人们在关注AI，企业在拥抱AI，成本在追逐AI。凡是和AI有关的观点，都会吸引大量的目光。
那么，AI是如何一步一步走到本日的呢？它经历了哪些发展阶段，又发生过哪些精彩的故事？
本日这篇文章，我们就来仔细回顾一下，人类AI的发展进程。
█ 抽芽阶段
人类对人造智能体的追求和畅想，最早可以追溯到古希腊时期。
在古希腊神话中，火与工匠之神赫菲斯托斯，曾经制作了一组金制的女机器人，“有心能解意，有嘴能说话，有手能使力，精通手工制造”。
在中国的古代史乘中，也涌现过“人工智能”的影子。
《列子·汤问篇》中，偃师向周穆王供献了一个机器人，会唱歌、会舞蹈，还会挑逗周穆王的嫔妃。周穆王醋意爆发，认为机器人是真人假扮，要杀掉偃师。偃师赶紧将机器人拆散，周穆公才罢休。
上面的这些笔墨记载，显然都不靠谱。在迢遥且漫长的古代，以人类当时的技能水平，肯定是造不出智能体的。能造出一些大略的机器（例如诸葛亮的木牛流马），都已经很了不起了。
人们对智能体的寄望，很多都依托于鬼神等宗教崇奉——将人的灵魂附身于机器，才能够实现“人工智能”。
到了近当代，随着工业革命的爆发，人类开始逐渐进入机器打算、电气打算时期。打算能力的不断增长，使得通过“算力”来驱动“智能”，成为一种可行选项。
17世纪，莱布尼茨、托马斯·霍布斯和笛卡儿等率先提出：是否可以将人类理性的思考系统，转化为代数学或几何学体系？
莱布尼茨认为：“人类的思想，可以简化成某种运算。”
霍布斯也提出：“推理便是打算。”
这些伟大的思想，为后来的打算机和人工智能发展指明了方向。
再后面的事情，大家都比较清楚了——
在查尔斯·巴贝奇（Charles Babbage）的剖析机、赫尔曼·何乐礼（Herman Hollerith）的制表机、阿兰·图灵（Alan Turing）的图灵机，以及Z3、珍妮机、Mark I、ENIAC等一系列发明的接力推动下，人类终于进入了数字电子打算机时期，也开启了波澜壮阔的信息技能革命。（不清楚的，看这里：算力简史）
█ 第一次高潮阶段（1950年-1973年）
图灵测试
数字电子打算机正式出身之后，很快就有科学家开始探索，是否可以通过打算机来实现“智能”。
1950年，阿兰·图灵在《心灵（Mind）》杂志上揭橥了一篇非常主要的论文，名叫《打算机器与智能（Computing Machinery and Intelligence）》。
阿兰·图灵（1912-1954）
在论文开头，他就提出了一个灵魂之问：
“I propose to consider the question, ‘Can machines think?’"
“我发起思考这样一个问题：‘机器可以思考吗？’”
图灵在论文中仔细谈论了创造“智能机器”的可能性。由于“智能”一词很难定义，他提出了著名的图灵测试（以下为大存问思）：
“一个人在不打仗对方的情形下，通过一种分外的办法和对方进行一系列的问答。如果在相称永劫光内，他无法根据这些问题判断对方是人还是打算机，那么，就可以认为这个打算机是智能的。”
图灵测试
图灵的论文，在学术界引起了广泛的反响。越来越多的学者被这个话题所吸引，参与到对“机器智能”的研究之中。个中，就包括达特茅斯学院的年轻数学助教约翰·麦卡锡（J. McCarthy），以及哈佛大学的年轻数学和神经学家马文·明斯基（M. L. Minsky）。
达特茅斯会议
1955年9月，约翰·麦卡锡、马文·明斯基、克劳德·喷鼻香农（C. E. Shannon）、纳撒尼尔·罗切斯特（N. Rochester）四人，共同提出了一个关于机器智能的研究项目。在项目中，首次引入了“Artificial Intelligence”这个词，也便是人工智能。
1956年6月，在刚才那4个人的调集下，在洛克菲勒基金会的帮助下，十余位来自不同领域的专家，聚拢在美国新罕布什尔州汉诺威镇的达特茅斯学院，召开了一场为期将近两月的学术研讨会，专门谈论机器智能。
这次研讨会，便是著名的达特茅斯会议（Dartmouth workshop）。
参加会议的部分大佬
达特茅斯会议并没有得出什么主要的结论或宣言，但是认可了“人工智能（Artificial Intelligence）”的命名，也大致明确了后续的研究方向。
这次会议，标志着人工智能作为一个研究领域正式出身，也被后人视为当代人工智能的出发点。
AI三大学派
达特茅斯会议之后，人工智能进入了一个快速发展阶段。参与研究的人变得更多了，而且，也逐渐形成了几大学术派系。
