人工智能发展史：第一次热潮和第二次热潮，螺旋式向前发展
【东音社按】本文摘自日经BP的《完全读懂AI应用最前线》，经东方出版社授权发布。人工智能的历史是“热潮”与“低谷”交替出现的历史。发展热潮中充满了无限的期望，但是事与愿违，它迅速走向了衰败。热潮与低谷的发展史，为人工智能的实用化提供了积极性的参考。
本文，我们将讲述人工智能第1次热潮和低谷以及第2次热潮初始阶段的历史。
一、初级阶段：聊天机器人1956年的达特茅斯会议上，“人工智能”一词登上了历史的舞台。之后，各种人工智能程序陆续登场，人工智能迎来了第1次发展热潮。在这个时期，人工智能软件“Eliza（伊莉莎）”引起了很大的反响。Eliza，是最早的与人对话程序，从1964年开始，由德国科学家约瑟夫•魏泽堡主持编写。当时，使用了专门的编目处理语言“SLIP”进行程序开发，之后的程序开发则是由LISP主导进行的。
Eliza有各种各样的对话例子，其中最著名的例子就是模仿心理医生的心理辅导。被测试者都认为与自己对话的是心理医生，丝毫没有怀疑网络对面的是一台机器。
Eliza通过模式匹配与概念词典技术模仿与人对话的程序。它就是之后被称为“聊天机器人（chatterbot）”程序的原型。聊天机器人，虽然是可以模仿人类对话的程序，但是却没有融入人工智能的技术，只是表面上看起来像是双方的对话是成立的。从这种并无才能的角度出发，它也经常被称为“人工无能”。聊天机器人多是利用简单的词汇识别和概念词典编程的。
当然，也有人主张“像Eliza这样的聊天机器人（人工无能）并不是人工智能”。它既没有对智能进行定义，也没有依据智能进行推理，因此至少不能称之为研究并模仿人的智能的“强人工智能”。另外，聊天机器人是利用简单的模式匹配和概念词典编程的，它的行动模式是能够被人推断出来的，它看起来就像以if句式区别意思的决定论式的程序。
但是，以Eliza为代表的聊天机器人（人工无能），让世人开始了解人工智能，并促进了自然语言处理的迅猛发展，这也体现了它们的巨大贡献。我们至少可以称它们为初级阶段的人工智能。
二、第一次热潮：弱人工智能阶段在人工智能发展的第1次热潮里，有一个需要介绍的程序，那就是通过符号处理获得更加严密的计算结果的“计算机代数系统”。比起简单的数值计算程序，该系统可以得到更加严密的计算结果。
“Macsyma”，是人工智能发展初期的具有代表性的计算机代数系统之一，该程序能够处理多项式以及不定积分。
Macsyma是在1968年以WilliamA.Martin为首的科学家研发的一套系统，是以LISP语言编写，并融入了启发法的问题解决方法。启发法，是通过探索最接近最优解的近似最优解的方法来得出问题的答案，而不是搜索所有可能的答案，从而得出最优解。
另外，“Reduce”也是该时期具有代表性的计算机代数系统，是由AnthonyC.Hearn于20世纪60年代开发编写的。现在，已经开放源代码，研发活动仍在进行中。Reduce程序利用LISP编写，可以处理不定积分。
Macsyma问世之后，计算机代数系统取得了很大的发展，美国沃尔夫勒姆研究的“Mathematica”、日本莎益博工程系统的“Maple”等都是之后研发出来的系统。
如前所述，Macsyma和Reduce都是利用LISP编写的，因此我们也可以说LISP作为人工智能的汇编语言发挥了巨大作用。反过来也可以说，计算机代数系统就像一个LISP的巨大的应用程序，LISP处理系统需要将这些程序成功运转起来。
其公式处理方法用的是启发法，完全不同于只是基于if句式的决定论式的程序。它至少可以称得上是一个模仿专家思考行为的“弱人工智能”。
继聊天机器人和计算机代数系统之后，在人工智能发展的第一次热潮期间诞生的还有专家系统这套程序。
专家系统，正如其名，它是一套将人类专家的知识和经验变成数据形式，然后通过数据进行推理的系统。初期的专家系统中比较有名的是“Mycin”系统，它是由以美国科学家EdwardShortliife为首的团队在1970年初期研发的。Mycin系统是通过与患者进行人机对话的形式来诊断病情，也是利用LISP来编写的。它拥有500多条规则，可以进行较为简单的推理。
