Task1.2 A.I. 发展史

参考：

https://www.youtube.com/watch?v=F-KNDH3m8mw
https://www.youtube.com/watch?v=t81HiFOqbAs
https://en.wikipedia.org/wiki/History_of_artificial_intelligence
http://mp.weixin.qq.com/s?__biz=Mzg2MzAxODA1Mw==&mid=2247494331&idx=1&sn=6e07456b9dc63c65a83414ca53ea9aa3&chksm=ce7da791f90a2e87235cb7c0db64399bca5c88af2ffe6ccc6c0c66cf094190168bf96c09835e&mpshare=1&scene=1&srcid=0219YxHT9rJUk9FTAUuPQ7yQ#rd
https://mp.weixin.qq.com/s?__biz=Mzg2MzAxODA1Mw==&mid=2247494483&idx=5&sn=967a11e83c5bf2844500c01a6eac7d18&chksm=ce7da679f90a2f6f0693954bc85f513bbc2658de94533373e9bd02ac0f0ae3ff90acae6ec6b7&mpshare=1&scene=1&srcid=#rd
https://cloud.tencent.com/developer/article/1005143
https://en.wikipedia.org/wiki/Progress_in_artificial_intelligence
https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence
https://en.wikipedia.org/wiki/Timeline_of_machine_learning
https://zhuanlan.zhihu.com/p/33288542
http://m.elecfans.com/article/700120.html

1. 神话、小说中的人工智能

机械人和人造生物出现在希腊神话中，例如赫菲斯托斯和皮格马利翁的加拉提亚的金色机器人。在中世纪，有传言说秘密的神秘或炼金术方法将心灵置于物质之中，例如Rabbi Judah Loew的Golem。到了19世纪，关于人造人和思维机器的想法是在小说中发展起来的，如玛丽雪莱的弗兰肯斯坦或者如下图，Karel Čapek's R.U.R. (Rossum's Universal Robots)。
人工智能一直是科幻小说的重要元素。

2.自动机

现实的人形机器人是由来自各个文明的工匠建造的，包括Yan Shi，亚历山大的英雄，Al-Jazari （如下图），Pierre Jaquet-Droz和Wolfgang von Kempelen。已知最古老的机器人是古埃及和希腊的神圣雕像。忠实的信徒认为，工匠们用非常真实的思想灌输了这些人物，能够智慧和情感 - 爱马仕Trismegistus写道：“通过发现神灵的真实本质，人类已经能够重现它。

3.正式推理

人工智能基于人类思维过程可以机械化的假设。机械或正式推理的研究历史悠久。在公元前一千年，中国，印度和希腊哲学家都制定了正式演绎的结构化方法。几个世纪以来，他们的思想是由亚里士多德（他对三段论进行了正式分析）等哲学家发展起来的，欧几里德（其元素是形式推理的模型），al-Khwārizmī（他开发代数并将他的名字命名为“算法”）和欧洲的学者哲学家，如威廉的奥卡姆和邓斯斯科特斯。

马略卡哲学家Ramon Llull（1232-1315）开发了几种专门用逻辑手段生成知识的逻辑机器; Llull将他的机器描述为机械实体，可以通过简单的逻辑运算将基本和不可否认的事实结合起来，由机器生成机械意义，以产生所有可能知识的方式。Llull的工作对Gottfried Leibniz产生了巨大的影响，后者重新开发了他的想法。

在17世纪，莱布尼茨，托马斯·霍布斯和勒内·笛卡尔探索了所有理性思想可以像代数或几何一样系统化的可能性。霍布斯在利维坦写道：“理智只不过是在推算”。莱布尼兹设想了一种推理的通用语言（特点是普遍性），它会减少对计算的论证，因此“两个哲学家之间不再需要争论，彼此说：让我们来计算。“这些哲学家们已经开始阐明物理符号系统假设，它将成为人工智能研究的指导信念。

在20世纪，数学逻辑的研究提供了必不可少的突破，使人工智能看起来似乎有道理。这些基础是由布尔的思想法则和弗雷格的Begriffsschrift等作品设定的。在弗雷格系统的基础上，拉塞尔和怀特黑德在他们的杰作，1913年的Principia Mathematica中对数学基础进行了正式的处理。受到罗素成功的启发，大卫希尔伯特向20世纪20年代和30年代的数学家提出挑战，回答这个基本问题：“可以全部数学推理的形式化是什么？“他的问题由哥德尔的不完全性证明，图灵的机器和教会的Lambda演算来回答。

他们的答案在两个方面令人惊讶。首先，他们证明了数学逻辑可以实现的限制。但其次（对AI来说更重要）他们的工作表明，在这些限制范围内，任何形式的数学推理都可以机械化。 Church-Turing论文暗示一个机械装置，像0和1那样简单的改组符号，可以模仿任何可以想象的数学推导过程。关键的洞察力是图灵机 - 一个简单的理论构造，捕捉了抽象符号操作的本质。本发明将激励少数科学家开始讨论思考机器的可能性。

