从阿西莫夫（Asimov）的第一批机器人到AlphaGo的整个历史中，人工智能都有起起伏伏。 但实际上他的故事才刚刚开始。
人工智能还很年轻。 但是，该地区已经发生了许多重大事件。 其中一些吸引了文化的注意，另一些则产生了爆炸波，只有科学家才意识到。 以下是对AI影响最大的一些要点。
艾萨克·阿西莫夫（Isaac Asimov）首先提到了“ 机器人三定律 ”（1943）。
阿兹莫夫的故事“
圆舞 ”标志着这位著名的科幻作家“机器人三定律”的故事首次出现：
- 机器人不能伤害人，也不能通过无为而伤害人。
- 机器人必须服从一个人发出的所有命令，除非这些命令违反第一部法律。
- 机器人必须在不违反第一定律或第二定律的前提下注意其安全性。
在故事“圆舞”中，Speedy机器人被放置在第三定律与前两个定律冲突的位置。 阿兹莫夫（Azimov）的有关机器人的故事使NF迷（包括科学家）想到了思考机器的可能性。 时至今日，人们仍在进行智力锻炼，将阿西莫夫的定律应用于现代人工智能。
2.艾伦·图灵（Alan Turing）提出了他的“模仿游戏”（1950）
艾伦·图灵（Alan Turing）在1950年描述了测量机器合理程度的第一个原理。我建议考虑“汽车可以思考吗”的问题。 1950年具有影响力的图灵研究工作由此开始，该研究工作开发了用于推理机器思维的信念系统。 他问一台机器是否可以模仿人类行为，是否可以被认为是智能的。
这个理论问题引起了著名的“模拟游戏” [以后将被称为“
图灵测试 ” /大约。 翻译]，这是研究人员必须确定与他通讯的对象-计算机或个人的一种练习。 在图灵时代，还没有能够通过该测试的机器；今天没有。 但是，他的测试提供了一种简单的方法来确定思维是否在汽车中。 他还帮助塑造了AI的哲学。
3.达特茅斯AI会议（1956）
到1955年，世界各地的科学家已经形成了诸如神经网络和自然语言之类的概念，但是仍然没有涵盖各种机器智能的统一概念。 达特茅斯学院（Dartmouth College）数学教授约翰·麦卡锡（John McCarthy）创造了“人工智能”一词来将它们融合在一起。
麦卡锡（McCarthy）领导了一个小组，该小组申请了一笔赠款，于1956年组织了一次AI会议。1956年夏天，当时的许多著名研究人员应邀来到了达特茅斯厅。 科学家们讨论了AI研究的各个潜在领域，包括学习和搜索，视力，逻辑推理，语言和推理，游戏（尤其是国际象棋），与智能机器（例如个人机器人）的人机交互。
这些讨论的普遍共识是，人工智能具有造福人类的巨大潜力。 概述了研究领域的一般领域，该领域的发展会受到机器智能的影响。 这次会议组织并启发了很多年来的AI研究。
4.弗兰克·罗森布拉特（Frank Rosenblatt）创建了感知器（1957）
1957年，弗兰克·罗森布拉特（Frank Rosenblatt）在康奈尔航空实验室创建了一个机械神经网络神经网络的基本组成部分称为“
感知器 ” [这只是人工神经元的
第一个和原始类型。 翻译]。 一组输入数据落入计算输出值的节点，并给出分类和置信度。 例如，输入数据可以基于输入数据分析图像的各个方面，并“投票”（具有一定的置信度）以确认是否有面部。 然后，节点计算所有“语音”和置信度，并给出共识。 在当今运行在功能强大的计算机上的神经网络中，数十亿个相似的结构协同工作。
但是，感知器甚至在功能强大的计算机出现之前就已经存在。 在1950年代后期，一位年轻的心理学家弗兰克·罗森布拉特（Frank Rosenblatt）创建了感知器的机电模型，称为Mark I Perceptron，该模型今天存储在史密森学会中。 它是一个模拟神经网络，由光敏元件网络组成，该光敏元件网络通过电线连接到包含电动机和旋转电阻器的节点组。 Rosenblatt开发了“感知器算法”，该算法控制网络，并逐渐调整输入信号的强度，从而正确识别物体-实际上，它是经过训练的。
直到1980年代，科学家们才争论这种机器的重要性。 它在创建神经网络的物理体现方面发挥了重要作用，在此之前主要以科学概念的形式存在。
5.人工智能面临第一个冬天（1970年代）
在其大部分历史中，AI仅存在于研究中。 在1960年代的大部分时间里，政府机构，特别是DARPA，将资金投入到研究中，实际上不需要投资报告。 人工智能研究人员经常夸大其继续获得资助的潜力。 一切都在1960年代末和1970年代初发生了变化。 有两份报告-一份是1966年由美国政府的ALPAC顾问委员会提交的报告，另一份是1973年由英国政府向Lighthill提交的报告-务实地评估了AI研究的进展，并对这项技术的潜力给出了非常悲观的预测。 这两份报告都对AI研究各个领域是否存在切实进展提出了质疑。 Lighthill在他的报告中指出，用于语音识别任务的AI很难扩展到对政府或军方有用的规模。
结果，美国和英国政府开始削减用于大学的AI研究的资金。 DARPA在1960年代资助了AI研究没有问题，开始要求项目有明确的时间表，并详细说明预期的结果。 结果，似乎开始变得没有达到预期的AI，永远无法达到人类的能力水平。 人工智能的第一个“冬天”持续了整个1970年代和80年代。
6. AI第二个冬天的到来（1987年）