在这里，我们要提到人工智能最著名的三大学派——符号主义、联结主义（也叫联接主义、贯串衔接主义）、行为主义。
符号主义是当时最主流的一个学派。
他们认为，天下中的实体、观点以及它们之间的关系，都可以用符号来表示。人类思维的基本单元，也是符号。如果打算性能像人脑一样，吸收符号输入，对符号进行操作处理，然后产生符号输出，就可以表现出智能。
这个思路，关键在于把知识进行编码，形成一个知识库，然后通过推理引擎和规则系统，进行推断，以此办理繁芜的问题。
符号主义早期的代表性成果，是1955年赫伯特·西蒙（Herbert A. Simon，也译为司马贺）和艾伦·纽维尔（Allen Newell）开拓的一个名为“逻辑理论家（Logic Theorist）”的程序。
“逻辑理论家”被认为是人类历史上第一个人工智能程序，并且在达特茅斯会议上进行了演示。它将每个问题都表示成一个树形模型，然后选择最可能得到精确结论的那条线，来求解问题。
1957年，赫伯特·西蒙等人在“逻辑理论家”的根本上，又推出了通用问题办理器（General Problem Solver，GPS），也是符号主义的早期代表。
进入1960年代，符号主义也进入了一个壮盛期间。在自然措辞理解、微天下推理、专家系统（把稳这个词，后面会再次提到它）等领域，人工智能取得了打破性的进展，也逐渐成为公众年夜众关注的工具。
1958年，约翰·麦卡锡正式发布了自己开拓的人工智能编程措辞——LISP（LIST PROCESSING，意思是"表处理"）。后来的很多有名AI程序，都是基于LISP开拓的。
约翰·麦卡锡（1927-2011）
1966年，美国麻省理工学院的魏泽鲍姆（Joseph Weizenbaum），发布了天下上第一个谈天机器人——ELIZA。
ELIZA的名字源于萧伯纳戏剧作品《卖花女》中的主角名。它只有200行程序代码和一个有限的对话库，可以针对提问中的关键词，进行答复。
ELIZA实在没有任何智能性可言。它基于规则运作，既不理解对方的内容，也不知道自己在说什么。但即便如此，它还是在当时引起了轰动。ELIZA可以说是现在Siri、小爱同学等问答交互工具的鼻祖。
魏泽鲍姆（坐者）正在与ELIZA对话
再来看看联结主义。
联结主义，强调模拟人脑的事情事理，建立神经元之间的联结模型，以此实现人工神经运算。
大家可能会有点激动。没错，这便是现在非常热门的神经网络模型。
神经网络的观点实在出身得很早。1943年，美国神全心理学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts），基于人类大脑的神经网络，创建了一个形式神经元的打算机模型，并将其取名为MCP（McCulloch&Pitts）模型。
沃尔特·皮茨（左）和沃伦·麦卡洛克（右）
MCP模型
1951年，马文·明斯基（便是前面提到的那个）和他的同学邓恩·埃德蒙（Dunn Edmund），建造了第一台神经网络机SNARC。
1957年，美国康奈尔大学的生理学家和打算机科学家弗兰克·罗森布拉特（Frank Rosenblatt），在一台IBM-704打算机上，仿照实现了一种他发明的叫“感知机 (Perceptron) ”的神经网络模型。
弗兰克·罗森布拉特和他的感知机
这个“感知器”包括三层构造，一端是400个光探测器，仿照视网膜。光探测器多次连接一组512个电子触发器。当它通过一个特定的可调节的愉快阀值时，就会像神经元一样引发。这些触发器连接到末了一层，当一个物体与感知器受训见过的工具相互匹配时，它就会发出旗子暗记。
感知机的事情事理
“感知机”是联结主义的一项主要成果，在人工智能发展史上具有里程碑式的意义。但是，后来的一盆冰水，彻底浇灭了联结主义的激情亲切。
1969年，马文·明斯基和西蒙·派珀特（Seymour Papert）写了一本书《感知机: 打算几何学导论》的书，对罗森布莱特的感知器提出了质疑。马文·明斯基认为：
“神经网络具有很大的局限性（单层感知机无法办理线性不可分问题），没有实际研究代价。”
马文·明斯基（1927-2016）
来自大神的否定，即是直接宣判了神经网络（联结主义）路线的去世刑。于是，这个非常有代价的研究方向，被中止了。
罗森布莱特后来去世于意外（也有人说是自尽），马文·明斯基也由于这个缺点的判断，被一些学者鞭笞。（须要把稳，马文·明斯基虽然有误判，但他对人工智能奇迹的功远大于过，乃至也被誉为“人工智能之父”。）