简单说下图灵机，如下图所示，图灵机是一个虚拟的机器，由数学家阿兰·图灵1936年提出来的，尽管这个机器很简单，但它可以模拟计算机的任何算法，无论这个算法有多复杂。假设有一个无穷的纸带，纸带就像一个存储器一样。纸带上面的每个格子是空白的，但是可以读写数据，在这个例子里，机器只能写0，1，或者什么也不写。这个机器就是包含3个信号的图灵机。这个机器有一个探头，这个头可以移动到每一个空格上，用这个头，机器可以有3个基本操作。1、读空格的数据；2、编辑数据，可以是写一个新的数据，可以是擦除数据；3、移动纸带向左或者向右，这样机器可以读或者编辑旁边的格子。只要给程序添加足够多的状态，我们可以让图灵机有更多的功能，理论上可以实现现代计算机能做的一切复杂算法。

4.计算机科学

计算机器都是古代的许多数学家等（包括哲学家莱布尼兹（Gottfried Leibniz））建造的，并在整个历史中得到了改进。在19世纪早期，查尔斯巴贝奇设计了一台可编程计算机（分析引擎），尽管它从未建成。 Ada Lovelace推测这台机器“可能构成任何复杂程度或程度的复杂而科学的音乐作品”。（她经常被认为是第一个程序员，因为她写的一组笔记完全详细说明了使用引擎计算伯努利数的方法。第一台现代计算机是第二次世界大战的大规模破码机（如Z3，ENIAC和巨像）。后两种机器基于Alan Turing 奠定的理论基础，由John von Neumann开发。

5.人工智能诞生（1952-1956）

在20世纪40年代和50年代，来自各个领域（数学，心理学，工程学，经济学和政治学）的少数科学家开始讨论创造人造大脑的可能性。人工智能研究领域成立于1956年，是一门学科。

控制论和早期神经网络

对思维机器的最早研究的灵感来自于在20世纪30年代末，20世纪40年代和50年代初流行的各种思想。最近的神经学研究表明，大脑是神经元的电网络，可以用全有或全无的脉冲发射。 Norbert Wiener的控制论描述了电网中的控制和稳定性。 Claude Shannon的信息理论描述了数字信号（即全有或全无信号）。阿兰图灵的计算理论表明，任何形式的计算都可以用数字方式描述。这些想法之间的密切关系表明，有可能构建一个电子大脑。这方面的工作实例包括W. Grey Walter的海龟和约翰霍普金斯野兽等机器人。这些机器不使用计算机，数字电子或符号推理;它们完全由模拟电路控制。Walter Pitts和Warren McCulloch分析了理想化人工神经元的网络，并展示了它们如何执行简单的逻辑功能。他们是第一个描述后来研究人员称之为神经网络的人。受Pitts和McCulloch启发的一名学生是年轻的Marvin Minsky，当时是一名24岁的研究生。 1951年（与Dean Edmonds合作），他建造了第一台神经网络机器SNARC。明斯基将成为未来50年人工智能领域最重要的领导者和创新者之一。
图灵测试
1950年，艾伦·图灵发表了一篇具有里程碑意义的论文，他在论文中推测创造思考机器的可能性。他指出，“思考”很难定义和设计他着名的图灵测试。如果机器可以进行与人类交谈无法区分的对话（通过电传打字机），那么说机器是“思考”是合理的。这个问题的简化版本让图灵能够令人信服地争辩说“思维机器”至少是合理的，并且该论文回答了对该命题的所有最常见的反对意见。图灵测试是人工智能哲学中的第一个严肃的提议。
游戏AI
1951年，克里斯托弗·斯特拉希（Christopher Strachey）使用曼彻斯特大学的Ferranti Mark 1机器编写了一个跳棋程序，迪特里希·普林兹（Dietrich Prinz）为国际象棋写了一个。Arthur Samuel的跳棋计划是在50年代中期和60年代初期开发的，最终取得了足够的技能来挑战一位受人尊敬的业余爱好者。游戏AI将继续用作衡量AI历史上进展的指标。
符号推理于逻辑理论家
当在五十年代中期开始使用数字计算机时，一些科学家本能地认识到可以操纵数字的机器也可以操纵符号，符号的操纵很可能是人类思想的本质，这是创造思维机器的新方法。1955年，艾伦·纽厄尔和（未来的诺贝尔奖获得者）赫伯特·西蒙创建了“逻辑理论家”（在J. C. Shaw的帮助下）。该程序最终将证明Russell和Whitehead的Principia Mathematica中的前52个定理中的38个，并为某些人找到新的更优雅的证据。西蒙说，他们“解决了古老的思想/身体问题，解释了由物质组成的系统如何具有心灵的属性。”（这是John Searle后来称之为“强AI”的哲学立场的早期陈述。 “：机器可以像人体一样包含思想。”
达特茅斯会议：AI 诞生
1956年的达特茅斯会议由Marvin Minsky，John McCarthy和两位资深科学家组成：IBM的Claude Shannon和Nathan Rochester。会议的提议包含了这样一个主张：“学习的每个方面或任何其他智能特征都可以如此精确地描述，以便可以使机器模拟它”。与会者包括Ray Solomonoff，Oliver Selfridge，Trenchard More，Arthur Samuel，Allen Newell和Herbert A. Simon，他们都将在人工智能研究的最初几十年内创建重要的项目。在会议上，纽厄尔和西蒙首次推出了“逻辑理论家”，麦卡锡说服与会者接受“人工智能”作为该领域的名称。1956年达特茅斯会议是人工智能获得其名称、使命，第一次成功及其主要参与者的时刻，被广泛认为是人工智能的诞生。

