人工智能发展史总结
什么是人工智能人工智能（AritificialIntelligence，AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。
人工智能发展史人工智能在发展过程中产生了很多的流派，符号主义、连接主义和行为主义。这些流派的相辅相成推进了人工智能的发展。
如果你想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作，教程不仅通俗易懂，而且很风趣幽默。点击这里可以查看教程。
符号主义符号主义又称逻辑主义、心理学派或计算机学派。符号主义认为，人工智能源于数学逻辑，人的认知基源是符号，认知过程即符号操作过程，通过分析人类认知系统所具备的功能和机能，然后通过计算机来模拟这些功能，从而实现人工智能。符号主义的发展大概经历了几个阶段：推理期（20世纪50年代–20世纪70年代），知识期（20世纪70年代—-）。“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大的成就；“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果。
连接主义连接主义又称仿生学派或生理学派。连接主义认为，人工智能源于仿生学，特别是对人脑模型的研究，人的思维基元是神经元，而不是符号处理过程。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。进入21世纪后，连接主义卷土重来，提出了“深度学习”的概念。
机器学习二十世纪80年代，机器学习成为一个独立的科学领域，各种机器学习技术百花初绽。E．A．Feigenbaum等人在著名的《人工智能手册》中，把机器学习划分为“机械学习”、“示教学习”、“类比学习”和“归纳学习”。机械学习将外界的输入信息全部存储下来，等到需要时原封不动的取出来；示教学习和类比就是“从指令中学习”和“通过观察和发现学习”；归纳学习就是从样例中学习。二十世纪80年代以来研究最多的就是归纳学习，它包括：监督学习、无监督学习、半监督学习、强化学习等。归纳学习有两大主流：一、符号主义学习，其代表包括决策树和基于逻辑的学习（事实上，机器学习在20世纪80年代正是被视为“解决公式工程瓶颈问题的关键”而走上人工智能主舞台的）。二、基于神经网络的连接主义学习。二十世纪90年代中期，统计学习闪亮登场，并迅速占据主流舞台，代表性技术是支持向量机以及更一般的“核方法”。我们目前所说的机器学习方法，一般认为是统计机器学习方法。
ps:想按照算法的发展将人工智能发展过程梳理一遍，事实上感觉写的很差，希望大家多多指正。
研究领域与应用场景研究领域人工智能的研究领域主要有5层，最底层是基础设施建设，包括数据和计算能力两部分，数据越大人工智能的能力越强。往上一层是算法，比如机器学习、深度学习等算法。再上一层是主要的技术方向，如计算机视觉、语音工程、NLP等。第二层是各个技术方向中的技术。最上层为人工智能的应用领域。
应用场景 计算机视觉：车牌识别、人脸识别、无人车等 语音工程：2010年后，深度学习的广泛应用使语音识别的准确率大幅提升，像Siri、VoiceSearch和Echo等，可以实现不同语言间的 交流，从语音中说一段话，随之将其 翻译为另一种文字；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。 自然语言处理：问答系统、机器翻译、对话系统等。 决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从80年代西洋跳棋开始，到90年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。 大数据应用：分析客户的喜好进行个性推荐，精准营销；分析各个股票的行情，进行量化交易。
AI面临的挑战1) 计算机视觉：未来的人工智能应该更加注重效果的优化，加强计算机视觉在不同场景、问题上的应用。2) 语音工程：当前的语音工程在安静环境下，已经能够取得和人类相似的水平。但在噪音情景下仍有挑战，如原场识别、口语、方言等长尾识别。3) 自然语言处理：机器欠缺对语意理解能力，包括对口语不规范的用于识别和认知等。4) 决策系统：目前存在的两个问题，第一是不通用，即学习知识的不可迁移性，如用一个方法学习下象棋，不能直接将其迁移到下围棋上；第二是大量模拟数据。
人工智能发展史总结
什么是人工智能人工智能（AritificialIntelligence，AI）是一门融合了计算机科学、统学、脑神经学和社会科学的前沿综合性学科。它的目标是希望计算机拥有像人一样的智力能力，可以替代人类实现识别、认知、分类和决策等多种功能。
人工智能发展史人工智能在发展过程中产生了很多的流派，符号主义、连接主义和行为主义。这些流派的相辅相成推进了人工智能的发展。