它的特点是，导入了被称为“确信度”的系数这一概念来判断诊断的准确度。但是也有人主张，导入这一概念容易给推理过程造成一定的干扰。
专家系统，不仅在第1次人工智能热潮中得到发展，在第2次人工智能热潮中也继续流行。
三、人工智能的瓶颈初现端倪在第1次人工智能发展热潮中诞生的各种人工智能程序，只是进行简单推理的程序较多，在发展过程中，瓶颈也就逐渐地显现出来了。
早在第1次发展热潮之前，马文•明斯基和西摩尔•派普特着手的人工神经网络研究就指出了人工智能发展可能出现的瓶颈问题。具体来说，由输入系统和输出系统组成的简单感知器，作为人工神经网络的一种形式，无法解决“不可分的问题”。
在这里我们不做详细说明，但是线性不可分问题的确在很多地方都存在，它也显示出只是导入了简单感知器的人工智能的弊端，这也导致了世人对人工神经网络的期待急速地降低。
最近流行的多层人工神经网络（深度学习模型），随着学习运算法则的不断进化，线性不可分的问题也逐渐被解决。这一点我们将在后面的篇章里做详细解释。
四、经历“低谷时代”，进入第2次发展热潮人工智能发展的第1次热潮，从1956年一直持续到70年代前期。这一时期研发的专家系统等人工智能系统，因受到计算机处理性能的制约，只能处理一定数量的规则，并且是在特定的领域、特定的环境下才能够发挥作用。
人们在对人工智能充满期待的同时，对研发出来的缺乏实用性的系统也充满了失望，因此，国家以及企业在人工智能方面的预算也越来越少。这一时期，也就是20世纪70年代后期被称为人工智能发展的“第1次低谷”。
但是，进入20世纪80年代后，人工智能很快再次迎来了新的发展热潮。
本次发展热潮的主角是在第1次发展热潮时诞生的专家系统。因处理美国迪吉多公司（DEC）的VAX系统的各种订单并取得非常成功的专家系统受到广泛关注，各IT供应商迅速导入专家系统。
人工智能发展迎来第2次热潮，最大的一个原因在于计算机性能的大幅提高。进入20世纪80年代，基于复杂规则的专家系统也可以在计算机上运行。由此，逐渐实现了专家系统的商业性使用。
随着专家系统的兴盛，制定专家系统运行规则的工程师也被称为“知识工程师”，并且一时间成为炙手可热的职业，就像在今天，数据科学家这个职业相当流行，受到人们的追捧。
知识工程师的主要工作是听取用户的业务内容并对其进行分析，从中抽出明显的规则与隐藏的规则，然后进行分类。
当时，科学家们研发出了各种专家系统。初期的各种专用专家系统大都是利用LISP编程，随着技术的革新，慢慢地发生了变化，通用的引擎部分依然利用LISP编程，规则部分则是知识工程师利用外部数据进行编程。并且，用LISP编程的引擎部分，利用C语言进行编程的开发研究也已经展开了。
专家系统的编程由专用LISP语言向普通的C语言过渡，该系统也变成了一般的程序员编写的一般系统，其新意也就逐渐淡化了。
由此，专家系统也就从人工智能程序变成了决定论式的普通程序。随着这一变化，专家系统的作用效果也变得非常明确，但是其发展瓶颈也开始显现出来。
五、人工神经网络的发展在人工智能发展的第2次热潮中，人工神经网络也发生了很大的变化。第1次发展热潮时，马文•明斯基等就已经指出，仅凭简单的人工神经网络还有很多无法解决的问题。为了解决这一大难题，多层化的人工神经网络开始受到关注。但是，如何实现多层人工神经网络的自我学习，还没有一个固定的模式。
之后，被称为反向传播（Backpropagation）的算法问世，打破了这种僵局的持续。反向传播是人工神经网络的一种自我学习算法，基于这种算法，多层人工神经网络的机器学习实现了定式化。该算法通过在输入层和输出层之间设定一个中间层（隐藏层），以反向传播的方式实现机器的自我学习。
基于反向传播的形式逐渐形成固定的模式，人工神经网络的发展也进入了兴盛期。线性不可分的问题也开始得到解决，人工智能也实现了进一步的发展。