6. 黄金岁月（1956-1974）

达特茅斯会议之后的几年是一个发现的时代，跨越了新的领域。对大多数人来说，在这段时间内开发的程序只是“令人惊讶”：计算机正在解决代数词问题，证明几何定理和学习说英语。当时很少有人相信机器的这种“智能”行为是可能的。研究人员表达了对私人和印刷品的强烈乐观态度，预测将在不到20年的时间内建造一台全智能机器。像DARPA这样的政府机构将钱投入新领域。

工作（推理搜索、自然语言、微观世界）
搜索式推理：许多早期的AI程序使用相同的基本算法。为了达到某个目标（比如赢得一场比赛或证明一个定理），他们一步步走向它（通过移动或演绎），就好像在迷宫中搜索一样，只要它们到达死胡同就会回溯。这种范式被称为“搜索式推理”。

主要困难在于，对于许多问题，通过“迷宫”的可能路径的数量仅仅是天文数字（称为“组合爆炸”的情况）。研究人员会通过使用启发式或“经验法则”来减少搜索空间，从而消除那些不太可能导致解决方案的路径。Newell和Simon试图在一个名为“一般问题解决者”的程序中捕获该算法的一般版本；一些“搜索”程序能够完成令人印象深刻的任务，如解决几何和代数中的问题，例如Herbert Gelernter的Geometry Theorem Prover（1958）和SAINT，由Minsky的学生James Slagle（1961）撰写；另一些程序通过目标和子目标进行搜索以计划行动，例如在斯坦福开发的STRIPS系统，以控制其机器人Shakey的行为。
自然语言：人工智能研究的一个重要目标是允许计算机以英语等自然语言进行交流。早期的成功是Daniel Bobrow的计划学生，它可以解决高中代数词问题。语义网将概念（例如“房屋”，“门”）表示为节点，并将概念之间的关系（例如“has-a”）表示为节点之间的链接。使用语义网的第一个AI程序是由Ross Quillian编写的，最成功的（也是有争议的）版本是Roger Schank的概念依赖理论。Joseph Weizenbaum的ELIZA可以进行非常逼真的对话，用户偶尔也会误以为他们是在与人交流，而不是与程序交流。但事实上，ELIZA不知道她在说什么。她简单地给了一个罐头回应，或者重复回复对她所说的话，用一些语法规则重述她的回答。 ELIZA是第一个聊天机器人。
微世界
在60年代后期，麻省理工学院人工智能实验室的Marvin Minsky和Seymour Papert提出人工智能研究应该关注人工简单的微观世界。他们指出，在像物理这样的成功科学中，基本原理通常最好用简化模型来理解，比如无摩擦平面或完全刚体。大部分研究都集中在“块世界”，它由排列在平面上的各种形状和大小的彩色块组成。这种模式导致Gerald Sussman（他领导团队），Adolfo Guzman，David Waltz（发明了“约束传播”），特别是Patrick Winston的机器视觉创新工作。与此同时，明斯基和帕珀特建造了一个可以堆叠积木的机器人手臂，将积木世界变为现实。微观世界计划的最高成就是Terry Winograd的SHRDLU。它可以用普通的英语句子进行交流，计划操作并执行它们。
乐观态度
第一代AI研究人员对他们的工作进行了这些预测：1958年，H。A. Simon和Allen Newell：“十年之内，数字计算机将成为世界象棋冠军”，并且“十年内数字计算机将发现并证明一个重要的新数学定理。” 1965年，H。A. Simon：“机器将能够在二十年内完成人类可以做的任何工作。” 1967年，Marvin Minsky：“在一代人之内......创造'人工智能'的问题将基本得到解决。”[59]
1970年，Marvin Minsky（生活杂志）：“在三到八年内，我们将拥有一台具有普通人类智能的机器。”
资助
1963年6月，麻省理工学院从新成立的高级研究计划局（后来称为DARPA）获得了220万美元的拨款。这笔资金用于资助项目MAC，该项目包含了五年前由明斯基和麦卡锡创立的“AI集团”。 DARPA继续每年提供300万美元，直到70年代。DARPA在CMU和斯坦福AI项目（由John McCarthy于1963年创立）中为Newell和Simon的项目提供了类似的资助。另一个重要的人工智能实验室于1965年由唐纳德·米奇在爱丁堡大学成立。[63]这四个机构多年来将继续成为学术界人工智能研究（和资金）的主要中心。这些钱几乎没有附加条件：当时ARPA主任J. C. R. Licklider认为他的组织应该“资助人，而不是项目！”并允许研究人员追求他们可能感兴趣的任何方向。这在麻省理工学院创造了一种随心所欲的氛围，催生了黑客文化，但这种“放手”的方法不会持久。
机器人
在日本，早稻田大学于1967年启动了WABOT项目，并于1972年完成了WABOT-1，这是世界上第一个全尺寸智能人形机器人，或android。它的肢体控制系统允许它与下肢一起行走，并使用触觉传感器用手抓住和运输物体。它的视觉系统允许它使用外部感受器，人工眼睛和耳朵测量物体的距离和方向。它的会话系统允许它用日语与一个人工嘴巴进行交流。

