緒論：關於智能和人工智慧那些事
近幾年來，人工智慧技術正在取得飛速的發展，我們正在被智能化技術、設備和系統所包圍。無論你身處哪個行業，你的學習、工作和生活都正在被智能化技術、設備和系統所「入侵」。無論願意與否，我們每個人都不得不對人工智慧技術進行了解、認識、學習，以在智能化時代正在到來的今天，能夠抓住時代發展的潮流，順應時代的發展。
可是，智能究竟是指什麼？什麼又是人工智慧？為什麼說人類社會將進入智能化時代？或者說，智能化時代是否是人類發展的必然？到底什麼樣的技術、設備和系統才能算是智能化的？要了解人工智慧，都應該學習哪些方面的內容？應該怎樣去學習人工智慧的各種概念、技術、方法？在人工智慧正在興起的今天，想要了解、認識和學習入人工智慧的你，是否思考過這些個問題？只有先弄明白這幾個問題，你才會知道為什麼要學習人工智慧？應該學習哪些內容？而不僅僅是因為看到周圍人都在談論人工智慧，所以你才準備去關注它。
智能究竟是什麼
智能究竟是什麼？或者說什麼是智能？只有先理解了智能的含義，我們才能明白怎樣去研究人工智慧？利用人工智慧可以幹什麼？在給出關於智能的專業、抽象定義之前，我們不妨先審視一下人類個體的成長過程。
學、用交通規則
小寶寶每天都在成長，每天都會學到新東西。慢慢的，他能夠聽懂大人的語言，咿呀學語，並逐漸學會說話。這時候，大人最常教寶寶的一項內容就是關於交通規則：「紅燈停，綠燈行」。教的次數多了，寶寶就會在腦海中記憶下來。在路口看到紅燈時，他知道該停下來了。看到綠燈時，他知道可以通行了。
交通規則就是一種關於機動車、非機動車、行人在公共道路上通行的規範化知識。它規定了交通參與者在道路和路口的通行規則，以保證通行能夠有序進行。「紅燈停，綠燈行」是交通規則中最重要、最基本的一條。寶寶本來是沒有關於交通規則的任何經驗知識的。他從大人那獲取到這條交通規則的過程就是學習。有了交通規則的知識。當寶寶觀察到紅色信號燈時，根據知識判斷該停止行走了，於是停止前進；當他觀察到信號燈是綠色時，則判斷出可以繼續行走，於是向前行走。
在這個例子中，同樣可以用「感知判斷決策執行」來描述路口通行過程，如圖1所示。即觀察交通信號燈的顏色，根據觀察結果交通規則作出應該行走或停止的判斷，作出行走後停止的決策，並執行決策結果。
圖1 交通規則的學習和執行過程
可以看出，交通規則在小寶寶過馬路中起到了重要作用。如果沒有關於交通規則的知識，小寶寶就不知道該怎樣過馬路。當他從大人那裡學習到交通知識以後，逐步在自己的大腦中建立一個關於交通規則的知識庫。有了這個知識庫，他才會知道什麼時候該過馬路，什麼時候該停下來等待。
小寶寶每天都在成長，他的表現總是會給大人帶來驚喜。我很清楚的記得，我家的小寶貝艾拉還不到3歲時，有一次我開車帶著她，前面出現了堵車。我隨口說了一句：「怎麼堵車了？」艾拉馬上回了一句：「是紅燈！」我很驚奇，當時離路口較遠，我們的位置還看不到路口信號燈。而我只教過艾拉「紅燈停，綠燈行」的交通規則，她居然自己知道了「堵車是因為信號燈是紅燈」。這實際上就是一種推理：如果堵車，那麼信號燈是紅燈。當然，引起堵車的原因有多種，除了信號燈是紅燈以外，還有交通事故、道路變窄、上下班高峰等原因，均能造成堵車。因此，做出「如果堵車，那麼信號燈是紅燈」的推理不一定每次都是對的。幸運的是，那次堵車艾拉的推理是正確的，堵車確實是紅燈疊加下班高峰所造成的。