在人工智能的第2次发展热潮时，笔者有幸参与了作为人工智能机的LISP专用机的研发工作。LISP专用机，也就是一种被称为“AI工作站”的新型计算机。当时，各企业都争相研发各种人工智能专用机，一时间，形成了一股热潮。
人工智能专用机诞生之初的价格大约在1000万日元，之后价格急速下降，使得人工智能专用机在一定程度上得到了普及。在人工智能专用机上运行的程序就有专家系统。可以在人工智能专用机上直接编写专家系统，也可以先编写通用的专家系统，然后再将各种规则编入系统中。
2023年人工智能领域发展七大趋势
2022年人工智能领域发展七大趋势
有望在网络安全和智能驾驶等领域“大显身手”
人工智能已成为人类有史以来最具革命性的技术之一。“人工智能是我们作为人类正在研究的最重要的技术之一。它对人类文明的影响将比火或电更深刻”。2020年1月，谷歌公司首席执行官桑达尔·皮查伊在瑞士达沃斯世界经济论坛上接受采访时如是说。
美国《福布斯》网站在近日的报道中指出，尽管目前很难想象机器自主决策所产生的影响，但可以肯定的是，当时光的车轮到达2022年时，人工智能领域新的突破和发展将继续拓宽我们的想象边界，其将在7大领域“大显身手”。
增强人类的劳动技能
人们一直担心机器或机器人将取代人工，甚至可能使某些工种变得多余。但人们也将越来越多地发现，人类可借助机器来提升自身技能。
比如，营销部门已习惯使用工具来帮助确定哪些潜在客户更值得关注；在工程领域，人工智能工具通过提供维护预测，让人们提前知道机器何时需要维修；法律等知识型行业将越来越多地使用人工智能工具，帮助人们对不断增长的可用数据中进行分类，以找到完成特定任务所需的信息。
总而言之，在几乎每个职业领域，各种智能工具和服务正在涌现，以帮助人们更有效地完成工作。2022年人工智能与人们日常生活的联系将会变得更加紧密。
更大更好的语言建模
语言建模允许机器以人类理解的语言与人类互动，甚至可将人类自然语言转化为可运行的程序及计算机代码。
2020年中，人工智能公司OpenAI发布了第三代语言预测模型GPT—3，这是科学家们迄今创建的最先进也是最大的语言模型，由大约1750亿个“参数”组成，这些“参数”是机器用来处理语言的变量和数据点。
众所周知，OpenAI正在开发一个更强大的继任者GPT—4。尽管细节尚未得到证实，但一些人估计，它可能包含多达100万亿个参数（与人脑的突触一样多）。从理论上讲，它离创造语言以及进行人类无法区分的对话更近了一大步。而且，它在创建计算机代码方面也会变得更好。
网络安全领域的人工智能
今年1月，世界经济论坛发布《2021年全球风险格局报告》，认为网络安全风险是全世界今后将面临的一项重大风险。
随着机器越来越多地占据人们的生活，黑客和网络犯罪不可避免地成为一个更大的问题，这正是人工智能可“大展拳脚”的地方。
人工智能正在改变网络安全的游戏规则。通过分析网络流量、识别恶意应用，智能算法将在保护人类免受网络安全威胁方面发挥越来越大的作用。2022年，人工智能的最重要应用可能会出现在这一领域。人工智能或能通过从数百万份研究报告、博客和新闻报道中分析整理出威胁情报，即时洞察信息，从而大幅加快响应速度。
人工智能与元宇宙
元宇宙是一个虚拟世界，就像互联网一样，重点在于实现沉浸式体验，自从马克·扎克伯格将脸书改名为“Meta”（元宇宙的英文前缀）以来，元宇宙话题更为火热。
人工智能无疑将是元宇宙的关键。人工智能将有助于创造在线环境，让人们在元宇宙中体会宾至如归的感觉，培养他们的创作冲动。人们或许很快就会习惯与人工智能生物共享元宇宙环境，比如想要放松时，就可与人工智能打网球或玩国际象棋游戏。
低代码和无代码人工智能
2020年，低代码/无代码人工智能工具异军突起并风靡全球，从构建应用程序到面向企业的垂直人工智能解决方案等应用不一而足。这股新鲜势力有望在2022年持续发力。数据显示，低代码/无代码工具将成为科技巨头们的下一个战斗前线，这是一个总值达132亿美元的市场，预计到2025年其总值将进一步提升至455亿美元。
美国亚马逊公司2020年6月发布的Honeycode平台就是最好的证明，该平台是一种类似于电子表格界面的无代码开发环境，被称为产品经理们的“福音”。