符号主义符号主义又称逻辑主义、心理学派或计算机学派。符号主义认为，人工智能源于数学逻辑，人的认知基源是符号，认知过程即符号操作过程，通过分析人类认知系统所具备的功能和机能，然后通过计算机来模拟这些功能，从而实现人工智能。符号主义的发展大概经历了几个阶段：推理期（20世纪50年代–20世纪70年代），知识期（20世纪70年代—-）。“推理期”人们基于符号知识表示、通过演绎推理技术取得了很大的成就；“知识期”人们基于符号表示、通过获取和利用领域知识来建立专家系统取得了大量的成果。
连接主义连接主义又称仿生学派或生理学派。连接主义认为，人工智能源于仿生学，特别是对人脑模型的研究，人的思维基元是神经元，而不是符号处理过程。20世纪60~70年代，连接主义，尤其是对以感知机(perceptron)为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到Hopfield教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特(Rumelhart)等人提出多层网络中的反向传播算法(BP)算法。进入21世纪后，连接主义卷土重来，提出了“深度学习”的概念。
机器学习二十世纪80年代，机器学习成为一个独立的科学领域，各种机器学习技术百花初绽。E．A．Feigenbaum等人在著名的《人工智能手册》中，把机器学习划分为“机械学习”、“示教学习”、“类比学习”和“归纳学习”。机械学习将外界的输入信息全部存储下来，等到需 要时原封不动的取出来；示教学习和类比就是“从指令中学习”和“通过观察和发现学习”；归纳学习就是从样例中学习。二十世纪80年代以来研究最多的就是归纳学习，它包括：监督学习、无监督学习、半监督学习、强化学习等。归纳学习有两大主流：一、符号主义学习 ，其代表包括决策树和基于逻辑的学习（事实上，机器学习在20世纪80年代正是被视为“解决公式工程瓶颈问题的关键”而走上人工智能主舞台的）。二、基于神经网络的连接主义学习。二十世纪90年代中期，统计学习闪亮登场，并迅速占据主流舞台，代表性技术是支持 向量机以及更一般的“核方法”。我们目前所说的机器学习方法，一般认为是统计机器学习方法。
ps:想按照算法的发展将人工智能发展过程梳理一遍，事实上感觉写的很差，希望大家多多指正。
研究领域与应用场景研究领域人工智能的研究领域主要有5层，最底层是基础设施建设，包括数据和计算能力两部分，数据越大人工智能的能力越强。往上一层是算法，比如机器学习、深度学习等算法。再上一层是主要的技术方向，如计算机视觉、语音工程、NLP等。第二层是各个技术方向中的技术。 最上层为人工智能的应用领域。
应用场景计算机视觉：车牌识别、人脸识别、无人车等 语音工程：2010年后，深度学习的广泛应用使语音识别的准确率大幅提升，像Siri、VoiceSearch和Echo等，可以实现不同语言间的交流，从语音中说一段话，随之将其 翻译为另一种文字；再如智能助手，你可以对手机说一段话，它能帮助你完成一些任务。 自然语言处理：问答系统、机器翻译、对话系统等。 决策系统：决策系统的发展是随着棋类问题的解决而不断提升，从80年代西洋跳棋开始，到90年代的国际象棋对弈，再到AlphaGo，机器的胜利都标志了科技的进步。决策系统可以在自动化、量化投资等系统上广泛应用。 大数据应用：分析客户的喜好进行个性推荐，精准营销；分析各个股票的行情，进行量化交易。
AI面临的挑战1)计算机视觉：未来的人工智能应该更加注重效果的优化，加强计算机视觉在不同场景、问题上的应用。 2)语音工程：当前的语音工程在安静环境下，已经能够取得和人类相似的水平。但在噪音情景下仍有挑战，如原场识别、口语、方言等长尾识别。 3)自然语言处理：机器欠缺对语意理解能力，包括对口语不规范的用于识别和认知等。 4)决策系统：目前存在的两个问题，第一是不通用，即学习知识的不可迁移性，如用一个方法学习下象棋，不能直接将其迁移到下围棋上；第二是大量模拟数据。
人工智能的起源
原标题：人工智能的起源人工智能（ArtificialIntelligence）,英文缩写为AI,是一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学、哲学等多种学科相互渗透而发展起来的综合性新学科。自问世以来AI经过波波折折，但终于作为一门边缘新学科得到世界的承认并且日益引起人们的兴趣和关注。不仅许多其他学科开始引入或借用AI技术，而且AI中的专家系统、自然语言处理和图象识别已成为新兴的知识产业的三大突破口。
人工智能的思想萌芽可以追溯到十七世纪的帕斯卡和莱布尼茨，他们较早萌生了有智能的机器的想法。十九世纪，英国数学家布尔和德.摩尔根提出了“思维定律“，这些可谓是人工智能的开端。十九世纪二十年代，英国科学家巴贝奇设计了第一架“计算机器“，它被认为是计算机硬件，也是人工智能硬件的前身。电子计算机的问世，使人工智能的研究真正成为可能。
作为一门学科，人工智能于1956年问世，是由“人工智能之父“McCarthy及一批数学家、信息学家、心理学家、神经生理学家、计算机科学家在Dartmouth大学召开的会议上，首次提出。对人工智能的研究，由于研究角度的不同，形成了不同的研究学派。这就是：符号主义学派、连接主义学派和行为主义学派。