隨著參與交通次數的增加，我們關於堵車的經驗知識也會豐富。把大量的堵車情況進行統計，可以得到各種原因下造成堵車的次數。當某次遇到堵車時，推測出引起堵車的原因這一過程就是一種推理，如圖2所示。很自然的，我們會把堵車的原因推測為造成堵車次數最多的那種情況。這樣，我們就有較大的可能性獲得正確的推理結果。當然，這樣的推理並不是每次都是正確的，我們可以按照統計出的各種原因引起堵車的次數對它們進行排序，按照次數大小進行堵車的可能性排序，當可能性最大的那個推理結果不正確時，選擇可能性次大的那個原因，以此類推。實際應用中，我們使用了一種叫做概率的數學概念來量化表示事件發生的可能性。我們將在後續章節給出它的定義。
人類的推理還有其它很多方法。我們會在後續章節陸續展開介紹。
圖2 關於堵車的推理
人類除了個體智能外，還具有多人協作的群體智能。在科學探索和生產生活日益廣闊、深入、複雜、多樣的今天，很多事情靠單個個體已經不能完成。眾多人類個體如何協作共同完成一項大的任務，也顯得尤為重要。
智能就是這樣的
好了，有了交通規則場景，我們基本可以提煉出人的智能究竟是什麼了？一般來說，人的智能包括但不局限於以下幾個方面。
1）感知與認識客觀事物、客觀世界與自我的能力
人通過眼睛、耳朵、鼻子、身體表面的末梢神經感知環境與自我，併產生一定認識。如寶寶的各種不適感、飢餓感；大人對寶寶的哭聲、表情等各種信息用眼睛看、用耳朵聽；過馬路時用眼睛觀察信號燈的顏色，用耳朵聽汽車的喇叭聲；捉迷藏時用眼睛觀察某個地方是否藏有目標；綜合運用身體的各個器官感知物體的幾何形狀、顏色、紋理、軟硬度、溫度等特徵屬性。
2）通過學習取得經驗、積累知識的能力
學習是人類很重要的一種能力。照顧寶寶中，寶寶從多次「哭泣，得到照顧」的事件中歸納出「如果哭，則得到照顧」的知識的過程是一種學習。寶寶爸媽從照顧寶寶的經歷中積累到的類似「如果哭泣，則寶寶飢餓，則應該餵奶」、「如果哭泣，則寶寶尿褲，則應該更換尿布」的經驗的過程是一種學習。寶寶從爸爸媽媽那裡獲得交通規則的過程是一種學習。我們上幼兒園、小學、中學、大學，掌握了語文、數學、外語、地理、歷史、物理、化學、生物等各種學科門類基本知識，以及象計算機、材料、機械、人工智慧等各種專業知識，是學習。我們從父母那繼承了為人處世的方法、禮儀，是學習。我們按照使用說明書，掌握了各種家用電器、手機、攝像機的使用方法，是學習。我們從不會到能夠甚至熟練的演奏吉他、鋼琴、古箏、小提琴，打籃球、踢足球、打羽毛球，是學習……。人的一生需要不斷地學習。只有通過學習，才能掌握更多的知識，提高我們解決問題的能力。人類的學習方法多種多樣，可以聽老師講、看書、查閱各種資料，可以進行歸納、類比……
3）理解知識、運用知識和運用經驗分析問題和解決問題的能力
學以致用。學習不是目的，運用學習到的知識來分析問題、解決問題才是我們的目的所在。有了數學知識，我們可以為問題建立數學模型，計算平面圖形的面積、邊長，計算立體幾何體的表面積、體積，在建築、機械加工等各個領域應用。有了物理知識，我們能夠理解各種自然現象發生的原理，於是有了電燈、電話、火箭、宇宙飛船。有了化學知識，我們生產了各種藥品、農藥、食品添加劑。掌握了計算機的工作原理和控制技術，我們設計了各種工業控制系統、嵌入式控制系統。學習了人工智慧，於是有了刷臉支付、手寫輸入、語音識別、機器人……。當然我們解決問題的方法也有多種，搜索、推理、系統組織……
4）推理、判斷、決策的能力
推理、判斷、決策也是人類重要的智能活動。推理是思維的基本形式之一，是由一個或幾個已知的前提推出新結論的過程。例如照顧寶寶中從哭聲得到不適的原因的過程，交通規則中從堵車推斷引起堵車的原因的過程。
判斷是對思維對象是否存在、是否具有某種屬性以及事物之間是否具有某種關係的肯定或否定。例如照顧寶寶中「寶寶哭是因為餓了」、「寶寶哭是因為肚子疼」，交通規則中「堵車是應為前方道路變窄」，捉迷藏遊戲中「目標不在這個房間內」，都是判斷。判斷的結果有真有假。例如「堵車是應為前方道路變窄」這一判斷，如果前方道路沒有變窄，則這一判斷為假。
