英国政府、DARPA、NRC）逐渐停止了对无方向性AI研究的资助。早在1966年，ALPAC（自动语言处理咨询委员会）的报告就对机器翻译的进展提出了批评，为这一局面的到来埋下了伏笔。NRC（国家科学委员会）在拨款2000万美元后停止了资助。DARPA对CMU的语音理解研究项目深感失望，取消了每年300万美元的资助。到了1974年，AI项目已经很难找到资金了。
5. 恢复繁荣
80年代，专家系统开始被全球各大公司采用，“知识处理”成为主流AI研究的重点，日本政府也积极投入AI，推动第五代计算机计划，约翰·霍普菲尔德在联结主义方面取得新突破，AI再一次获得成功。
专家系统获得认可
专家系统是一种程序，它可以根据一组源自专业知识的逻辑规则来回答或解决特定领域的问题。它于 1965 年设计，可以根据光谱仪读数区分混合物。MYCIN 于 1972 年设计，可以诊断血液传播疾病。它们展示了这种方法的强大功能。
专家系统局限于非常小的知识领域，从而避免了常识问题；其简单的设计使其相对容易编程或修改。简而言之，实践证明了此类程序的实用性。人工智能已经变得实用。
1980 年，卡内基梅隆大学为 DEC（数字设备公司）设计了一款名为 XCON 的专家系统，取得了巨大的成功。在 1986 年之前，它每年为 DEC 节省了 4000 万美元。此后，世界各地的公司开始开发和应用专家系统，到 1985 年，它们在 AI 方面的投资已超过 10 亿美元。
重新筹资：第五代项目
1981 年，日本经济产业省拨款 8.5 亿美元支持第五代计算机项目。该项目的目标是创造一台可以与人交谈、翻译语言、解读图像并像人类一样推理的机器。
其他国家纷纷响应，英国启动了耗资 3.5 亿英镑的 Alvey 项目，美国商业协会组织了 MCC（微电子和计算机技术集团），为人工智能和信息技术领域的大型项目提供资金支持，美国国防部高级研究计划局 (DARPA) 也采取行动，组织了战略计算促进协会 ( )，该协会 1988 年在人工智能领域的投资是 1984 年的三倍。
联结主义的重生
1982 年，物理学家约翰·霍普菲尔德 (John ) 证明了一种新型神经网络 (现在称为“网络”) 能够以全新的方式学习和处理信息。这一发现使自 1970 年以来被抛弃的联结主义重新兴起。1986 年，论文集《分布式并行处理》出版。20 世纪 90 年代，神经网络取得了商业成功，并被用于光学字符识别和语音识别软件。
6. 人工智能寒冬
20 世纪 80 年代中期，商业界对人工智能的追求和随后的蔑视符合经济泡沫的典型模式，随着政府机构和投资者对人工智能的关注，泡沫破灭了。尽管受到各种批评，但该领域仍在继续发展。
第二次人工智能低谷 1987-1993
20 世纪 80 年代末和 90 年代初，人工智能遭遇了一系列财务问题。变化的第一个迹象是 1987 年人工智能硬件需求的突然下降。苹果和 IBM 的台式电脑功能越来越强大，到 1987 年，它们的性能已经超越了其他制造商生产的更老、更昂贵的机器。旧产品已经失去了存在的意义：一夜之间，一个价值 5 亿美元的行业崩溃了。
最初成功的专家系统（如XCON）维护成本高，升级困难，使用困难，并且受到以前暴露的各种问题的困扰。专家系统的实用性仅限于某些特定情况，不再满足一般需求。
到 20 世纪 80 年代末，战略计算计划大幅削减了对人工智能的资助。DARPA 的新领导层认为人工智能不是“下一波浪潮”，资金将偏向那些更有可能产生成果的项目。
日本的“第五代计划”直到 1991 年才得以实现，事实上，它的一些目标，如“与人开始对话”，直到 2010 年才得以实现。与其他人工智能项目一样，人们对它的期望远高于实际可能。从 20 世纪 80 年代末到 90 年代初，人工智能遇到了一系列资金问题。
身体的重要性：人工智能和嵌入式推理
一些研究人员提出了一种新的人工智能思路，他们认为，机器要实现真正的智能，必须有躯体——需要感知、移动、生存、与世界互动。
机器人研究员罗德尼·布鲁克斯 ( ) 在其 1990 年的论文《大象不下棋》中提出了“物理符号系统假说”，认为符号是可有可无的，因为“世界是描述其自身的最佳模型”。
7. 新进展