1980年代始于“
专家系统 ”的开发和最初的成功，“
专家系统 ”存储了大量数据并模仿人们的决策过程。 该技术最初是由卡内基梅隆大学数字设备公司开发的，然后其他公司开始迅速实施它。 但是，专家系统需要昂贵的专用设备，当来自Sun Microsystems的类似功能和更便宜的工作站以及来自Apple和IBM的个人计算机出现时，这成为一个问题。 1987年，主要的设备制造商离开了专业计算机系统市场。
专家系统在80年代初的成功激发了DARPA增加对AI研究的资金投入，但很快又发生了变化，该机构削减了大部分资金，仅保留了少量计划。 再次，研究界中的“人工智能”一词几乎被禁止。 为了使他们在寻求融资时不会被视为不切实际的梦想家，研究人员开始在与SS相关的工作中使用其他名称-“计算机科学”，“机器学习”和“分析”。 AI的第二个冬天一直持续到2000年代。
7. IBM Deep Blue击败Kasparov（1997年）
IBM深蓝在1997年击败了世界上最好的棋手Garry Kasparov。1997年，IBM的Deep Blue国际象棋计算机击败了当时的世界冠军加里·卡斯帕罗夫（Garry Kasparov），从而提高了公众对AI的认识。 在电视演播室举行的六场比赛中，深蓝赢得了两场，卡斯帕罗夫赢得了一场，而三场以平局结束。 那年早些时候，卡斯帕罗夫（Kasparov）击败了先前版本的《深蓝》。
Deep Blue计算机具有足够的计算能力，并且使用“强力方法”或详尽搜索，每秒评估2亿个可能的动作并选择最佳动作。 人们的能力仅限于每次移动后仅评估约50个移动。 Deep Blue的工作类似于AI的工作，但是计算机没有考虑战略，也没有学习游戏，因为随后的系统可以做到。
尽管如此，深蓝战胜卡斯帕罗夫的战绩令人印象深刻，使AI再次引起了公众的关注。 有些人着迷。 其他人不喜欢这台机器击败国际象棋专家。 投资者印象深刻：Deep Blue的10美元的成功提高了IBM股票的价值，使其达到了当时的最高水平。
8.神经网络看见猫（2011）
到2011年，来自世界各地大学的科学家都在谈论神经网络并创建了它们。 Google程序员
杰夫·迪恩 （
Jeff Dean）那年与斯坦福大学IT教授
安德鲁·恩（Andrew Eun）碰面。 他们共同构思了一个大型的神经网络，该网络由Google服务器的强大计算能力提供，可以提供大量图像。
他们创建的神经网络可在16,000个服务器处理器上工作。 他们从YouTube视频中为她提供了1000万个随机且未标记的帧。 Dean和Eun并未要求神经网络提供任何特定信息或标记这些图像。 当神经网络以这种方式工作时，无需老师学习，它自然会尝试在数据中寻找模式并形成分类。
神经网络处理图像三天。 然后，她产生了三个模糊图像，这些图像表示她在训练数据中一次又一次遇到的视觉图像-人的脸部，人的身体和猫。 这项研究是在计算机视觉中使用神经网络和非教师学习的一项重大突破。 这也标志着Google Brain项目的开始。
9.乔佛里·欣顿（Joffrey Hinton）释放了深度神经网络（2012）
Joffrey Hinton的研究引起了人们对深度学习的兴趣突破一年后，多伦多大学的教授Dean and Un和Joffrey Hinton及其两个学生创建了一个用于计算机视觉的神经网络AlexNet，以参加ImageNet图像识别竞赛。 参与者必须使用他们的系统来处理数百万张测试图像，并以尽可能最高的精度进行识别。 AlexNet赢得比赛的错误率比最接近的竞争对手低两倍半。 在神经网络提供的图像字幕的五个版本中，仅在15.3％的情况下没有正确的选择。 先前的记录是错误的26％。
这一胜利令人信服地表明，运行在GPU上的深度神经网络比其他系统更好地可以准确地确定和分类图像。 也许比其他事件更重要的是，该事件影响了对深度神经网络的兴趣的复兴，并使Hinton赢得了“深度学习的教父”的绰号。 Hinton与其他AI专家Yoshua Benjio和Jan Lekun一起在2018年获得了期待已久的图灵奖。
10. AlphaGo击败了围棋世界冠军（2016年）
2013年，英国初创公司DeepMind的研究人员发表了一篇论文，描述了神经网络如何学会在50种古老的Atari游戏中玩游戏并取胜。 对此印象深刻的是，谷歌以4亿美元的价格收购了该公司，但DeepMind的主要名声仍然遥遥领先。
几年后，来自DeepMind的科学家（现在已在Google框架内）将Atari游戏转为最古老的AI任务之一-日本棋盘游戏。 他们开发了AlphaGo神经网络，能够在玩游戏的同时进行围棋和学习。 该程序已经与其他版本的AlphaGo进行了数千场比赛，从失败和胜利中汲取了教训。
而且有效。 2016年3月，AlphaGo在一系列比赛中以4-1击败了世界上最伟大的围棋手
Lee Sedola 。 观看时，很难不注意到塞多尔所感受到的悲伤。 似乎所有人都在迷失，而不仅仅是一个人。
深度神经网络领域的最新进展极大地改变了AI的领域，以至于AI的真实历史才刚刚开始。 我们正在等待着许多希望，炒作和不耐烦，但是现在很明显，人工智能将影响二十一世纪的生活的各个方面，甚至可能比一次互联网影响更大。