自动驾驶交通工具
数据显示，每年有130万人死于交通事故，其中90%是人为失误造成的。人工智能将成为自动驾驶汽车、船舶和飞机的“大脑”，正在改变这些行业。
特斯拉公司表示，到2022年，其生产的汽车将拥有完全的自动驾驶能力。谷歌、苹果、通用和福特等公司也有可能在2022年宣布在自动驾驶领域的重大飞跃。
此外，由非营利的海洋研究组织ProMare及IBM共同打造的“五月花”号自动驾驶船舶（MAS）已于2020年正式起航。IBM表示，人工智能船长让MAS具备侦测、思考与决策的能力，能够扫描地平线以发觉潜在危险，并根据各种即时数据来变更路线。2022年，自动驾驶船舶技术也将更上一层楼。
创造性人工智能
在GPT—4谷歌“大脑”等新模型的加持下，人们可以期待人工智能提供更加精致、看似“自然”的创意输出。谷歌“大脑”是GoogleX实验室的一个主要研究项目，是谷歌在人工智能领域开发出的一款模拟人脑具备自我学习功能的软件。
2022年，这些创意性输出通常不是为了展示人工智能的潜力，而是为了应用于日常创作任务，如为文章和时事通讯撰写标题、设计徽标和信息图表等。创造力通常被视为一种非常人性化的技能，但人们将越来越多地看到这些能力出现在机器上。（记者刘霞）
【纠错】【责任编辑:吴咏玲】人工智能会再一次跌进谷底吗
要用Gartner曲线去理解人工智能的发展，我们还需要理解Gartner曲线背后的逻辑。Gartner曲线实际上是由两条曲线叠加而成的，第一条是社会舆论对新技术期望值与实际水平的差距（HypeLevel），第二条则对应新技术的真实发展水平（EngineeringorBusinessMaturity），二者叠加所对应的正是y轴，代表社会上对新技术的实际期望。HypeLevel先升后降的逻辑在于新技术出来之后。由于媒体本身的属性，必然会导致新技术社会期望的过度拔高，而随着技术的落地与试错，社会对新技术的期望会逐渐回归理性。因而HypeLevel曲线会呈现先升后降再回归正常水平的线形。而EngineeringorBusinessMaturity曲线的逐步提升与技术随时间逐渐提升的常识也是相吻合的。
如此，我们用Gartner模型来分析，便不难理解人工智能发展历史的两次大起大落。人工智能的第一春，起于人工智能的首次提出为人类社会带来了人工智能时代的美好想象，但在1973年英国发表的《莱特希尔报告》报告指出，在人工智能三大基础研究中，自动机和中央神经系统虽有研究价值，但进展令人失望，而机器人领域是没有研究价值，建议取消机器人的研究。《莱特希尔报告》完全打碎了当时社会对人工智能的期望，人工智能随即进入严冬。而在人工智能的第二次大起大落中，人工智能崛起于专家系统技术的发展，但随着日本第五代智能计算机研制的失败，人们开始意识到人工智能并非靠硬件来支撑而要靠知识、软件和创新，进而转向研究知识百科，但收效甚微，研究断断续续。直至90年代后期，由于搜索引擎的强势崛起，互联网显示了强大威力，知识百科开始衰败，人工智能彻底进入寒冬。
人工智能的第三春
但是知识百科的尝试并不是徒劳，它让我们意识到知识不能靠已有知识的表达，需要靠自动学习来驱动。九十年代后期，计算机计算能力已经得到大幅提高，以数据挖掘和商业诊断为主要代表的应用成功，使人工智能重回人们的视野。
在研究领域，虽然神经网络模型在漫长的计算机发展历史中得以长足发展，从理论到应用算法都有了长足进步，但因为计算复杂等原因，逐渐被向量机模型（SVM）学派超越。此后，各种学派的研究成果迅速更新迭代，人工智能逐渐复兴。
直至2006年训练高层神经网络算法的出现，人工智能迎来了第三春。神经网络算法在图像识别领域的表现一下子推进到了靠近突破人类表现的边缘，引起了整个科研界的狂热。披着深度学习这件华丽新衣的神经网络在计算机视觉，自然语言处理和语音处理等领域同样表现出色，人工智能迎来了前所未有的发展高潮。
