1.1 人工智能发展史简介
人工智能从 1956 年被正式提出以来，经历了数十年的发展历程。人工智能诞生初期，其研究主要分为三个 流派，即逻辑演绎、归纳统计和类脑计算。其中，逻辑演绎方法局限性较强，难以对建模复杂的实际问题进 行建模；而类脑计算方法过多地依赖于生命科学，特别是脑科学的研究，而后者的进展难以满足人工智能的 一般要求。在进入 21 世纪依赖，在大数据和大算力的支持下，归纳统计方法逐渐占据了人工智能领域的主 导地位，并且催生出一系列方法论和应用，深刻地影响和改变了人类社会。
孕育期：这一时期的代表性成果，主 要包括Warren S. McCulloch 和 Walter Pitts 提出的人工 神经网络的视觉模型，以及 Alan M. Turing 设想的验证 人工智能的思想实验（即图 灵测试）。同时，1946 年出 现的通用计算机 ENIAC，也 为人工智能的复杂演算提供 了硬件支撑。
第一次繁荣期：以 1956 年达特茅斯会议为 标志，人工智能被正式提出 并且进入第一次繁荣期。基 于逻辑演绎的人工智能算法 解决了某些特定领域的问题（如证明数学定理），而基 于亚符号系统的感知器算法 也被实现出来，甚至在 1957 年出现了专门用于模拟感 知器的计算机 Mark I。 此 时的学者对于人工智能抱有 不切实际的乐观幻想，包括 Marvin L. Minsky（1969 年 图灵奖得主）和 Herbert A. Simon（1975 年图灵奖得主） 在内的多名学者，均预测人 工智能将在 20 年内获得彻底解决。而以 DARPA 为 代 表的政府机构和大型企业， 也为人工智能的研究注入了 大量资金。
第一次低谷期：研究者们很快意识到了第一 代 人 工 智 能 算 法 的 极 限。 1969 年，Marvin L. Minsky 发表著作《Perceptrons》， 几乎一手摧毁了联结主义（即 人工神经网络）方面的研 究；同时，基于逻辑演绎的 算法也被证明需要指数级时 间以解决大部分问题。随着 DARPA 等机构撤出大部分投 资，人工智能领域也开启一 波反思浪潮，其中有代表性 的是 James Lighthill 于 1973 年发表的人工智能综述报告 和 John R. Searle 于 1980 年 提出的中文房间问题。
第二次繁荣期： 随着专家系统的出现和盛 行， 人 工 智 能 算 法 开 始 在 限定领域内解决实际问题。 1975 年出现的 MYCIN 算 法，能够在医学领域完成血 液 传 染 病 的 诊 断 工 作。 同 时，以 Hopfield 网络为代表 的新型神经网络和 David E. Rumelhart 发明的反向传播 算法，极大地增强了人工神 经网络的适用范围。1989 年， Yann LeCun（2018 年图灵 奖得主）使用五层神经网络 识别手写数字，该方法取得 巨大成功并在 20 世纪 90 年 代识别了美国超过 10% 的手 写支票。以 DARPA 为代表 的机构再次行动起来，使得 20 世纪 80 年代后半段在人 工智能领域的投入资金比起 前半段增长了数倍。
第二次低谷期： 然而，专家系统很快遇到了 新的困境。研究者们发现， 即使在限定领域中，面对未 知或者未定义的问题时，即 使问题十分简单，专家系统 的表现也无法预测甚至控制。随着支持人工智能研究 资金的再度锐减，研究者们 再次开始反思，并且将思路 逐渐从符号系统（如归纳演 绎方法）转向亚符号系统（如 统计学习方法）。这一时期， 研究者们开始认识到感知和 交互的重要性，其中影响较 大的观点包括 David Marr 在其著作《Vision》中提出 的视觉理解模型和 Rodney A. Brooks 提出的“模型可 有可无，世界即是描述自身 最好的模型”等。
第三次繁荣期： 随着现代计算机的存储能力 和算力不断增强，统计学习 方法逐渐成为人工智能领域 的绝对主流。在人工智能的 各个领域，如计算机视觉、 语音识别、自然语言处理等， 手工设计的模型都逐渐被统 计学习模型所取代。从 2011 年开始，深度学习浪潮席卷 人工智能领域，终于在多个 领域达到或者超越了人类水 平。人工智能的第三次繁荣 期，也是历史上最长的一次， 至今仍未有结束的趋势。虽 然许多本质问题尚未得到解 决，但人工智能的诸多应用 已经深刻地改变了人类社会。
值得一提的是，深度学习并未解决人工智能的本质问题。未来，业界很可能还要经历数次低潮与革新，方能 达成真正的通用人工智能。在此之前，虽然存在着关于强 / 弱人工智能的讨论和对科技奇异点的担忧，但业界的重心依然是人工智能算法的研发。