7. 1974-1980 第一次AI 寒冬

在20世纪70年代，人工智能受到批评和金融挫折。 AI研究人员未能意识到他们面临的问题的困难。他们极大的乐观态度提高了人们的预期，当承诺的结果未能实现时，人工智能的资金就消失了。与此同时，连接主义（或神经网络）领域几乎完全被Marvin Minsky对感知器的毁灭性批评关闭了10年。尽管在70年代后期公众对人工智能的看法存在困难，但在逻辑程序设计，常识推理和许多其他领域中探索了新思路。

问题
在七十年代早期，人工智能程序的能力有限。即使是最令人印象深刻的也只能处理他们应该解决的问题的琐碎版本; 从某种意义上说，所有的节目都是“玩具”。人工智能研究人员已经开始遇到几个在20世纪70年代无法克服的基本限制。虽然其中一些限制将在后来的几十年中被征服，但其他人仍然阻碍了这一领域的发展。
有限的计算机能力：没有足够的内存或处理速度来完成任何真正有用的东西。例如，罗斯·奎利安（Ross Quillian）在自然语言方面的成功研究只用了二十个单词的词汇来证明，因为这就是记忆中的所有内容。Hans Moravec在1976年提出了一个类比：人工智能需要计算机能力，就像飞机需要马力一样。低于某个阈值，这是不可能的，但是，随着功率的增加，最终它会变得容易。
难以处理和组合爆炸：1972年，理查德卡普表明，有许多问题可能只能在指数时间内（在输入的大小上）解决。找到这些问题的最佳解决方案需要无法想象的计算机时间，除非问题是微不足道的。这几乎肯定意味着AI使用的许多“玩具”解决方案可能永远不会扩展到有用的系统。[80]
常识知识和推理：许多重要的人工智能应用程序，如视觉或自然语言，只需要大量有关世界的信息：程序需要了解它可能正在查看什么或正在谈论什么。这要求程序知道关于孩子所做的世界的大部分相同事情。研究人员很快发现这是一个真正的大量信息。 1970年没有人可以建立如此庞大的数据库，没有人知道程序如何能够学到如此多的信息。[81]
Moravec的悖论：证明定理和解决几何问题对于计算机来说相对容易，但是一个所谓的简单任务，如识别面部或穿越房间而不碰到任何东西是非常困难的。这有助于解释为什么到20世纪70年代中期，对视觉和机器人技术的研究进展如此之少。框架和资格问题。使用逻辑的AI研究人员（如John McCarthy）发现，他们不能代表涉及计划或默认推理的普通推论而不改变逻辑结构本身。他们开发了新的逻辑（如非单调逻辑和模态逻辑）来试图解决问题。
资金结束
资助人工智能研究的机构（如英国政府，DARPA和NRC）对缺乏进展感到沮丧，并最终切断了几乎所有针对AI的无向研究的资金。该模式早在1966年ALPAC报告出现批评机器翻译工作时便开始了。在花了2000万美元后，NRC终止了所有支持。1973年，Lighthill关于英格兰人工智能研究状况的报告批评了人工智能完全失败以实现其“宏伟目标”，并导致在该国拆除人工智能研究，报告特别提到组合爆炸问题是人工智能失败的原因。DARPA对在CMU从事语音理解研究项目的研究人员非常失望，并取消了每年300万美元的拨款。到1974年，人工智能项目的资金很难找到。汉斯莫拉维克将这场危机归咎于同事的不切实际的预测。 “许多研究人员被卷入了一个越来越夸张的网络。”然而，还有另一个问题：自1969年曼斯菲尔德修正案通过以来，DARPA一直面临越来越大的压力，需要资助“以任务为导向的直接研究，而非比基本的无向研究“。为60年代发生的创造性，随心所欲的探索提供的资金不会来自DARPA。相反，这些钱是针对具有明确目标的特定项目，例如自主坦克和战斗管理系统。
来自校园的批评