決策指決定的策略或辦法。是人們為各種事件做決定的過程。涵蓋信息搜集、加工，作出判斷、得出結論的思維過程。照顧寶寶中根據哭聲作出餵奶、換尿布、擁抱等決定的過程是決策。交通規則中根據信號燈的顏色作出行走或等待的決定是決策。
5）行為能力
行為能力指運用身體的面部、四肢等部位完成相應動作的能力。如照顧寶寶中，寶寶運用哭泣的能力；使用面部表情表達喜怒哀樂等各種情感的能力；綜合運用身體隨音樂舞蹈的能力；打籃球、羽毛球、乒乓球、踢足球、體操、游泳等從事各種體育運動的能力，等等。行為能力意味著人對決策結果的執行能力，或者對環境的作用能力。
此外，人類智能還包括：運用語言進行抽象、概括的能力；發現、發明、創造、創新的能力；實時地、迅速地、合理地應付複雜環境的能力；預測、洞察事物發展變化的能力等等。
概括來講，可以看出，從人類個體的角度來講，智能是人類個體有目的的行為、合理的思維, 以及有效的適應環境的綜合性能力。或者說，智能是人類個體認識客觀事物和運用知識解決問題的能力。人類個體的智能是一種綜合性能力。
除了人類個體智能以外，人類個體間的協作還體現出群體智能。主要表現在不同個體間如何進行分工與協作、信息溝通與交換等能力。
值得一提的是，智能不僅僅存在於人類，一些生物也能夠通過大量個體間的相互協作，表現出一定的群體智能，例如遷徙的大燕總是能夠排成人字形，成群的鳥類和螞蟻總是能夠快速找到食物，魚類的洄遊也總是成群進行。
智能有這些特點
從前文的介紹和分析可以看出，自然智能具有一些獨特的特點。
首先，智能是以知識為基礎的。
知識是人類對客觀世界和自身的認識。它可以是一種事實的描述，如地球是圓的；太陽能發熱；北京是中國的首都；智能手機不僅可以打電話，還可以上網、看電影、玩遊戲、發微博、發朋友圈，等等。知識也可以是一種規則或者定理，如「如果信號燈是紅色，則禁止通行」，牛頓定理，球體的表面積、體積計算公式，等等。知識還表現為一種策略，比如捉迷藏中的搜索目標的方法、堵車時判斷引起堵車的各種可能原因的方法、去馬爾地夫度假選擇旅行團的方法，等等。人類通過感知形成對客觀世界和自身的認識，通過對已知事實進行推理獲得新的知識，利用知識進行決策和解決問題。
其次，智能行為具有試探性、不精確、甚至允許出現錯誤等特點。
從本質上上講，這些特點是由於人對客觀世界和自身的認識是有條件的、不精確的、甚至是錯誤的所造成的。一方面，客觀世界存在的許多事物、事件、現象具有不確定性，如黃昏、灰色、道路通暢、堵車、大屏手機、晴天、冬季、高個子、好學生等等這些概念，都具有模糊性、隨機性等不確定性，難以對它們進行精確的量化表示，每個人對它們的理解也具有主觀差異性。
另一方面，人類對客觀世界的認知是有條件的、局限的、甚至是錯誤的。例如人類對天體運動的認識，最早提出地心說，認為其他天體都以地球為中心旋轉運動。後來又發現地球和太陽系的其他行星是繞太陽旋轉的，運動的軌道是橢圓。再往後又發現了銀河系，太陽系只是銀河系中億萬個星系中的一個。再比如人們對物體受力和運動的認識，牛頓發現了三大定理，很好的解釋了物體受力與運動之間的關係；後來愛因斯坦又發現，當物體運動速度接近光速時，牛頓定理已經不再適用，於是提出了相對論。關於相對論，有點深奧，我們不必深究。我們只是想通過這些例子說明，人類對客觀世界的認識不總是正確的，總是在否定之否定中前進。
另外，人類總是在不斷地面臨新的問題。新問題可能更加複雜，其求解更加困難。比如
第三，關於智能的觀點具有爭議性。
第四，關於智能還沒有徹底研究清楚。
