事實上，在人們所了解的各種宣傳炒作中，人們很容易忘記人工智能并不是什么新鮮事物。在上個世紀，人工智能已經走出了科幻小說，進入了現實世界。而使其成為可能的理論和基礎計算機科學也已經存在數十年的時間。

人工智能(AI)已經成為當下技術領域的熱門話題，也是近年來大多數重大技術突破背后的驅動力。

事實上，在人們所了解的各種宣傳炒作中，人們很容易忘記人工智能并不是什么新鮮事物。在上個世紀，人工智能已經走出了科幻小說，進入了現實世界。而使其成為可能的理論和基礎計算機科學也已經存在數十年的時間。

迄今為止最令人驚嘆的人工智能里程碑

自20世紀初計算開始出現以來，科學家和工程師已經明白，最終的目標是建立能夠像人類大腦(已知宇宙中最復雜的決策系統)一樣進行思考和學習的機器。

如今使用人工神經網絡的尖端深度學習是當前最先進的技術，而在這條道路上有許多里程碑。以下是人們通常認為最具里程碑意義事件的概述。

1637年-笛卡爾為創造人工智能奠定思想基礎

早在機器人成為科幻小說的特征之前，科學家、哲學家勒內?笛卡爾就開始思考機器有一天將會思考和做出決定的可能性。雖然他錯誤地認為這些機器永遠不會像人類那樣說話，但他確定了機器之間的一種劃分，有一天機器可能學會執行一項特定的任務，并且可能會適應任何工作。如今，這兩個領域被稱為專業人工智能和通用人工智能。因此在許多方面，可以說，笛卡爾的想法為創造人工智能奠定了思想基礎。

1956年-達特茅斯會議

隨著神經網絡和機器學習等理念的出現，達特茅斯學院教授約翰?麥卡錫創造了“人工智能”這一術語，并組織了一次夏季研討會，匯集了該領域的頂尖專家。

在這個頭腦風暴會議期間，專家試圖建立一個框架，以便開始學習探索和開發可以“思考”的機器。許多技術領域是當今先進人工智能技術發展的基礎，其中包括自然語言處理、計算機視覺和神經網絡，這都是會議議程的一部分。

1966年- ELIZA開始為計算機帶來聲音

ELIZA是由Joseph Weizenbaum在麻省理工學院開發的，這可能是世界上第一個聊天機器人，它也是Alexa和Siri等聊天機器人的直系祖先。ELIZA代表了自然語言處理的早期實現，其目的是教會計算機采用人類語言與人們交流，而不是要求人們采用計算機代碼對它們進行編程，或通過用戶界面進行交互。ELIZA不能像Alexa那樣說話，而通過文本進行交流，而且它無法從與人類的對話中學習。盡管如此，它為以后突破人類與機器之間的溝通障礙的努力鋪平了道路。

1980年- XCON和有用人工智能的興起

Digital Equipment Corporation的Xcon專家學習系統于1980年部署。到1986年，該公司每年可節省4000萬美元。這一點很重要，因為做到這些之前，人工智能系統通常被認為是令人印象深刻的技術壯舉，其實際使用范圍有限。現在很明顯，智能機器的商業化應用已經開始了，到1985年，企業每年在人工智能系統上花費10億美元。

1988年- 一種統計方法

IBM公司研究人員發布了一種語言翻譯統計方法，將概率原理引入到機器學習的規則驅動領域。它解決了人類語言(法語和英語)之間自動翻譯的挑戰。

這標志著重點轉向設計程序，以根據他們接受培訓的信息(數據)確定各種結果的概率，而不是訓練它們來確定規則。在模仿人類大腦的認知過程方面，這通常被認為是一個巨大的飛躍，并構成了當今使用的機器學習的基礎。

1991年 - 互聯網的誕生

這一點的重要性不容小覷。1991年，歐洲原子核研究會(CERN)研究員蒂姆?伯納斯?李(Tim Berners-Lee)將全球第一個網站放在全球互聯網上，并公布了超文本傳輸協議(HTTP)的工作原理。幾十年來，計算機一直在連接以共享數據，主要是在教育機構和大型企業進行。但是，全球互聯網的到來是整個社會將人們帶入網絡世界的催化劑。在短短的幾年內，來自世界各地的人們以前所未有的速度連接、生成和共享數據，而這是人工智能的燃料。