一些哲学家强烈反对人工智能研究人员提出的主张。其中最早的一个是约翰卢卡斯，他认为哥德尔的不完备性定理表明，正式系统（如计算机程序）永远看不到某些陈述的真实性，而人类却可以。休伯特·德雷福斯嘲笑20世纪60年代破碎的承诺并批评人工智能的假设，认为人类推理实际上涉及很少的“符号处理”和大量具体的，本能的，无意识的“知道”。1980年提出的约翰塞尔的中国室论证试图表明，一个程序不能说“理解”它所使用的符号（一种称为“意向性”的质量）。塞尔认为，如果符号对机器没有意义，那么机器就不能被描述为“思考”。人工智能研究人员并没有认真对待这些批评，因为他们似乎离得太远。难以解决的问题和常识性知识似乎更加直接和严肃。当Kenneth Colby根据ELIZA撰写了一个“可以进行心理治疗对话的计算机程序”时，Weizenbaum开始对人工智能产生严重的道德怀疑。Weizenbaum感到不安的是，Colby认为一个盲目的程序是一个严肃的治疗工具。一场仇隙开始了，当科尔比没有赞扬Weizenbaum对该计划的贡献时，情况没有帮助。 1976年，Weizenbaum发表了“计算机能力与人类理性”，认为滥用人工智能有可能使人的生命贬值。
感知者和联系注意的黑暗时代
感知器是由弗兰克罗森布拉特于1958年引入的一种神经网络形式，弗兰克罗森布拉特是布朗克斯科学高中的马文明斯基的同学。像大多数人工智能研究人员一样，他对自己的能力持乐观态度，预测“感知器最终可能能够学习，制定决策并翻译语言”。在整个20世纪60年代，一个积极的研究计划进入范式，但随着明斯基和帕佩特1969年出版的“Perceptrons”一书的出版而突然停止。它表明，感知者可以做的事情有严重的局限性，弗兰克罗森布拉特的预言被夸大了。这本书的效果是毁灭性的：几乎没有任何研究在连接主义上进行了10年。最终，新一代研究人员将重振该领域，此后它将成为人工智能的重要和有用的部分。罗森布拉特不会活着看到这一点，因为他在这本书出版后不久就在一次划船事故中去世了。
整洁：逻辑和象征性推理
早在1958年，约翰麦卡锡在他的Advice Taker提案中就将逻辑引入人工智能研究。1963年，J。Alan Robinson发现了一种在计算机上实现演绎的简单方法，分辨率和统一算法。然而，直接的实施，如麦卡锡及其学生在20世纪60年代后期尝试的那些，特别难以处理：程序需要天文数字的步骤来证明简单的定理。 20世纪70年代，爱丁堡大学的Robert Kowalski开发了一种更富有成效的逻辑方法，很快就与法国研究人员Alain Colmerauer和Philippe Roussel合作，他们创造了成功的逻辑编程语言Prolog。正如Dreyfus所说，逻辑方法的批评者指出，人类在解决问题时很少使用逻辑。 Peter Wason，Eleanor Rosch，Amos Tversky，Daniel Kahneman等心理学家的实验证明了这一点。麦卡锡回答说，人们所做的事情是无关紧要的。他认为真正需要的是可以解决问题的机器 - 而不是像人们那样思考的机器。
scruffies 框架和脚本
麦卡锡方法的批评者是麻省理工学院全国各地的同事。 Marvin Minsky，Seymour Papert和Roger Schank试图解决诸如“故事理解”和“物体识别”之类的问题，这些问题需要机器像个人一样思考。为了使用像“椅子”或“餐馆”这样的普通概念，他们必须做出与人们通常做出的相同的不合逻辑的假设。不幸的是，像这些不精确的概念很难在逻辑中表现出来。 Gerald Sussman观察到“使用精确的语言来描述本质上不精确的概念并不能使它们更精确。”Schank将其“反逻辑”方法描述为“邋”“，而不是”整洁“范式。1975年，明斯基在一篇开创性的论文中指出，他的许多“邋”“研究人员正在使用同样的工具：一个框架，它捕捉了我们对某些事物的所有常识假设。例如，如果我们使用鸟的概念，就会立即想到一系列事实：我们可以假设它飞行，吃蠕虫等等。我们知道这些事实并非总是如此，使用这些事实的推论不是“逻辑”的，但这些结构化的假设是我们所说和思考的一切背景的一部分。他将这些结构称为“框架”。 Schank使用他称为“剧本”的框架版本来成功回答有关英文短篇小说的问题。多年以后，面向对象编程将采用人工智能研究框架中的“继承”的基本思想。

8. 繁荣 1980-1987

在20世纪80年代，世界各地的企业采用了一种称为“专家系统”的人工智能程序，知识成为主流人工智能研究的焦点。在同一年，日本政府通过其第五代计算机项目积极资助人工智能。 20世纪80年代早期的另一个令人鼓舞的事件是约翰霍普菲尔德和大卫鲁梅哈特的工作中联系主义的复兴。 AI再一次取得了成功。