等到神经网络（联结主义）重新崛起，已经是十多年后的事情了。我们待会再详细说。
末了，说说行为主义。
行为主义，也称为进化主义或掌握论学派。他们认为，通过与环境的互动来学习温柔应，从而改进自身行为，便是行为主义认为的智能。智能取决于感知和行动，不须要知识、表示和推理，只须要将智能行为表现出来就好。
大略来说，行为主义AI系统基于“感知-动作”的闭环掌握，强调即时反馈温柔应性学习。智能体通过感知环境信息，基于这些信息实行动作，并根据动作结果调度后续行为。
行为主义在后来的机器人学、自动化掌握、游戏AI、自动驾驶汽车等领域有着重要运用。
好了，以上是AI三大主要学派的先容，作为学习AI的知识铺垫，也有助于阅读后面的文章。
请大家把稳，AI的学派和思想路线并不止这三个，还有一些小学派，例如进化打算、模糊逻辑、贝叶斯网络等。它们虽不构成独立的大学派，但在AI的某些子领域内有着重要的运用和影响。而且，AI学派之间，边界也比较模糊，有时候会相互领悟。
其它主要成果
再大略先容一下当时其余几项主要的研究成果。
首先必须是亚瑟·塞缪尔（Arthur Samuel）的跳棋程序。
1959年，IBM科学家亚瑟·塞缪尔在自家首台商用打算机IBM701上，成功编写了一套泰西跳棋程序。这个程序具有“学习能力”，可以通过对大量棋局的剖析，逐渐辨识出“好棋”和“坏棋”，从而提高自己的下棋水平。
这个程序很快就下赢了萨缪尔自己，后来，它还降服了当时的泰西跳棋大师罗伯特尼赖。
由于首次提出了“机器学习（Machine Learning）”的观点，亚瑟·塞缪尔被后人誉为“机器学习之父”。
亚瑟·塞缪尔（1901-1990）
1959年，美国发明家乔治·德沃尔（George Devol）与约瑟夫·英格伯格（Joseph Engelberger）发明了人类首台工业机器人——Unimate。
Unimate重达两吨，安装运行于通用汽车生产线。它可以掌握一台多自由度的机器臂，搬运和堆叠热压铸金属件。
左图为Unimate 右图是约瑟夫·英格伯格（左）、乔治·德沃尔（右）
1966年，查理·罗森（Charlie Rosen）领导的美国斯坦福研究所（SRI），研发成功了首台人工智能机器人——Shakey。
Shakey全面运用了人工智能技能，装备了电子摄像机、三角测距仪、碰撞传感器以及驱动电机，能大略办理感知、运动方案和掌握问题。它是第一个通用移动机器人，也被称为“第一个电子人”。
研究职员正在调测Shakey
█ 第一次低谷阶段（1974年-1979年）
刚才说了，1960年代是符号主义的壮盛期间。实在，在符号主义的带动下，当时全体人工智能研究都进入了一个高速发展的阶段，也被称为AI的黄金时期（Golden Time，1960-1973年）。
那时，除了定理证明、人机互动、游戏博弈和机器人之外，人工智能很多领域都产出了不错的成果。加上冷战期间，美国政府乐意掏钱帮助，使得AI研究变得非常火爆。
在这一背景下，学术界对AI的预期，开始变得盲目乐不雅观。有些研究者认为：
“二十年内，机器将能完成人能做到的统统事情。”
1970年，马文·明斯基乃至放言：
“在未来3-8年内，会出身和人类聪慧相称的机器人，可能我们人类会成为AI的宠物。”
盲目的乐不雅观，肯定不会有什么好结果。
随着韶光的推移，学者们逐渐创造，基于推理规则的“智能”，实际上能力非常有限。加上当时打算机的算力和存力尚处于早期阶段，系统根本达不到预期的效果。
之前先容的那些AI程序和工具，陆续开始涌现瓶颈，乃至闹出笑话。
以机器翻译为例。当时美国政府投入了2000多万美元作为机器翻译的经费，结果干系团队研发多年，创造完备低估了这个项目的难度。
翻译工具常常涌现一些低级缺点。例如，将“Out of sight，out of mind（眼不见，心不烦）”翻译成“又瞎又疯”，把“The spirit is willing but the flesh is weak（心有余而力不敷）”翻译成“酒是好的，但肉变质了”，把“Time flies like an arrow（光阴似箭）”翻译成“苍蝇喜好箭”。
持续赓续的失落败，逐步耗尽了政府金主的耐心。加上不久后美国经济涌现了一些问题（1974-1975年涌现历史上罕见的连续两年GDP负增长），政府开始决定“断粮”。