為什麼是人工智慧
太空探索之玉兔號月球車
2013年12月15日4時35分，我國首輛月球車「玉兔號」與嫦娥三號著陸器分離，順利駛抵月球表面。月球車在一個完全陌生、無人的環境下，它該如何去行走和工作呢？我們先想像一下，假如是我們自己，到一個完全陌生、沒有任何道路等人工設施的地方，我們應該怎麼行走呢？我們當然需要觀察周圍環境，看地勢是否平坦？是否有障礙物或深坑？然後，作出相應的決策：如果地勢平坦，則行走；如果有障礙物或深坑，則停止，繞開。根據決策結果，邁動雙腿前進，或停止，或轉向。
對於月球車而言，要在月球表面安全行走，同樣需要這樣一個過程。也許你要說，可以在地球上觀察它傳回來的圖像，實時地遙控月球車行走啊。如果月球距離地球很近，這樣做也許沒有問題。但是，不要忘了，月球距地球有超過38萬公里的距離，而光速為30萬公里/秒。圖像從月球傳回地球需要1秒鐘以上的時間，操作員發出的遙控指令也需要1秒鐘以上的時間才能到達月球。這就意味著，當你在地球上看到月球車面臨的一個障礙物或懸崖時，你的操控指令還沒到達，它已經撞上障礙物或者墜落懸崖了。如果要探索更遠的星球，比如火星，這個傳輸時間將更長。因此，遙控操作已經不能滿足探月要求了。
這種情況下，必須賦予月球車以類似人的能力，能夠自己「觀察」環境，識別平坦、障礙、深坑等環境狀況，根據識別結果自動做出前進、停止、轉彎等決策，發出指令驅動行走機構，執行相應的移動動作，並在到達目標前重複進行這個過程。月球車能夠自己觀察、識別、判斷、決策、執行的能力叫自主性。這就是將人類智能賦予月球車，形成的所謂人工智慧。因此，在無人星際探索這樣具有遙遠距離的場合，離不開人工智慧。
類似的，對救災、核輻射、危險化學品等危險場合，深海探測、空中飛行、戰場偵查等任務，人們都希望設備載體具有一定的智能，以在人不能及時干預時能夠自動地規避危險和完成一些特定任務。
車牌識別的技術變遷
車牌識別屬於典型的圖像識別技術，是利用技術手段對車輛信息的一種感知。它取代了傳統的人工開啟、或駕駛員取卡開啟欄杆進入停車場的管理方式，由計算機自動識別車牌信息，進行停車管理。從發展歷史來看，停車場管理經歷了人工管理、駕駛員自助取卡、射頻卡識別、圖像識別的階段。人工管理需要有人值守，效率較低，且存在工作環境差（如雨雪天）、勞動強度高（如來回跑）等缺點。駕駛員自助取卡方式則不再需要有專人負責記錄車輛的駛入信息，且能夠實現自動計費，降低了停車場的管理成本。射頻卡識別方式則更進一步，連駕駛員也無需任何操作，系統可自動識別射頻卡的身份信息，實現出入停車場和自動計費。而圖像識別方式，不僅具有射頻卡識別方式的優點，還具有能夠保存車輛的圖像信息、不需要汽車主人額外花錢安裝識別設備、各個停車場技術通用等優點。
可見，停車場管理技術的變遷實際上代表了人類社會發展的一種趨勢。人類總是朝著勞動生產率更加高效，勞動強度、資源、經濟和人力等成本更低的方向發展。車牌識別技術由於能夠實現無人值守、自動計費、技術通用、不需要駕駛員的額外操作和花銷等優點，順應了人們對停車管理的發展趨勢，符合人類生產生活的進步要求。其實人類在任何領域都遵循著這樣一種發展規律。新技術無一不應用了人工智慧的方法。
大數據
近幾十年以來，隨著感測器及其網路技術、互聯網、移動互聯網、電子商務、物聯網等現代科學技術的普及和應用，人類正產生和積累著有史以來最為龐大的數據，而數據中可能蘊藏著巨大的價值。
大數據具有所謂的5V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性）。大數據的起始計量單位至少是P（1000個T）。數據類型包括網路日誌、音頻、視頻、圖片、地理位置信息等等，種類繁雜。信息海量，但價值密度較低，需要價值「提純」。對大數據的處理要求速度快、時效性高。處理結果要具有真實的數據質量。非結構化數據越來越成為數據的主要部分。