专家系统的兴起

专家系统是一个程序，它使用源自专家知识的逻辑规则来回答问题或解决有关特定知识领域的问题。最早的例子是由Edward Feigenbaum和他的学生们开发的。专家系统将自己限制在一个特定知识的小领域（从而避免了常识性知识问题），并且它们的简单设计使程序的构建相对容易，然后在程序到位后进行修改。总而言之，这些计划证明是有用的：人工智能迄今未能达到的目标。1980年，CMU为数字设备公司完成了一个名为XCON的专家系统。这是一次巨大的成功：到1986年，它每年为公司节省了4000万美元。世界各地的公司开始开发和部署专家系统，到1985年，他们花费了超过10亿美元用于人工智能，其中大部分用于内部人工智能部门。一个行业成长起来支持他们，包括像Symbolics和Lisp Machines这样的硬件公司以及IntelliCorp和Aion等软件公司。
知识革命
“20世纪70年代的一个重要教训是，智能行为在很大程度上取决于处理知识，有时是非常详细的知识，涉及特定任务所在的领域。”基于知识的系统和知识工程成为20世纪80年代人工智能研究的主要焦点。20世纪80年代，通过建立一个包含普通人所知道的所有世俗事实的庞大数据库，第一次尝试直接攻击常识性知识问题的Cyc诞生了。启动并领导该项目的道格拉斯·莱纳特认为，没有捷径 - 机器了解人类概念意义的唯一方法就是手工教授他们，一次一个概念。该项目预计不会在数十年内完成。国际象棋游戏节目HiTech和Deep Thought在1989年击败了国际象棋大师。两者都是由卡内基梅隆大学开发的; Deep Thought的发展为Deep Blue铺平了道路。
资金汇报
1981年，日本国际贸易和工业部为第五代计算机项目拨款8.5亿美元。他们的目标是编写程序并构建可以进行对话，翻译语言，解释图片和人类理性的机器。令人懊恼的是，他们选择Prolog作为该项目的主要计算机语言。其他国家以自己的新计划作出回应。英国开始了3.5亿欧元的Alvey项目。一个由美国公司组成的财团组建了微电子和计算机技术公司（或“MCC”），为人工智能和信息技术的大型项目提供资金。DARPA也做出了回应，创立了战略计算计划，并在1984年至1988年期间将其对AI的投资增加了两倍。
复兴
1982年，物理学家John Hopfield能够证明一种形式的神经网络（现在称为“Hopfield网络”）可以以全新的方式学习和处理信息。大约在同一时间，Geoffrey Hinton和David Rumelhart推广了一种训练神经网络的方法，称为“反向传播”，也称为Seppo Linnainmaa（1970）发表的自动分化的反向模式，并由Paul Werbos应用于神经网络。这两项发现有助于重振联系主义领域。新领域是统一的，并受到1986年并行分布处理的出现的启发 - 由Rumelhart和心理学家James McClelland编辑的两卷论文集。神经网络在20世纪90年代开始商业化，当时它们开始被用作驱动光学字符识别和语音识别等程序的引擎。

9. 第二次AI 寒冬

20世纪80年代，商业界对人工智能的迷恋在经济泡沫的经典模式中上升和下降。来自机器人相关领域的研究人员Rodney Brooks和Hans Moravec主张采用一种全新的人工智能方法。

AI 寒冬
“AI寒冬”一词是由那些在1974年的资金削减中幸存下来的研究人员创造出来的，当时他们担心专家系统的热情已经失控，并且肯定会失望。他们的担忧是有根据的：在20世纪80年代末和90年代初，人工智能遭遇了一系列金融挫折。天气变化的第一个迹象是1987年专用AI硬件市场的突然崩溃。来自Apple和IBM的台式电脑一直在稳步提高速度和功率，并且在1987年它们变得比由更昂贵的Lisp机器制造的更强大。符号和其他人。没有充分的理由购买它们。整个行业价值5亿美元，一夜之间被拆除。最终，最早成功的专家系统，如XCON，证明维护成本太高。他们很难更新，他们无法学习，他们“脆弱”（当给出不寻常的输入时，他们可能会犯下怪诞的错误），并且他们成为多年前确定的问题（例如资格问题）的牺牲品。专家系统证明是有用的，但仅限于少数特殊情况。在20世纪80年代后期，战略计算计划“彻底和残酷地”削减了人工智能的资金。 DARPA的新领导层已经决定人工智能不是“下一波”，并将资金用于似乎更有可能产生直接结果的项目。到1991年，1981年为日本第五代项目写下的令人印象深刻的目标清单尚未实现。事实上，其中一些，例如“进行随意谈话”，到2010年尚未实现。与其他人工智能项目一样，预期比实际可能的要高得多。
截至1993年底，已有300多家AI公司倒闭，破产或被收购，有效地结束了人工智能的第一次商业浪潮。
拥有一个身体的重要性：新的AI和具体的理由
在20世纪80年代后期，一些研究人员提出了一种基于机器人技术的全新人工智能方法。他们认为，为了显示真实的智慧，机器需要有一个身体 - 它需要感知，移动，生存和处理世界。他们认为，这些感觉运动技能对于常识性推理等高级技能至关重要，而抽象推理实际上是人类最不感兴趣或最重要的技能（参见Moravec's paradox）。他们主张“自下而上”建立情报。这种方法从六十年代以来一直不受欢迎的控制论和控制理论中复活出来。另一个前身是David Marr，他在20世纪70年代后期从理论神经科学的成功背景来到麻省理工学院，领导该小组研究视力。他拒绝所有符号方法（麦卡锡的逻辑和明斯基的框架），认为人工智能需要在任何符号处理发生之前自下而上地理解视觉的物理机制。（1980年，马尔的工作将因白血病而缩短。）在1990年的一篇论文中，“大象不玩国际象棋”，机器人研究员罗德尼布鲁克斯直接瞄准物理符号系统假设，认为符号并不总是必要的，因为“世界是它自己最好的模型。它是永远都是最新的。它总是有每一个细节都要知道。诀窍是适当地和经常地感知它。“在20世纪80年代和90年代，许多认知科学家也拒绝了头脑的符号处理模型。并且认为身体对于推理是必不可少的，这个理论称为具体的心灵论题。