1973年，数学家莱特希尔（Lighthill）向英国政府提交了一份关于人工智能的研究报告（著名的《莱特希尔报告》）。报告对当时的机器人技能、措辞处理技能和图像识别技能进行了严厉且剧烈的批评，指出人工智能那些看上去宏伟的目标根本无法实现，研究已经彻底失落败。
很快，英国政府、美国国防部高等研究操持局（DARPA）和美国国家科学委员会等，开始大幅减少乃至终止了对人工智能的投资。
人工智能进入了第一个发展低谷，也被称为“AI Winter（AI之冬）”。
█ 第二次高潮阶段（1980年-1987年）
AI之冬的持续韶光实在并不是良久。六年后，1980年，第二次AI发展高潮开始了。
第二次浪潮，实在还是符号主义掀起的。这次的主角，是符号主义的一个新阶段——专家系统（Expert System）。
专家系统
专家系统，便是一个面向专业领域的超级“知识库+推理库”。
它找来很多人，对大量的专家知识和履历进行整理，剖析并编写出海量的规则，导入系统。然后，系统根据这些基于知识整理出来的规则，进行逻辑推理，来仿照和延伸人类专家的决策能力，办理繁芜的问题。
大家能看出来，专家系统走的仍旧是符号主义的“规则”路线。以是，专家系统，也叫做规则根本系统。
1968年，美国科学家爱德华·费根鲍姆（Edward Feigenbaum）提出了第一个专家系统——DENDRAL，并对知识库给出了初步的定义。这标志着专家系统的出身。
爱德华·费根鲍姆（坐着的那位）
DENDRAL面向的是化学行业。它可以帮助化学家判断物质的分子构造。系统推出之后，由于能够减少人力本钱并且提升事情效率，受到了化学行业的欢迎和认可。
和DENDRAL差不多韶光涌现的专家系统，还有威廉·马丁（William A. Martin）开拓的Macsyma，以及安东尼·赫恩（Anthony C. Hearn）开拓的“Reduce”。
这两套都是数学领域的专家系统（用于求解数学问题），都采取了约翰·麦卡锡的LISP措辞进行开拓。
1972年，美国年夜夫兼科学家爱德华·H·肖特利夫（Edward H. Shortliffe）创建了可以帮助进行医学诊断的专家系统——MYCIN。
爱德华·H·肖特利夫
MYCIN也是基于LISP措辞编写，拥有500多条规则，能够识别51种病菌，精确地处理23种抗菌素。
它能够帮忙年夜夫诊断、治疗细菌传染性血液病，为患者供应最佳处方。当时，它成功地处理了数百个病例，并通过了严格的测试，显示出了较高的医疗水平。
1977年，爱德华·费根鲍姆在第五届国际人工智能联合会议上，提出了“知识工程（Knowledge Engineering）”的观点，进一步推动了专家系统的遍及。
进入1980年代，随着技能的演进，打算机的打算和存储能力增加，专家系统开始在各个行业爆发。
1980年，卡耐基梅隆大学研发的专家系统XCON（eXpertCONfigurer）正式商用，为当时的打算机巨子公司DEC每年省下数千万美金。
1983年，通用电气公司搞出了柴油电力机车维修专家系统（DELTA）。这个别系封装了浩瀚GE资深现场做事工程师的知识和履历，能够辅导员工进行故障检修和掩护。
当时，美国运通公司也搞了一个信用卡认证赞助决策专家系统，听说每年可节省2700万美金。
总而言之，那时候的专家系统，是大公司如蚁附膻的神器。它能够带来实实在在的经济效益，以是，行业用户乐意为之投资。这是第二次AI浪潮的根本缘故原由。
我们也可以这么说，第一次AI浪潮，是政府投资带动的。第二次AI浪潮，是企业投资带动。AI，开始进入家当化的阶段。
企业投资的成效，反过来又让各国政府对AI规复了一些信心。
1981年，经济高速增长的日本，率先开始对AI进行投入。
那一年，日本经济家当省拨款8.5亿美元，支持第五代打算机项目。这个项目的终极目的，是造出一台人工智能打算机，能够与人对话、翻译措辞、阐明图像、完成推理。
美国和英国政府，也很快采纳了行动。
1983年，美国国防部高等研究操持局（DARPA）通过“计策打算促进会（Strategic Computing Initiative）”，重启对人工智能研究的帮助。
同年，英国投资3.5亿英镑，启动了Alvey（阿尔维）操持，全面推进软件工程、人机接口、智能系统和超大规模集成电路等领域的研发。
关于专家系统，还有一个年夜志勃勃的项目值得一提。那便是1984年启动的Cyc项目。