大數據的上述特徵使其無法在一定時間範圍內用常規軟體工具進行捕捉、管理和處理，無法用人腦來推算、估測，或者用單台的計算機進行處理，需要新處理模式，搜索、處理、分析、歸納、總結其深層次的規律。
大數據和人工智慧是相輔相成、互相促進的。一方面，由於各類感測器和數據採集技術的發展，我們開始擁有以往難以想像的的海量數據，傳統的數據挖掘方法已無法滿足處理要求，需要採用人工智慧的方法從數據中學習、發現知識。另一方面，大數據是人工智慧、機器學習的基礎。設想一下，如果沒有收集到大量的人們出行信息，高德導航、百度導航等導航類軟體如何提供實時路況、情景智能等出行服務？如果不收集用戶瀏覽購物網站的記錄，從中分析用戶的喜好，電子商務網站如何精準地向用戶推送廣告？因此，人工智慧演算法離不開大量數據的支持。
人類對未知環境的探索、作業，人類對提高生產率、提升工作和生活的舒適度、降低人財物等成本的追求，以及物聯網等現代技術手段所產生的海量數據，加速了智能化技術的發展和應用。人工智慧的加速發展是這些因素作用的必然，人類將不可避免地邁入智能化時代。
什麼又是人工智慧
理解了智能化時代是人類社會發展的必然，我們即將揭開人工智慧的神秘面紗，逐步展開對它的學習。在步入學習之前，我們首先要對人工智慧有一個概要性的認識。與人的智能相比，人工智慧到底是指什麼？人工智慧研究哪些方面的內容？可以應用到哪些領域？另外，作為一個即將伴隨終生的一個「伴侶」，了解一些人工智慧的歷史也是有必要的。譬如，人工智慧有哪些研究學派？人工智慧發展歷史上的一些重要人物和事件，等等。
人工智慧及其研究內容
人工智慧是相對人的自然智能而言，用人工的方法和技術，模仿、延伸和擴展人的智能，實現某些所謂的「機器思維」。具體的說，讓機器象人一樣能夠感知客觀世界並形成認識，能夠從已有數據或知識中學習得到知識、更新知識，能夠運用知識分析和解決問題，能夠根據知識和已知條件進行推理、判斷、作出決策，能夠執行諸如行走、搬運、舞蹈等行為，等待。
具有上述部分或全部特徵的技術、設備、系統，即認為是智能化的。值得一提的是，智能化系統並不僅限於象機器人、指紋識別設備、玉兔號月球車這樣的物理設備，也包括如百度搜索這樣的網路搜索引擎，智能語音客服，阿爾法圍棋（AlphaGo）程序等軟體系統。
人工智慧是使用機器模仿、延伸和擴展人的智能，根據人類智能的表現，則人工智慧相應地要研究如何賦予機器感知、思維、學習、行為等能力。
機器感知，是要讓計算機具有類似於人的感知能力，如視覺、聽覺、觸覺、嗅覺、味覺。可以把機器感知看成智能系統的輸人。在機器感知中．目前研究較多和較為成功的是機器視覺（或叫計算機視覺）和機器聽覺（或叫計算機聽覺）。人們對機器感知的研究已在人工智慧中形成了一些專門的研究領域，如計算機視覺、模式識別、自然語言理解等。
思維是人類所具有的高級認識活動，思維是對新輸入信息與腦內儲存知識經驗進行一系列複雜的心智操作過程，例如：分析與綜合、比較與分類、抽象和概括等。機器思維，是讓計算機能夠對感知到的外界信息和自己產生的內部信息進行思維型加工。由於人類智能主要來自於大腦的思維活動，因此機器思維也應該是機器智能的重要組成部分。為了實現機器的思維功能，需要在知識的表示、組織及推理方法，各種啟發式搜索及控制策略，神經網路、思維機理等方面進行研究。
