阶段一:起源与早期探索(1940s-1950s)
1943年:神经网络的雏形
科学家麦卡洛克(Warren McCulloch)和皮茨(Walter Pitts)提出首个神经元数学模型,模仿人脑神经元的运作,成为神经网络的基础。
1950年:图灵测试
计算机科学之父艾伦·图灵(Alan Turing)提出“图灵测试”:如果一台机器能通过对话让人类误以为它是真人,则认为它具有智能。这一概念至今仍是衡量AI的重要标准。
1956年:达特茅斯会议与AI诞生
一群科学家在美国达特茅斯学院开会,由约翰·麦卡锡等人主持,首次正式提出“人工智能”(Artificial Intelligence)这一概念,标志着AI成为一门独立学科。
阶段二:专家系统兴起(1960s-1980s)
1966年:第一个聊天机器人
MIT开发了ELIZA,一个能模拟心理医生的聊天程序。虽然只是简单匹配关键词,但让人们第一次感受到“机器对话”的魔力。
1970年代:专家系统兴起
符号主义AI:这一阶段的AI着重于通过规则、符号和逻辑推理来模拟人类智能,代表性技术包括专家系统(Expert Systems)。专家系统能够在特定领域内模拟人类专家的决策过程,并用于医疗、金融等行业。
机器推理和知识表示:例如,决策树、规则推理系统,标志着AI在逻辑推理上的进展。
专家系统兴起:科学家尝试让AI模仿人类专家的知识,比如医疗诊断系统MYCIN,能通过规则库判断细菌感染类型并推荐药物。
阶段三:AI寒冬(1980s-1990s)
1980年代:专家系统热潮和低谷
专家系统黄金时代:随着规则库和推理引擎的不断完善,专家系统成为AI应用的主流。
第一次寒冬:人们发现,专家系统具有很大的局限性,仅靠规则库无法解决复杂问题(比如识别一只猫)。由于技术瓶颈和公众期望过高,AI研究未能取得预期进展,导致资金支持减少,研究热情下降。这段时期被称为人工智能第一次寒冬。
1980年代后期:神经网络复兴和停滞
1986年,反向传播算法的提出标志神经网络复兴:1960年代,虽然神经网络有了初步的构建,但早期的神经网络(如感知机)未能取得预期成果。1986年,David Rumelhart、Geoffrey Hinton和Ron Williams等科学家提出了误差反向传播(Backpropagation)算法。随着反向传播算法的提出,神经网络开始复兴。这一算法成为了深度学习的核心。自此,神经网络模型不断发展和创新。
第二次寒冬:尽管反向传播算法带来了巨大的技术突破,但神经网络的研究经历了一个停滞期,主要的原因是缺乏足够的数据和资金支持。虽然模型的理论在不断发展,但没有足够的实践应用支持这些模型的成长,研究人员也无法获得足够的数据来训练和验证这些模型。
阶段四:深度学习时代(1990s-2017s)
时代背景——数据和计算能力的飞跃:随着互联网的普及,大数据时代到来,数据的获取变得更加容易。云计算的兴起提供了强大的计算能力,深度学习的时代来了。
1997年:深蓝击败国际象棋冠军