Cyc项目由美国微电子与打算机技能公司发起，是一个“超级百科全书”项目。它试图将人类拥有的所有一样平常性知识都输入打算机，建立一个巨型数据库。
这个项目，听说到现在还在进行之中。
█ 第二次低谷阶段（1987年-1993年）
好景不长，到了1980年代的后半段，人工智能又开始走下坡路了。
缘故原由是多方面的。
首先，专家系统（符号主义）基于规则和已有知识的“检索+推理”，面对繁芜的现实天下，显然还是有能力瓶颈。
它的运用领域狭窄、缺少知识性知识、知识获取困难、推理方法单一、缺少分布式功能、难以与现有数据库兼容等……所有这些问题，都给它的进一步发展造成了困扰。
其次，80年代PC（个人电脑）技能革命的爆发，也给专家系统造成了冲击。
当时专家系统基本上都是用LISP措辞编写的。系统采取的硬件，是Symbolics等厂商生产的人工智能专用打算机（也叫LISP机）。
LISP系列主机
1987年，苹果和IBM公司生产的台式机，在性能上已经超过了Symbolics的AI打算机，导致AI硬件市场需求土崩瓦解。
专家系统的掩护和更新也存在很多问题。不仅操作繁芜，价格也非常高昂。
结合以上各类缘故原由，市场和用户逐渐对专家系统失落去了兴趣。
到了80年代晚期，计策打算促进会大幅减少对AI的帮助。DARPA的新任领导也认为AI并非“下一个浪潮”，减少了对其的投资。
AI，进入了第二次低谷阶段。
█ 第三次高潮阶段（1994年-现在）
在进入1990年代之前，小枣君还是要再讲讲1980年代。
1980年代，专家系统掀起了第二次AI浪潮，也推动了AI技能的发展。但从上帝视角来看，真正对后来的AI发展产生深远影响的，实在不是专家系统，而是其余一个被遗忘了二十多年的赛道。
没错，这个赛道，便是当年被马文·明斯基一句话给干废的“神经网络”赛道。
机器学习和神经网络
前文我们提到，神经网络是联结主义的一个代表性研究方向。但是，由于马文·明斯基的否定，这个方向在1969年被打入冷宫。
1980年，越来越多的科学家意识到专家系统存在不敷。符号主义这条路，很可能走不通。人们认为，人工智能想要实现真正的智能，就必须拥有自己的感知系统，能够自主学习。
于是，倡导让机器“自动地从数据中学习，并通过演习得到更加精准的预测和决策能力”的研究思想，开始逐渐生动起来。这便是前面提到过的机器学习。
机器学习包含多种方法和理论学派。源于联结主义学派的神经网络，就在这一期间开始“复活”。
1982年，约翰·霍普菲尔德（John Hopfield）在自己的论文中重点先容了Hopfield网络模型（模型原型早期由其他科学家提出）。这是一种具有影象和优化功能的循环（递归）神经网络。
1986年，戴维·鲁梅尔哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton，记住这个名字！
）和罗纳德·威廉姆斯（Ronald Williams）等人共同揭橥了一篇名为《Learning representations by back-propagation errors（通过反向传播算法的学习表征）》的论文。
在论文中，他们提出了一种适用于多层感知器（MLP）的算法，叫做反向传播算法（Backpropagation，简称BP算法）。
该算法通过在输入层和输出层之间设定一个中间层（隐蔽层），以反向传播的办法实现机器的自我学习。
算法咱们往后再研究。大家只须要记住，BP算法不仅为多层神经网络的发展奠定了根本，也冲破了马文·明斯基当年提出的“神经网络具有局限性”魔咒，意义非常重大。
1980年代是人工智能研究方向发生重大迁移转变的期间。机器学习和神经网络（联结主义）加速崛起，逐渐取代专家系统（符号主义），成为人工智能的紧张研究方向。
我们也可以理解为，人工智能原来由知识驱动的办法，逐渐变成了由数据驱动。
这张图，先剧透一下
机器学习的代表性算法包括决策树、支持向量机、随机森林等。
1995年，克里娜·柯尔特斯（Corinna Cortes）和弗拉基米尔·万普尼克（Vladimir Vapnik）开拓了支持向量机（Support Vector Machine，SVM）。支持向量机是一种映射和识别类似数据的系统，可以视为在感知机根本上的改进。
神经网络方面，非常主要的CNN（Convolutional Neural Network，卷积神经网络）和RNN（Recursive Neural Networks，递归神经网络），也在那一期间崛起了。