機器學習是讓計算機能夠像人那樣自動地獲取新知識，並在實踐中不斷地完善自我和增強能力。機器學習是機器具有智能的重要標誌，也是人工智慧研究的核心問題之一。目前人們已經研究出了不少機器學習方法，如記憶學習、歸納學習、解釋學習、發現學習、神經學習和遺傳學習等。
所謂機器行為就是讓計算機能夠具有像人那樣的行動和表達能力，如走、跑、拿、說、唱、寫、畫等。如果，機器行為可看成智能系統的輸出，例如，智能控制、智能製造、智能調度、智能機器人等。
無論是人工智慧的近期目標還是遠期目標，都需要建立智能機器，因此需要開展對系統模型，構造技術，構造工具及語言環境等方面的研究。
人工智慧的主要學派
人工智慧的研究從誕生至今，主要經歷了三大研究學派。
(1)符號主義,又稱為邏輯主義、心理學派或計算機學派,其原理主要為物理符號系統(即符號操作系統)假設和有限合理性原理。
傳統人工智慧以Newell和Simon提出的物理符號系統假設為基礎，稱為是符號主義，或符號智能。物理符號系統由一組符號實體（例如字母、單詞、編碼）組成，它們都是物理模式，可在符號結構的實體中作為組分出現。由於計算機不能象人一樣理解自然語言，但是可以處理各種符號。將知識用符號進行表示，對符號系統可以進行建立、修改、複製、刪除等操作，以生成其它符號結構。從而進行知識表示、學習、推理、決策等智能過程。
(2)連接主義,又稱為仿生學派或生理學派,其原理主要為神經網路及其連接機制。
連接主義認為人工智慧源於仿生學,特別是對人腦的神經元結構。1943年，生理學家麥卡洛克和數理邏輯學家皮茨創立了腦模型（MP模型），它從神經元模型開始，進而研究神經網路模型和腦模型,開闢了人工智慧的又一發展道路。20世紀60～70年代,連接主義,尤其是對以感知機為代表的腦模型的研究曾出現過熱潮。Hopfield教授在1982年和1984年提出用硬體模擬神經網路。1986年,魯梅爾哈特等人提出多層網路中的誤差反向傳播(BP)演算法。此後,連接主義從模型到演算法,從理論分析到工程實現,為神經網路的發展打下基礎。現在,以深度學習為代表的神經網路方法正處於熱門研究階段。
(3)行為主義。
行為主義學派，亦稱行為模擬學派，認為智能行為的基礎是「感知—行動」的反應機制。基於智能控制系統的理論、方法和技術，研究擬人的智能控制行為。
1991年Brooks提出了無需知識表示的智能和無需推理的智能，他認為智能只是在與環境交互作用中表現出來，不應採用集中式的模式，而是需要具有不同的行為模塊與環境交互，以此來產生複雜的行為。他認為任何一種表達方式都不能完善地代表客觀世界中的真實概念，因而用符號串表示智能過程是不妥當的。這在許多方面是行為心理學在人工智慧中的反映。
以上三個人工智慧學派將長期共存與合作,取長補短,並走向融合和集成,共同為人工智慧的發展作出貢獻。
人工智慧研究與應用領域
目前，人工智慧已經滲透到生產生活的各個應用領域中，例如：問題求解、邏輯推理與定理證明、自然語言理解、自動程序設計、專家系統、機器學習、神經網路、機器人學、模式識別、機器視覺、智能控制、智能檢索、智能調度與指揮、分散式人工智慧與Agent、計算智能與進化計算、數據挖掘與知識發現。
人工智慧的歷史
人工智慧的誕生（20世紀40～50年代）
1950年：圖靈測試
1950年，著名的圖靈測試誕生，按照「人工智慧之父」艾倫·圖靈的定義：如果一台機器能夠與人類展開對話（通過電傳設備）而不能被辨別出其機器身份，那麼稱這台機器具有智能。同一年，圖靈還預言會創造出具有真正智能的機器的可能性。
1954年：第一台可編程機器人誕生
1954年美國人喬治·戴沃爾設計了世界上第一台可編程機器人。
1956年：人工智慧誕生
