原文：
www.kdnuggets.com/2017/04/brief-history-artificial-intelligence.html
尽管目前的炒作很多，人工智能并不是一个新兴领域，而是起源于五十年代。如果排除从古希腊到霍布斯、莱布尼茨和帕斯卡的纯哲学推理路径，人工智能作为我们所知的领域在1956 年于达特茅斯学院正式开始，最杰出的专家们聚集在一起进行智能模拟的头脑风暴。
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯。
2. 谷歌数据分析专业证书 - 提升你的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持你所在组织的 IT 工作
这发生在阿西莫夫设定他自己三大机器人定律的几年之后，但更相关的是在图灵（1950）发布的著名论文之后，在该论文中他首次提出了思维机器的概念以及更受欢迎的图灵测试来评估这样的机器是否确实表现出智能。
达特茅斯的研究小组公开发布了那次夏季会议的内容和想法后，政府资金流向了创建非生物智能的研究。
那时，人工智能看似触手可及，但事实并非如此。在六十年代末，研究人员意识到人工智能确实是一个难以管理的领域，最初带来资金的火花开始消散。
这一现象贯穿了人工智能的整个历史，通常被称为人工智能效应，由两个部分组成：
-
不断承诺在未来十年内实现真正的人工智能；
-
人工智能在掌握某个问题后的表现被低估，不断重新定义什么是智能。
在美国，DARPA 资助人工智能研究的原因主要是为了创造一个完美的机器翻译器，但两个连续事件破坏了这个提案，开启了后来被称为第一次人工智能寒冬的时期。
实际上，美国**自动语言处理咨询委员会（ALPAC）**于 1966 年发布的报告，随后是“莱特希尔报告（1973）”，评估了人工智能在当前发展下的可行性，并对创建能够学习或被认为是智能的机器的可能性作出了否定结论。
这两份报告，加上有限的数据供给算法使用，以及那个时期计算能力的匮乏，使得这一领域崩溃，人工智能在整个十年中陷入了耻辱。
III. (专家)克隆的攻击
然而，在八十年代，英国和日本的新一轮资助是由于引入了“专家系统”，这些系统基本上是窄人工智能的例子，如前面文章所定义。
这些程序实际上能够模拟特定领域的专家技能，但这已经足以刺激新的资助趋势。在这些年里，最活跃的参与者是日本政府，其急于创建第五代计算机间接迫使美国和英国重新恢复对人工智能研究的资助。
然而，这一黄金时代并没有持续太久，当资助目标未能实现时，新的危机开始了。在 1987 年，个人计算机变得比Lisp Machine更强大，而Lisp Machine是多年来人工智能研究的成果。这标志着第二次人工智能寒冬的开始，DARPA 明确反对人工智能和进一步资助。
幸运的是，1993 年这一时期以MIT Cog 项目的结束告终，该项目旨在构建一个类人机器人，还有动态分析和重规划工具（DART）——这一工具为美国政府自 1950 年以来的全部资助支付了回报——当 1997 年 DeepBlue 在国际象棋中击败了卡斯帕罗夫时，人工智能显然重回巅峰。
在过去二十年中，学术研究取得了很多进展，但人工智能直到最近才被公认为一种范式转变。当然，有一系列原因可以帮助我们理解为什么我们现在在人工智能方面投入如此之多，但我们认为有一个特定事件对过去五年的趋势负有责任。
如果我们查看下面的图表，会注意到尽管取得了所有这些进展，人工智能直到 2012 年底才被广泛认可。该图表确实是使用 CBInsights Trends 创建的，它基本上绘制了特定词汇或主题（在这种情况下是人工智能和机器学习）的趋势。
2012–2016 年的人工智能趋势。
更详细地说，我在一个特定的日期上划了一条线，我认为这是这股新人工智能乐观潮流的真正触发点，即2012 年 12 月 4 日。在那天星期二，一组研究人员在神经信息处理系统（NIPS）会议上展示了他们的卷积神经网络的详细信息，这使他们在几周前的ImageNet 分类竞赛中获得了第一名（Krizhevsky et al., 2012）。他们的工作将分类算法从 72%提高到 85%，并将神经网络的使用确立为人工智能的基础。
在不到两年的时间里，该领域的进展使得 ImageNet 竞赛中的分类达到了96%的准确率，略高于人类的约 95%。
图片还展示了 AI 发展的三大主要增长趋势（断裂的虚线），由三大事件概述：
-
3 岁的DeepMind于 2014 年 1 月被谷歌收购；
-
生命未来研究所的公开信由超过 8,000 人签署，及 Deepmind 于 2015 年 2 月发布的强化学习研究（Mnih et al., 2015）；
-
2016 年 1 月 DeepMind 科学家在《自然》上发表的关于神经网络的论文（Silver et al., 2016），以及 2016 年 3 月 AlphaGo 战胜李世石的令人印象深刻的胜利（后续还有一系列其他令人印象深刻的成就——查看Ed Newton-Rex的文章）。
AI 本质上高度依赖资金，因为它是一个长期研究领域，需要耗费大量的努力和资源才能彻底开发。
然而，也有人担忧我们可能正处于下一个高峰阶段（Dhar, 2016），但这种兴奋注定很快就会消失。
然而，与许多人一样，我认为这一新时代有三个主要原因与众不同：
-
（大）数据，因为我们最终拥有了喂养算法所需的大量数据；
-
技术进步，因为存储能力、计算能力、算法理解、更高更大的带宽和更低的技术成本使我们能够实际让模型处理所需的信息；
-
Uber 和 Airbnb 商业模型引入的资源民主化和高效配置，这在云服务（即亚马逊网络服务）和由 GPU 进行的并行计算中得以体现。
参考文献
-
Dhar, V. (2016). “人工智能的未来”。《大数据》，4(1): 5–9。
-
Krizhevsky, A., Sutskever, I., Hinton, G.E. (2012). “使用深度卷积神经网络进行 Imagenet 分类”。《神经信息处理系统进展》，1097–1105。
-
Lighthill, J. (1973). “人工智能：概述”。在《人工智能：论文研讨会》，科学研究委员会。
-
Mnih, V., et al. (2015). “通过深度强化学习实现人类水平的控制”。《自然》，518: 529–533。
-
Silver, D., et al. (2016). “通过深度神经网络和树搜索掌握围棋游戏”。《自然》，529: 484–489。
-
Turing, A. M. (1950). “计算机械与智能”。《思维》，49: 433–460。
披露：本文最初是较长文章‘人工智能解释’的一部分，我现在基于一些读者对文章可读性的反馈将其拆分。希望这有所帮助。
简介：Francesco Corea 是一位决策科学家和数据策略师，现居伦敦，英国。
原创。经许可转载。
相关内容：
-
50 家引领 AI 革命的公司，详细介绍
-
数据挖掘的历史
-
为何要在人工智能上长线投资？