1988年，贝尔实验室的Yann LeCun（他是法国人，网上翻译的中文名有很多：杨立昆、杨乐春、燕乐存、扬·勒丘恩）等人，提出了卷积神经网络。大家该当比较熟习，这是一种专门用于处理图像数据的神经网络模型。
Yann LeCun
1990年，美国认知科学家、生理措辞学家杰弗里·艾尔曼（Jeffrey Elman）提出了首个递归神经网络——艾尔曼网络模型。递归神经网络能够在演习时坚持数据本身的先后顺序性子，非常适宜于自然措辞处理领域的运用。
1997年，德国打算机科学家瑟普·霍克赖特（Sepp Hochreiter）及其导师于尔根·施密德胡伯（Jürgen Schmidhuber）开拓了用于递归神经网络的LSTM（是非期影象网络）。
1998年，Yann LeCun等人提出了LeNet，一个用于手写数字识别的卷积神经网络，初步展示了神经网络在图像识别领域的潜力。
总而言之，20世纪90年代，神经网络在开始商用于笔墨图像识别、语音识别、数据挖掘以及金融预测。在模式识别、旗子暗记处理、掌握工程等领域，也有考试测验运用，只管当时受到打算资源限定，运用范围和规模有限。
想要推动人工智能技能的进一步爆发，既须要算法模型的持续演进，也须要算力的深入增强。此外，还有一个短板，也须要补充，那便是数据。
大家该当看出来了，AI的三要素，便是算法、算力和数据。
深蓝
1990年代最主要的AI事宜，当然是1997年IBM超级电脑“深蓝（DEEP BLUE）”与国际象棋大师卡斯帕洛夫（KASPAROV）的世纪之战。
此前的1996年2月，深蓝已经向卡斯帕洛夫发起过一次寻衅，结果以2-4败北。
1997年5月3日至11日，“深蓝”再次寻衅卡斯帕罗夫。在经由六盘大战后，终极“深蓝”以2胜1负3平的成绩，险胜卡斯帕罗夫，震荡了天下。
这是AI发展史上，人工智能首次降服人类。
作为80后的小枣君，对这件事情也印象深刻。当时“深蓝”所引起的热潮，丝毫不亚于后来的ChatGPT。险些所有的人都在想——人工智能时期是否真的到来了？人工智能，到底会不会取代人类？
深度学习
进入21世纪，得益于打算机算力的进一步飞跃，以及云打算、大数据的爆发，人工智能开始进入一个更加波澜壮阔的发展阶段。
2006年，多伦多大学的杰弗里·辛顿（便是1986年揭橥论文的那个大神）在science期刊上，揭橥了主要的论文《Reducing the dimensionality of data with neural networks（用神经网络降落数据维数）》，提出深度信念网络（Deep Belief Networks，DBNs）。
杰弗里·辛顿
深度学习（Deeping Learning），正式出身了。
2006年被后人称为深度学习元年，杰弗里·辛顿也因此被称为“深度学习之父”。
深度学习是机器学习的一个主要分支。更准确来说，机器学习底下有一条“神经网络”路线，而深度学习，是加强版的“神经网络”学习。
经典机器学习算法利用的神经网络，具有输入层、一个或两个“隐蔽”层和一个输出层。数据须要由人类专家进行构造化或标记（监督学习），以便算法能够从数据中提取特色。
深度学习算法利用“隐蔽”层更多（数百个）的深度神经网络。它的能力更强，可以自动从海量的数据集中提取特色，不须要人工干预（无监督学习）。
2006年，在斯坦福任教的华裔科学家李飞飞，意识到了业界在研究AI算法的过程中，没有一个强大的图片数据样本库供应支撑。于是，2007年，她发起创建了ImageNet项目，号召民众上传图像并标注图像内容。
2009年，大型图像数据集——ImageNet，正式发布。这个数据库包括了1400万张图片数据，超过2万个种别，为环球AI研究（神经网络演习）供应了强大支持。
李飞飞和ImageNet
从2010年开始，ImageNet每年举行大规模视觉识别寻衅赛，约请环球开拓者和研究机构参加，进行人工智能图像识别算法评比。
2012年，杰弗里·辛顿和他的学生伊利亚·苏茨克沃（Ilya Sutskever）和亚历克斯·克里切夫斯基（Alex Krizhevsky）参加了这个比赛。
师徒三人
他们设计的深度神经网络模型AlexNet在这次竞赛中大获全胜，以压倒性上风得到第一名（将Top-5缺点率降到了15.3%，比第二名低10.8%），引起了业界轰动，乃至一度被疑惑是作弊。