1997年 - 深藍擊敗了世界象棋冠軍加里卡斯帕羅夫

IBM公司國際象棋超級計算機并沒有使用當今標準認為是真正的人工智能的技術。從本質上講，它依賴于“蠻力”的方法來高速計算每個可能的選項，而不是分析游戲并在游戲中學習。然而，從宣傳的角度來看，這一點很重要，引起了人們的注意，即計算機的發展非常迅速，并且越來越能夠勝任人類以前從未挑戰過的活動。

2005年- DARPA大挑戰賽

2005年是美國國防高級研究計劃局(DARPA)舉辦大型挑戰賽的第二年，這是一場在莫哈韋沙漠中超過100公里越野地形的自動駕駛車輛比賽。2004年，所有參賽者都沒有成功完成這項挑戰。然而，在接下來的一年里，有五輛自動駕駛車輛獲得成功，斯坦福大學開發團隊的自動駕駛車輛以其最快到達而獲得殊榮。

其比賽的目的是促進自主駕駛技術的發展，當然也做到了這一點。到2007年，為自動駕駛車輛建造了一個模擬的城市環境，這意味著他們必須能夠處理交通規則和其他移動車輛。

2011年 - IBM Watson在Jeopardy!競爭中獲得勝利

認知計算引擎Watson與電視游戲節目Jeopardy!的冠軍進行競賽，并擊敗他們，獲得100萬美元的獎金。這一點意義重大，因為雖然深藍計算機已經在十多年前證明了一種可以用數學方式描述圍棋游戲，就像國際象棋可以通過蠻力計算來征服，計算機在基于語言的環境下擊敗人類，這種創造性思維游戲是聞所未聞的。

2012年——深度學習的真正力量向世界展示——計算機學會識別貓

斯坦福大學和谷歌公司的研究人員(其中包括Jeff Dean和Andrew Ng)發表了名為 “使用大規模無監督學習構建高級特征”的論文，這是基于以前對多層神經網絡(稱為深度神經網絡)的研究。

他們的研究探索了無監督學習，這種學習可以在數據被用于訓練機器學習算法之前，消除手工標記數據的昂貴而耗時的任務。它將加快人工智能開發的步伐，并開辟一個新的可能性世界，當涉及到建造機器來完成工作時，直到現在只能由人類完成。具體來說，他們特別指出其系統在識別貓的照片方面已頗具能力。

該論文描述了一種模型，該模型可以構建包含大約10億個連接的人工網絡。并承認，雖然這是向構建“人工大腦”邁出的重要一步，但仍有一些路要走——人類大腦中的神經元被認為是由大約10萬億個連接器組成的網絡連接起來的。

2015年 -機器比人類“看得更清楚”

一年一度的ImageNet挑戰的研究人員宣稱機器目前在識圖方面的表現優于人類。在這個挑戰中，算法競相展示它們對識別和描述1000張圖像庫的熟練程度。

自從2010年比賽開始以來，獲勝算法的準確率從71.8%提高到97.3%，研究人員為此宣稱，計算機可以比人類更準確地識別視覺數據中的物體。

2016年 – AlphaGo得到更加深入的發展

長期以來，棋類游戲一直是展示思維機器能力的一種選擇方法，2016年由Deep Mind(現為谷歌公司的子公司)創建的AlphaGo在五場比賽中擊敗了世界圍棋冠軍Lee Sedol，這一趨勢成為頭條新聞。雖然圍棋的步驟可以用數學來描述，但圍棋中下棋的各種變化的數量(圍棋中可能有10萬個以上的開局動作，而國際象棋中可能有400個開局動作)使得蠻力計算方法變得不切實際。AlphaGo使用神經網絡研究游戲并在游戲中學習。

2018年 - 自動駕駛汽車上路行駛

自動駕駛汽車的開發是當今虛擬現實的一個主要使用案例——這個應用比其他任何一個都更能激發人們的想象力。就像那些為他們提供驅動力的人工智能一樣，它們不是一夜之間出現的東西，盡管對于那些沒有關注技術趨勢的人來說它可能會出現。而斯坦福公司開發月球車于1961年首次亮相，最初的目的是為了探索月球車輛的功能，后來又被重新設計成一種自動駕駛車輛。

毫無疑問，2018年是人工智能發展一個重要的里程碑，谷歌公司分拆出的Waymo公司在亞利桑那州鳳凰城提供自駕車出租服務。第一個商業自動駕駛汽車租賃服務Waymo One目前正為400名支付費用的用戶提供服務，這些自動駕駛汽車將在100平方英里范圍內的學校和工作場所中行駛。

雖然目前每一輛車都有一名工作人員監控汽車的駕駛表現，并在緊急情況下采取控制措施，但這無疑標志著邁向未來的重要一步，自動駕駛汽車將成為所有人所面臨的現實。