如今，人工智能已经走过了 50 年，终于实现了它最初的一些目标。它已经在科技行业中得到了成功的应用，尽管有时是在幕后。这些成就有些归功于计算机性能的提高，有些则归功于高度的科学责任感驱动下对特定主题的追求。20 世纪 60 年代曾让全世界为之着迷的“实现人类水平的智能”的最初梦想，如今却未能实现，其原因至今仍被广泛讨论。各种因素共同作用，将人工智能分裂成几个独立的子领域，有时甚至用新术语来掩盖“人工智能”这块已失去光泽的金字招牌。尽管人工智能比以往任何时候都更加谨慎，但它也更加成功。
幕后的人工智能
人工智能研究人员开发的算法开始成为更大系统的一部分。人工智能已经解决了大量难题，这些解决方案在行业中发挥了重要作用。人工智能技术已应用于数据挖掘、工业机器人、物流、语音识别、银行软件、医疗诊断和搜索引擎等领域。
人工智能领域并没有从这些成就中获益太多。人工智能的许多伟大创新都被视为计算机科学工具箱中的一种工具。牛津哲学家尼克解释说，“人工智能的许多前沿成果已经应用于通用程序，但它们通常不被称为人工智能。这是因为一旦它变得足够有用和普遍，它就不再被称为人工智能了。”
深度学习
深度学习是机器学习研究的一个新领域，其动机是建立和模拟能够分析和学习人脑的神经网络，模仿人脑解释数据的机制，如图像、声音和文本。深度学习的概念起源于人工神经网络的研究。
深度学习在计算机视觉、语音识别、自然语言处理等其他领域也取得了许多成功应用。谷歌和百度利用深度学习开发的语音识别软件在将语音转化为文字方面可以与人类一较高下；2016年初，一台利用深度学习技术的计算机击败了世界顶级围棋选手。
游戏里程碑和摩尔定律
游戏AI一直被认为是衡量AI进步的标准，1997年5月11日，IBM“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫。
2005年，斯坦福大学开发的机器人在沙漠小道上成功自主行驶了131英里。
2011年，IBM 计算机（）参加了综艺问答节目《危险边缘！》（!），这是该节目历史上首次人机对决。在三期节目中，它最终击败了该节目最高奖金获得者Brad 和该节目历史连胜纪录保持者Ken 。在比赛中，它没有连接互联网，而是利用先进的自然语言处理、信息检索、知识表示与推理和机器学习技术，在4TB的磁盘中处理200万页结构化和非结构化信息。
人们普遍认为，围棋比国际象棋等游戏更难让计算机取胜，因为围棋的棋点多，分支因素也比其他游戏多得多。然而，2016年3月，该团队研发的计算机以4：1战胜了国际象棋顶级职业棋手李世石；其增强版随后在2017年乌镇围棋峰会上以3：0战胜了世界头号棋手柯洁，此后因无人对手而宣布退役。
计算机性能的这种快速增长可以用摩尔定律来解释：“计算速度和内存容量每两年翻一番。”计算性能的根本障碍已被逐步克服。
人机语音交互技术
如果你曾经使用过 Siri、Alexa 或者任何语音搜索功能，那么你已经接触过人声交互技术。人声交互的基础理论是人工智能研究的子领域之一——自然语言理解。近年来，得益于深度学习、大数据等新技术的发展以及计算机计算能力的提升，人声交互技术逐渐成熟。
8. 结论
如今，计算机正以惊人的速度改变着我们的生活。因此，全球各地的人们都渴望对人工智能有更深入的了解。许多评论家预测，伟大的事情将会发生。2016年5月，微软英国公司首席创意官戴夫·科普林大胆提出，人工智能是“当今地球上人们正在研究的最重要的技术”。他说：“这将改变我们与技术的关系，它将改变人与人之间的关系，我认为它甚至会改变我们对人类概念的看法。”当然，也有许多其他评论家预测，人工智能蕴含着许多危险。面对人工智能，我们应该谨慎对待，深刻理解，用科学的态度对待新兴技术及其给我们生活带来的改变。
本文内容来源于网络
文末有福利·“关键词”素材下载：
1.《知识图谱标准化白皮书（2019版）》：关键词《知识图谱白皮书2019》
2.《清华研究报告：人工智能知识图谱》：关键词“知识图谱2019”
3.《2019年物联网行业市场研究报告》：关键词“物联网 2019”
4. 美国人工智能20周年：关键词：“AI20-US”
5.《产业互联网：构建智能+时代数字新生态》：关键词：“腾讯智能+产业互联网生态”
6.《全球人工智能发展白皮书2019》：关键词“人工智能2019”
7.《阿里数据中台实践分享》：关键字“阿里数据中台”