10. 人工智能

现在超过半个世纪的人工智能领域终于实现了一些最古老的目标。它开始在整个技术行业成功使用，一些成功是由于计算机能力的提高，有些是通过关注具体的孤立问题并以最高标准的科学责任追求它们来实现的。尽管如此，至少在商业世界中人工智能的声誉还不如最初。在这个领域内，人们几乎没有就人工智能未能实现人类智慧的梦想的原因达成一致，这个梦想已经在20世纪60年代俘获了世界的想象力。所有这些因素共同帮助将人工智能分解为专注于特定问题或方法的竞争子领域，有时甚至是以掩盖“人工智能”失去光泽的血统的新名称。人工智能比以往任何时候都更加谨慎和成功。

里程碑和摩尔定律
1997年5月11日，深蓝成为第一个击败卫冕世界象棋冠军加里卡斯帕罗夫的计算机国际象棋游戏系统。超级计算机是由IBM生产的框架的专用版本，并且能够处理每秒两次移动的次数，与第一次匹配（Deep Blue失去的）相比，据报道每秒200,000,000次移动。该活动通过互联网直播，收到超过7400万次点击。2005年，斯坦福大学的一个机器人在一条未经研究的沙漠小径上自动驾驶131英里，赢得了DARPA大挑战赛。两年后，CMU的一个团队赢得了DARPA城市挑战赛，在城市环境中自主驾驶55英里，同时遵守交通危险和所有交通法规。2011年2月，在危险智力竞赛表演比赛，IBM的问答系统，沃森，击败了两个最大的冠军。这些成功并非由于一些革命性的新范式，而主要是因为工程技术的繁琐应用以及90年代计算机速度和容量的大幅增加。事实上，Deep Blue的电脑比1951年Christopher Strachey教授下棋的Ferranti Mark 1快了1000万倍。这种戏剧性的增长是通过摩尔定律来衡量的，摩尔定律预测计算机的速度和内存容量每两年翻一番。 “原始计算机能力”的根本问题正在慢慢被克服。
智能代理
一种称为“智能代理人”的新范式在20世纪90年代被广泛接受。虽然早期的研究人员提出了模块化的“分而治之”的人工智能方法，但直到朱迪亚·珀尔，艾伦·纽厄尔，莱斯利·卡尔布林和其他人将决策理论和经济学中的概念引入其中，智能代理才达到其现代形式。人工智能研究。当经济学家对理性代理人的定义与计算机科学对对象或模块的定义结合时，智能代理范式就完整了。智能代理是一种能够感知其环境并采取最大化其成功机会的行动的系统。根据这个定义，解决特定问题的简单程序就是“智能代理人”，人类和企业组织也是如此。智能代理范式将AI研究定义为“智能代理的研究”。这是对AI的一些早期定义的概括：它不仅仅是研究人类智能;它研究各种情报。该范例赋予研究人员许可研究孤立的问题并找到既可验证又有用的解决方案。它提供了一种共同语言来描述问题并相互分享他们的解决方案，以及其他也使用抽象代理概念的领域，如经济学和控制理论。希望有一天，完整的代理体系结构（如Newell的SOAR）可以让研究人员通过交互智能代理构建更多功能和智能系统。
“整洁的胜利”
人工智能研究人员开始比过去更多地开发和使用复杂的数学工具。人们普遍认识到，人工智能需要解决的许多问题已经在数学，经济学或运筹学等领域的研究人员中得到了解决。共享的数学语言允许与更成熟和成功的领域进行更高水平的合作，并实现可衡量和可证明的结果;人工智能已成为一个更严格的“科学”学科。 Russell＆Norvig（2003）将此描述为“革命”和“整洁的胜利”。Judea Pearl 1988年极具影响力的着作将概率和决策理论引入AI。在使用的许多新工具中有贝叶斯网络，隐马尔可夫模型，信息理论，随机建模和经典优化。还为“计算智能”范例（如神经网络和进化算法）开发了精确的数学描述。
AI在幕后
最初由AI研究人员开发的算法开始作为大型系统的一部分出现。人工智能解决了许多非常棘手的问题，他们的解决方案被证明在整个技术行业中很有用，如数据挖掘，工业机器人，物流，语音识别，银行软件，医学诊断和谷歌的搜索引擎。在20世纪90年代和21世纪初期，人工智能领域很少或根本没有得到这些成功的信誉。人工智能的许多最伟大的创新已经被简化为计算机科学工具箱中的另一个项目。尼克博斯特罗姆解释说：“许多尖端人工智能已经过滤到一般应用程序中，通常没有被称为AI，因为一旦某些东西变得足够有用且足够常见，它就不再被标记为AI了。” 20世纪90年代人工智能的许多研究人员故意用其他名称来称呼他们的工作，例如信息学，基于知识的系统，认知系统或计算智能。在某种程度上，这可能是因为他们认为他们的领域与人工智能根本不同，但新名称也有助于获得资金。至少在商业世界中，人工智能冬季的失败承诺继续困扰人工智能研究进入21世纪，正如“纽约时报”2005年报道的那样：“Computer scientists and software engineers avoided the term artificial intelligence for fear of being viewed as wild-eyed dreamers.“
HAL 9000在哪里？（HAL 9000 《太空漫游》电影中号称有完美记录从不犯错的人工智能电脑）
1968年，亚瑟·C·克拉克和斯坦利·库布里克曾想到，到2001年，一台机器将拥有一个与人类能力相匹配或超越其能力的机器。他们创造的角色HAL 9000基于许多领先的人工智能研究人员的共识，即这种机器将在2001年存在。2001年，AI创始人Marvin Minsky问道：“问题是为什么我们不能在2001年获得HAL？”明斯基认为，答案是中心问题，如常识推理，被忽视，而大多数研究人员追求像神经网络的商业应用或遗传算法。另一方面，约翰麦卡锡仍然指责资格问题。对于Ray Kurzweil来说，问题在于计算机能力，并且根据摩尔定律，他预测到2029年将出现具有人类智能的机器。杰夫霍金斯认为，神经网络研究忽略了人类皮层的基本属性，更喜欢简单的模型，这些模型已成功解决了简单的问题。还有许多其他解释，每个都有相应的研究计划正在进行中。