1956年夏天，美國達特茅斯學院舉行了歷史上第一次人工智慧研討會，被認為是人工智慧誕生的標誌。會上，麥卡錫首次提出了「人工智慧」這個概念，紐厄爾和西蒙則展示了編寫的邏輯理論機器。
人工智慧的黃金時代（20世紀50～70年代）
1966年～1972年：首台人工智慧機器人Shakey誕生
1966年～1972年期間，美國斯坦福國際研究所研製出機器人Shakey，這是首台採用人工智慧的移動機器人。
1966年：世界上第一個聊天機器人ELIZA發布
美國麻省理工學院（MIT）的魏澤鮑姆發布了世界上第一個聊天機器人ELIZA。ELIZA的智能之處在於她能通過腳本理解簡單的自然語言，並能產生類似人類的互動。
1968年：計算機滑鼠發明
1968年12月9日，美國加州斯坦福研究所的道格·恩格勒巴特發明計算機滑鼠，構想出了超文本鏈接概念，它在幾十年後成了現代互聯網的根基。
人工智慧的低谷（20世紀70～80年代）
20世紀70年代初，人工智慧遭遇了瓶頸。當時的計算機有限的內存和處理速度不足以解決任何實際的人工智慧問題。要求程序對這個世界具有兒童水平的認識，研究者們很快發現這個要求太高了：1970年沒人能夠做出如此巨大的資料庫，也沒人知道一個程序怎樣才能學到如此豐富的信息。由於缺乏進展，對人工智慧提供資助的機構（如英國政府、美國國防部高級研究計劃局和美國國家科學委員會）對無方向的人工智慧研究逐漸停止了資助。美國國家科學委員會（NRC）在撥款二千萬美元後停止資助。
人工智慧的繁榮期（1980年～1987年）
1981年：日本研發人工智慧計算機
1981年，日本經濟產業省撥款8.5億美元用以研發第五代計算機項目，在當時被叫做人工智慧計算機。隨後，英國、美國紛紛響應，開始向信息技術領域的研究提供大量資金。
1984年：啟動Cyc（大百科全書）項目
在美國人道格拉斯·萊納特的帶領下，啟動了Cyc項目，其目標是使人工智慧的應用能夠以類似人類推理的方式工作。
1986年：3D印表機問世
美國發明家查爾斯·赫爾製造出人類歷史上首個3D印表機。
人工智慧的冬天（1987年～1993年）
「AI（人工智慧）之冬」一詞由經歷過1974年經費削減的研究者們創造出來。他們注意到了對專家系統的狂熱追捧，預計不久後人們將轉向失望。事實被他們不幸言中，專家系統的實用性僅僅局限於某些特定情景。到了上世紀80年代晚期，美國國防部高級研究計劃局（DARPA）的新任領導認為人工智慧並非「下一個浪潮」，撥款將傾向於那些看起來更容易出成果的項目。
人工智慧真正的春天（1993年至今）
1997年：電腦深藍戰勝國際象棋世界冠軍
1997年5月11日，IBM公司的電腦「深藍」戰勝國際象棋世界冠軍卡斯帕羅夫，成為首個在標準比賽時限內擊敗國際象棋世界冠軍的電腦系統。
2011年：開發出使用自然語言回答問題的人工智慧程序
2011年，Watson（沃森）作為IBM公司開發的使用自然語言回答問題的人工智慧程序參加美國智力問答節目，打敗兩位人類冠軍，贏得了100萬美元的獎金。
2012年：Spaun誕生
加拿大神經學家團隊創造了一個具備簡單認知能力、有250萬個模擬「神經元」的虛擬大腦，命名為「Spaun」，並通過了最基本的智商測試。
2013年：深度學習演算法被廣泛運用在產品開發中
Facebook人工智慧實驗室成立，探索深度學習領域，藉此為Facebook用戶提供更智能化的產品體驗；Google收購了語音和圖像識別公司DNNResearch，推廣深度學習平台；百度創立了深度學習研究院等。
2015年：人工智慧突破之年
Google開源了利用大量數據直接就能訓練計算機來完成任務的第二代機器學習平台Tensor Flow；劍橋大學建立人工智慧研究所等。