值得一提的是，他们三人用于演习模型的，只是2张英伟达GTX 580显卡。GPU在深度神经网络演习上表现出的惊人能力，不仅让他们自己吓了一跳，也让黄仁勋和英伟达公司吓了一跳。
作为比拟，2012年的早些时候，谷歌“Google Brain”项目的研究职员吴恩达（华裔美国人，1976年生于伦敦）、杰夫·迪恩（Jeff Dean）等人，也捣鼓了一个神经网络（10亿参数），用来演习对猫的识别。
他们的演习数据是来自youtube的1000万个猫脸图片，用了1.6万个CPU，整整演习了3天。
吴恩达
“深度神经网络+GPU”的上风，显露无疑。很多人和很多公司的命运，从此改变了。
2013年，辛顿师徒三人共同成立了一家名为DNNresearch的公司。后来，这个只有三个人且没有任何产品和操持的公司，被谷歌以几千万美元的价格竞购（百度也跑去买，和谷歌争到末了，没成功）。
AlphaGo
2013年-2018年，谷歌是人工智能领域最生动的公司。
2014年，谷歌公司收购了专注于深度学习和强化学习技能的人工智能公司——DeepMind公司。
2016年3月，DeepMind开拓的人工智能围棋程序AlphaGo（阿尔法狗），对战天下围棋冠军、职业九段选手李世石，并以4:1的总比分得胜，震荡了全天下。
AlphaGo具有很强的自我学习能力，能够搜集大量围棋对弈数据和名人棋谱，学习并模拟人类下棋。
一年后，AlphaGo的第四代版本AlphaGoZero问世。在无任何数据输入的情形下，仅用了3天韶光自学围棋，就以100:0的巨大上风，横扫了第二代版本AlphaGo。学习40天后，AlphaGoZero又降服了第三代版本AlphaGo。
当时，全天下都在热议AlphaGoZero的刁悍自学能力，乃至一度引起了人类的惶恐感情。
谷歌在AI圈出尽风头，但他们估计也没有想到，一家在2015年悄然成立的公司（确切说，当时是非营利性组织），会很快取代他们的主角地位。这家公司（组织），便是如今大红大紫的OpenAI。
OpenAI的创始人，除了埃隆·马斯克（Elon Musk）之外，还有萨姆·奥尔特曼（Sam Altman）、彼得·泰尔（Peter Thiel）、里德·霍夫曼（Reid Hoffman）。辛顿的那个徒弟，伊利亚·苏茨克沃，也跑去当了研发主管。
AIGC
深度学习崛起之后，大家该当把稳到，都是用于一些判别类的场景，判断猫、狗之类的。那么，深度学习，是否可以创造（天生）一些什么呢？
2014 年，蒙特利尔大学博士生伊恩· 古德费洛（Ian Goodfellow），从博弈论中的“二人零和博弈”得到启示，提出了天生对抗网络（GANs，Generative Adversarial Networks）。
天生对抗网络用两个神经网络即天生器（Generator）和判别器（Discriminator）进行对抗。在两个神经网络的对抗和自我迭代中，GAN会逐渐蜕变出强大的能力。
天生对抗网络的涌现，对无监督学习、图片天生等领域的研究，起到极大的促进浸染，后来也拓展到打算机视觉的各个领域。
2017年12月，Google机器翻译团队在行业顶级会议NIPS上，丢下了一颗重磅炸弹。他们揭橥了一篇里程碑式的论文，名字叫做《Attention is all you need（你所须要的，便是把稳力）》。
论文提出只利用“自我把稳力（Self Attention）”机制来演习自然措辞模型，并给这种架构起了个霸气的名字——Transformer（转换器、变压器，和“变形金刚”是一个词）。
所谓"自我把稳力"机制，便是只关心输入信息之间的关系，而不再关注输入和对应输出的关系，无需再进行昂贵的人工标注。这是一个革命性的变革。
Transformer的涌现，彻底改变了深度学习的发展方向。它不仅对序列到序列任务、机器翻译和其它自然措辞处理任务产生了深远的影响，也为后来AIGC的崛起打下了坚实的根本。
终于，AIGC的时期，要到来了。
2018年6月，年轻的OpenAI，发布了初版的GPT系列模型——GPT-1。同时，他们还揭橥了论文《Improving Language Understanding by Generative Pre-training（通过天生式预演习改进措辞理解）》。
GPT，便是Generative Pre.trained Transfommer的缩写，天生式预演习变换器。
Generative（天生式），表示该模型能够天生连续的、有逻辑的文本内容，比如完成对话、创作故事、编写代码或者写诗写歌等。