传统人工智能是符号主义，它以Newell和Simon提出的物理符号系统假设为基础。物理符号系统是由一组符号实体组成，它们都是物理模式，可在符号结构的实体中作为组成成分出现，可通过各种操作生成其它符号结构。物理符号系统假设认为：物理符号系统是智能行为的充分和必要条件。主要工作是“通用问题求解程序“（GeneralProblemSolver,GPS）：通过抽象，将一个现实系统变成一个符号系统，基于此符号系统，使用动态搜索方法求解问题。
连接主义学派是从人的大脑神经系统结构出发，研究非程序的、适应性的、大脑风格的信息处理的本质和能力，研究大量简单的神经元的集团信息处理能力及其动态行为。人们也称之为神经计算。研究重点是侧重于模拟和实现人的认识过程中的感觉、知觉过程、形象思维、分布式记忆和自学习、自组织过程。
行为主义学派是从行为心理学出发，认为智能只是在与环境的交互作用中表现出来。
人工智能的研究经历了以下几个阶段：
第一阶段：50年代人工智能的兴起和冷落
人工智能概念首次提出后，相继出现了一批显著的成果，如机器定理证明、跳棋程序、通用问题s求解程序、LISP表处理语言等。但由于消解法推理能力的有限，以及机器翻译等的失败，使人工智能走入了低谷。这一阶段的特点是：重视问题求解的方法，忽视知识重要性。
第二阶段：60年代末到70年代，专家系统出现，使人工智能研究出现新高潮
DENDRAL化学质谱分析系统、MYCIN疾病诊断和治疗系统、PROSPECTIOR探矿系统、Hearsay-II语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。并且，1969年成立了国际人工智能联合会议（InternationalJointConferencesonArtificialIntelligence即IJCAI）。
第三阶段：80年代，随着第五代计算机的研制，人工智能得到了很大发展
展开全文日本1982年开始了“第五代计算机研制计划“，即“知识信息处理计算机系统KIPS“，其目的是使逻辑推理达到数值运算那么快。虽然此计划最终失败，但它的开展形成了一股研究人工智能的热潮。
第四阶段：80年代末，神经网络飞速发展
1987年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。
第五阶段：90年代，人工智能出现新的研究高潮
由于网络技术特别是国际互连网的技术发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究。不仅研究基于同一目标的分布式问题求解，而且研究多个智能主体的多目标问题求解，将人工智能更面向实用。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。人工智能已深入到社会生活的各个领域。
IBM公司“深蓝“电脑击败了人类的世界国际象棋冠军，美国制定了以多Agent系统应用为重要研究内容的信息高速公路计划，基于Agent技术的Softbot(软机器人)在软件领域和网络搜索引擎中得到了充分应用，同时，美国Sandia实验室建立了国际上最庞大的“虚拟现实“实验室，拟通过数据头盔和数据手套实现更友好的人机交互，建立更好的智能用户接口。图像处理和图像识别，声音处理和声音识别取得了较好的发展，IBM公司推出了ViaVoice声音识别软件，以使声音作为重要的信息输入媒体。国际各大计算机公司又开始将“人工智能“作为其研究内容。人们普遍认为，计算机将会向网络化、智能化、并行化方向发展。二十一世纪的信息技术领域将会以智能信息处理为中心。
目前人工智能主要研究内容是：分布式人工智能与多智能主体系统、人工思维模型、知识系统（包括专家系统、知识库系统和智能决策系统）、知识发现与数据挖掘（从大量的、不完全的、模糊的、有噪声的数据中挖掘出对我们有用的知识）、遗传与演化计算（通过对生物遗传与进化理论的模拟，揭示出人的智能进化规律）、人工生命（通过构造简单的人工生命系统（如：机器虫）并观察其行为，探讨初级智能的奥秘）、人工智能应用（如：模糊控制、智能大厦、智能人机接口、智能机器人等）等等。
人工智能研究与应用虽取得了不少成果，但离全面推广应用还有很大的距离，还有许多问题有待解决，且需要多学科的研究专家共同合作。未来人工智能的研究方向主要有：人工智能理论、机器学习模型和理论、不精确知识表示及其推理、常识知识及其推理、人工思维模型、智能人机接口、多智能主体系统、知识发现与知识获取、人工智能应用基础等。返回搜狐，查看更多
责任编辑：人工智能练习题 + 知识点汇总（期末复习版）
知识表示方法有哪些？（1）非结构化方法:谓词逻辑表示法，产生式表示法（2）结构化方法:语义网络表示法，框架表示法（3）其它方法:状态空间法、问题归约法
数据、信息与知识的关系是什么？（1）数据是用一组符号及其组合表示的信息；数据是记录信息的符号；数据是信息的载体和表示（2）信息是数据的解释；信息是数据在特定场合下的具体含义（3）知识是相关信息关联在一起形成的信息；知识是人类在长期的生活及社会实践、科学研究及实验中积累的认识与经验总结：有格式的数据经过处理解释形成信息，有关的信息关联到一起经过处理形成知识
请用一阶谓词知识表示法表示下列知识（1）所有的人都喜欢的一种游戏（2）对于所有自然数，均有x+y>x（3）某些人对某些食物过敏（4）不存在最大的整数解：