简单来说，人工智能的发展是利用计算机来模拟人脑进行智能运算的过程。从早期的感知器模型，发展到具有机器学习能力的神经网络模型。后者的出现，逐步可应用在语音识别、图像识别、自然语言处理等。深度神经网络模型在反向传播技术的不断训练下，获得了许多与人类能力比较下成功的案例，如打败世界棋类冠军、自然语言表述、ImageNet 挑战等。
艾伦图灵（Alan Turing）设计了 ACE（Automatic Computing Engine -自动计算引擎）来模拟大脑工作。这是机器智能的起源。
美国心理学家 Frank Rosenblatt 实现了一个早期的神经网络演示-感知器模型（Perceptron Model），该网络通过监督 Learning 的方法将简单的图像分类，如三角形和正方形。
这是一台只有八个模拟神经元的计算机，这些神经元由马达和和转盘制成，与400个光探测器连接。
夏天在 Dartmouth College 的一次会议上，Al 被定义为计算机科学的一个研究领域。Marvin Minsky（明斯基）、JohnMcCarthy（麦卡锡）、Claude Shannon（香农）、还有 Nathaniel Rochester（罗切斯特）组织了这次会议，他们后来被称为AI的「奠基人」。
Marvin Minsky 和 Seymour Papert 在《感知器:计算几何学导论》一书中阐述了因为硬件的限制，只有几层的神经网络仅能执行最基本的计算，一下子浇灭了这条路线上研发的的热情，AI 领域迎来了第一次泡沫破灭。
Al 研究主要集中在符号主义，以逻辑推理为中心。此时的 AI 主要是基于规则的系统，比如早期的专家系统。
当基于规则的系统弊端在1980年代变得明显时，人工智能研究开始关注机器学习，这是该学科的一个分支，采用统计方法让计算机从数据中学习。因此，神经网络是根据人脑的结构和和操作创建和建模的。
在1990年代，Al研究在机器人技术、计算机视觉和自然语言处理等领域取得了显著进展。在21世纪初，深度学习的出现使语音识别、图像识别和自然语言处理的进步成为可能——深度学习是机器学习的一个分支，它使用深度神经网络。
IBM 深蓝战胜了国际象棋冠军卡斯帕罗夫后，新的基于概率推论（Probabilistic Reasoning）思路开始被广泛应用在AI 领域，随后 IBMWatson 的项目使用这种方法在电视游戏节目《Jeopardy》中经常击败参赛的人类。
Deep Learning 是一种 Machine Learning 算法，它使用多层神经网络和反向传播（Backpropagation）技术来训练神经网络。该领域是几乎是由 Geoffrey Hinton 开创的，早在1986年，Hinton 与他的同事一起发表了关于深度神经网络（DNNS-Deep Neural Networks）的开创性论文，这篇文章引入了最高传播的概念，这是一种调整权重的算法，每当你改变权重时，神经网络就会比以前更快接近正确的输出，可以轻松的实现多层的神经网络，突破了 1966 年 Minsky 写的感知器局限的魔咒。2012 AlexNet 赢得 ImageNet 挑战赛
AlexNet 在 ImageNet 挑战赛上取得了突破性的成果，从而引发了深度学习的热潮。深度学习最重要的数据集之一，就是由李飞飞创建的ImageNet。曾任斯坦福大学人工智能实验室主任，同时也是谷歌云 AI/ML 首席科学家的李飞飞，早在 2009 年就看出数据对 Machine Learning 算法的发展至关重要，同年在计算机视觉和模式识别（CVPR）上发表了相关论文。
DeepMind 在 2014 年被 Google 以 5.25 亿美元收购的。它专注游戏算法，其使命是「解决智能问题」，然后用这种智能来「解决其他一切问题」。DeepMind 的 AlphaGo 在 2016 年战胜了围棋世界冠军李世石。这是一个历史性的时刻，它标志着人工智能在围棋这个历史悠久且复杂度极高的游戏中超越了人类，对人类对于机器智能和未来可能性的理解产生了深远影响。
OpenAl 是一个由 ElonMusk、Sam Altman、Peter Thiel、与Reid Hoffman 在 2015 年共同出资十亿美金创立的科研机构，其使命是通用人工智能（AGI），即一种高度自主且在大多数具有经济价值的工作上超越人类的系统。在2022年，OpenAI 发布了名为 ChatGPT 的语言模型。这个模型基于 GPT-3 框架，其能力在于生成和理解自然语言，甚至能与人类进行深度交谈。ChatGPT 的问世是人工智能在自然语言处理领域的一大里程碑，它开启了人工智能的新纪元。通过深度学习和大规模数据训练，ChatGPT能理解复杂的人类语言，并生成具有连贯性和创造性的回应。
粤ICP备14082021号
免费POC，
零成本试错