11. 深度学习、大数据和人工智能

在21世纪的前几十年，获取大量数据（称为“大数据”），更快的计算机和先进的机器学习技术成功地应用于整个经济中的许多问题。事实上，麦肯锡全球研究院在其着名论文“大数据：创新，竞争和生产力的下一个前沿”中估计，到2009年，美国经济中几乎所有行业的平均存储数据至少平均为200TB。到2016年，人工智能相关产品，硬件和软件的市场规模已超过80亿美元，“纽约时报”报道对人工智能的兴趣达到了“狂热”。大数据的应用也开始涉及其他领域，例如生态学培训模型和经济学中的各种应用。深度学习（特别是深度卷积神经网络和递归神经网络）的进步推动了图像和视频处理，文本分析甚至语音识别的进步和研究。

深度学习
深度学习是机器学习的一个分支，它通过使用具有许多处理层的深度图来模拟数据中的高级抽象。根据通用近似定理，神经网络不需要深度就能够逼近任意连续函数。即便如此，深层网络有助于避免浅层网络（例如过度拟合）常见的许多问题。因此，与浅层对应物相比，深度神经网络能够逼真地生成更复杂的模型。然而，深度学习本身存在问题。递归神经网络的一个常见问题是消失的梯度问题，即在层之间传递的梯度逐渐收缩并且随着它们四舍五入到零而逐渐消失。已经开发了许多方法来解决这个问题，例如Long短期记忆单元。最先进的深度神经网络架构有时甚至可以在计算机视觉等领域与人类的准确性相媲美，特别是在MNIST数据库和交通标志识别等领域。由智能搜索引擎驱动的语言处理引擎可以很容易地击败人类来回答一般的琐事问题（例如IBM Watson），并且深度学习的最新发展在与人类竞争中产生了惊人的结果，例如Go和Doom（其中，第一人称射击游戏，引发了一些争议）。
大数据
大数据是指在特定时间范围内传统软件工具无法捕获，管理和处理的数据集合。这是一个需要新处理模型的大量决策，洞察力和流程优化功能。在Victor Meyer Schonberg和Kenneth Cooke撰写的大数据时代，大数据意味着所有数据都用于分析，而不是随机分析（样本调查）。大数据的5V特性（由IBM提出）：Volume，Velocity，Variety，Value，Veracity。大数据技术的战略意义不是掌握大量数据信息，而是专注于这些有意义的数据。换句话说，如果将大数据比作一个行业，那么实现该行业盈利能力的关键是增加数据的“过程能力”，并通过“处理”实现数据的“增值”。
人工智能
人工智能是计算机科学的一个分支，它试图理解智能的本质，并产生一种新的智能机器，其响应方式与人类智能类似。该领域的研究包括机器人技术，语音识别，图像识别，自然语言处理和专家系统。自人工智能诞生以来，理论和技术日趋成熟，应用领域不断扩大。可以想象，未来人工智能带来的技术产品将成为人类智慧的“容器”。人工智能可以模拟人类意识和思维的信息过程。人工智能不是人类智能，但它可以像人类思维一样，也可能超过人类的智慧。人工智能也被称为“强AI”，“完全AI”或机器执行“一般智能行动”的能力。学术界保留“强AI”来指代能够体验意识的机器。

了解完这段历史，觉得一个学科的发展真是一波好几折啊，这中间更离不开基础设施、基础学科的发展。