2016年：AlphaGo戰勝圍棋世界冠軍李世石
2016年3月15日，Google人工智慧AlphaGo與圍棋世界冠軍李世石的人機大戰最後一場落下了帷幕。人機大戰第五場經過長達5個小時的搏殺，最終李世石與AlphaGo總比分定格在1比4，以李世石認輸結束。這一次的人機對弈讓人工智慧正式被世人所熟知，整個人工智慧市場也像是被引燃了導火線，開始了新一輪爆發。
大事記
1942年：「機器人三定律」提出
美國科幻巨匠阿西莫夫提出「機器人三定律」，後來成為學術界默認的研發原則。
1956年：人工智慧的誕生
達特茅斯會議上，科學家們探討用機器模擬人類智能等問題，並首次提出了人工智慧（AI）的術語，AI的名稱和任務得以確定，同時出現了最初的成就和最早的一批研究者。
1959年：第一代機器人出現
德沃爾與美國發明家約瑟夫·英格伯格聯手製造出第一台工業機器人。隨後，成立了世界上第一家機器人製造工廠——Unimation公司。
1965年：興起研究「有感覺」的機器人
約翰·霍普金斯大學應用物理實驗室研製出Beast機器人。Beast已經能通過聲納系統、光電管等裝置，根據環境校正自己的位置。
1968年：世界第一台智能機器人誕生
美國斯坦福研究所公布他們研發成功的機器人Shakey。它帶有視覺感測器，能根據人的指令發現並抓取積木，不過控制它的計算機有一個房間那麼大，可以算是世界第一台智能機器人。
2002年：家用機器人誕生
美國iRobot公司推出了吸塵器機器人Roomba，它能避開障礙，自動設計行進路線，還能在電量不足時，自動駛向充電座。Roomba是目前世界上銷量較大的家用機器人。
2014年：機器人首次通過圖靈測試
在英國皇家學會舉行的「2014圖靈測試」大會上，聊天程序「尤金·古斯特曼」（Eugene Goostman）首次通過了圖靈測試，預示著人工智慧進入全新時代。
2016年：AlphaGo打敗人類
2016年3月，AlphaGo對戰世界圍棋冠軍、職業九段選手李世石，並以4：1的總比分獲勝。這並不是機器人首次打敗人類事件。
強人工智慧和弱人工智慧
人工智慧的一個比較流行的定義，也是該領域較早的定義，是由當時麻省理工學院的約翰·麥卡錫在1956年的 達特矛斯會議上提出的：人工智慧就是要讓機器的行為看起來就像是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性。另一個定義指人工智慧是人造機器所表現出來的智能。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這裡「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。
強人工智慧
強人工智慧觀點認為有可能製造出真正能推理（Reasoning）和解決問題的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：
類人的人工智慧，即機器的思考和推理就像人的思維一樣。
非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。
弱人工智慧
弱人工智慧觀點認為不可能製造出能真正地推理和解決問題的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。
需要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在一百多年前是被認為很需要智能的。並且，即使強人工智慧被證明為可能的，也不代表強人工智慧必定能被研製出來。
TAG:全球大搜羅 |