Pre.trained（预演习），表示该模型会先在一个大规模未标注文本语料库上进行演习，学习措辞的统计规律和潜在构造。
Transfommer，刚才说过了，便是那个很厉害的转换器模型。
谷歌紧随其后。2018年10月，他们发布了有3亿参数的BERT（Bidirectional Encoder Representation from Transformers）模型，意思是“来自Transformers的双向编码表示”模型。
GPT-1和BERT都利用了深度学习和把稳力机制，具备较强的自然措辞理解能力。两者的差异是，BERT利用文本的高下文来演习模型。而专注于“文本天生”的GPT-1，利用的是上文。基于“双向编码”的能力，BERT的性能在当时明显精良于GPT-1。
谷歌的领先是暂时的。2019年和2020年，OpenAI接连发布了GPT-2和GPT-3。2022年11月，OpenAI发布了基于GPT模型的人工智能对话运用做事——ChatGPT（也可以理解为GPT-3.5），彻底引爆了全天下。
ChatGPT结合了人类天生的对话数据进行演习，展现出丰富的天下知识、繁芜问题求解能力、多轮对话高下文追踪与建模能力，以及与人类代价不雅观对齐的能力。
它在人机对话方面的出色表现，引发了社会的高度关注，在环球范围内掀起了一股AI巨浪。
后面的事情，大家都比较清楚了。
继ChatGPT后，OpenAI又发布了GPT-4、GPT-4V、GPT-4 Turbo、GPT-4o，形成了如今难以撼动的领导者地位。谷歌虽然也发布号称最强AI大模型的Gemini，但仍旧难以在风头上盖过OpenAI。
除了文本天生，天生式AI也积极向多模态发展，能够处理图像、音频、视频等多种媒体形式。
例如DALL-E、Stable Diffusion、Midjourney等图像天生模型，Suno、Jukebox音乐天生模型，以及SoRa视频天生模型。
环球面向各个垂直领域的“大模型之战”，仍在硝烟弥漫地进行之中。。。
█ 结语
写到这里，这篇洋洋洒洒一万多字的文章，终于要结束了。
我总结一下：
人工智能起步于1950年代，早期紧张是符号主义占主流，并引发了第一次（政府投资）和第二次AI浪潮（企业投资）。
到1980年代，符号主义逐渐走弱，机器学习和神经网络开始崛起，成为主流。
1994-现在，虽然叫做第三次AI浪潮，但也分两个阶段。1994-2006（实在是1980-2006），是机器学习、神经网络的早期积累阶段，打根本。
2006年，神经网络进入深度学习阶段，就彻底开始了AI的爆发。
从2018年开始，人工智能逐渐进入了Transformer和大模型时期，能力有了巨大的提升，也掀起了AI巨浪。
如今的人工智能，已经是全天下关注的焦点，也处于一个前所未有的白金发展阶段。
随着深度学习、神经网络、天生式AI等技能的不断打破，人工智能已经在工业、教诲、医疗、金融、交通、娱乐等险些所有领域实现了落地。人工智能在打算机视觉、自然措辞处理、机器人等方面所具备的能力，已经被运用到大量的垂直场景，并产生了可不雅观的经济效益。
在人工智能热潮的带动下，软件、半导体、通信等ICT家当，都得到了不错的商业机会。环绕人工智能的几家大公司，包括英伟达、微软、苹果、Alphabet（谷歌母公司）、亚马逊、Meta、特斯拉，目前在股票市场被誉为“七巨子”，市值屡破记录。
当然了，这股热潮究竟会走向何方，我们还不得而知。大概，它会连续增长一段韶光，乃至长期持续下去，将人类彻底带入智能时期。大概，我们会进入第三次AI低谷，泡沫破碎，一地鸡毛，又进入一个新的周期。
未来如何，就让韶光来见告我们答案吧。
参考文献：
1、《人工智能简史》，尼克；
2、《人工智能发展简史》孙凌云、孟辰烨、李泽健；
3、《人工智能 60 年技能简史》，李理；
4、《深度学习简史》，Keith D. Foote；
5、《AI是什么 将带我们去哪儿？》，李开复；
6、《人工智能的五个定义：哪个最不可取？》，李开复；
7、《一文读懂人工智能发展史：从出身，到实现家当化》，李弯弯；
8、《你一定爱读的人工智能简史》，山本一成；
9、《AlphaGo背后：深度学习的胜利》，曹玲；
10、《三张图讲述一部AI进化史》，产品二姐（知乎）；
11、《GPT的背后，从命运多舛到颠覆天下，人工神经网络的跌宕80年》，孙睿晨；
12、百度百科、维基百科等。