2016年10月，美国白宫连发两份报告《美国国家人工智能研发战略计划》和《为未来人工智能做好准备》，对当前人工智能发展现状进行了调研，并阐述了人工智能带来的若干政策机遇。同年12月，白宫再次发布报告《人工智能、自动化与经济》，提出了应对人工智能驱动自动化经济的三大策略。可见美国政府发展人工智能的决心。
再看中国，2015年2月工程院就人工智能正式立项，2016年3月正式启动，同年8月在北京研讨会上以史无前例的速度进入了6+9专项和国家十三五、十四五和十五五行动计划，我国也把人工智能的发展提到了战略的高度。
世界上两大经济强国都如此看好人工智能的未来，我们有信心说在未来两到三年人工智能仍会处于黄金的发展时期。
那么我们不禁会问，繁荣过后，人工智能的第三春会因为被高估而继续掉进Gartner曲线的循环中还是会像互联网技术发展一样迎来指数式增长呢？
我们认为目前已经初步具备人工智能发展的信息环境，但AI仍然存在很多问题，人工智能是否会掉进Gartner曲线的循环还很难说。
回顾人工智能60年来的大起大落，我们可以看到，人工智能的失败往往是因为其与快速变化的信息环境不符，这是因为人工智能进步的动力不仅来自于学术研究的内在动力，更重要的是来自整体信息环境改变与需求的外部驱动力。而当前人工智能恰好面临着剧烈变化的庞大信息环境与信息需求。
当前的信息环境相较于80年代已经发生了巨大而深刻的变化，计算机已经与人类相伴，各种移动终端、传感器和可穿戴设备等智能硬件构成了一个庞大的网络，个体与个体、个体与群体以及人与物体史无前例地连接在一起，世界已经从二元的PH空间结构（Physics、HumanSociety）演变成三元的CPH空间结构（Cyber），人以及万事万物都处于回路中。
在此环境下，人类社会对人工智能的需求开始大爆发，人工智能的研究已经逐渐从学术牵头转变成需求牵头，众多国内外科技巨头开始入场真实地印证了这一趋势。智能城市、智能医疗、智能交通、智能物流、无人驾驶、智能制造等诸多领域都迫切地需要人工智能的发展。在智能制造领域人工智能已经真真切切地提高了社会生产力。
人工智能的目标与理念也发生了变化，从过去追求“用计算机模拟人的智能”逐渐改变为机器+人的人机融合智能系统、机器+人+网络的智能系统以及人+机+网+物的智能城市系统等等。
最后，也是最为直接的条件，人工智能所需的数据环境也逐渐形成。人工智能的基本方法是数据驱动的算法，未来将迎来大数据、传感器和网络以及跨媒体驱动的计算，到时大数据智能、感知融合智能和跨媒体智能将不可避免地到来，传统的机器智能测试图灵方法将受到挑战。
但是我们不得不承认人工智能仍然存在许多问题，目前神经网络算法需要的大量的数据进行训练，难以实现无监督学习，这已经成为制约人工智能发展的关键因素。
在过去20年，无论是深蓝（DeepBlue）在国际象棋中击败了GarryKasparov，沃森（Watson）击败了Jeopardy的常胜冠军，还是AlphaGo击败了世界上最好的围棋棋手李世石，这些成功都是有限的，深蓝、沃森和AlphaGo都是高度专业化的、目的单一的机器，只能在一件事上做得很好。深蓝和沃森不能下围棋，AlphaGo不能下国际象棋或参加Jeopardy，甚至最基本的水平都不行，这些智能范围都非常狭窄，也不能泛化。
中国科学院院士、清华大学教授张钹就曾说道：当前以大数据与深度学习为基础的人工智能存在的最大问题是不可解释和不可理解，就事论事，缺乏推广能力，遇到新的情况一筹莫展。因此当面对动态变化的环境，信息不完全，存在干扰与虚假信息时，人工智能系统的性能就会显著下降。此外，这样的人工智能系统由于不可理解，无法实现人机交互，无法与人类协同工作与和谐相处。解决这些问题的困难很大，人工智能发展的道路还很长，机器智能达到适应动态变化环境的能力还很遥远。
因此，我们很难去断定人工智能是否会继续掉进Gartner曲线的循环，目前人工智能技术的发展速度很快，一切都处于快速变化的进程中，有可能在神经网络陷入低谷时，另一新兴技术的迅速崛起会取代神经网络的算法，从而继续撑起人工智能的第三春。返回搜狐，查看更多
盘点人工智能发展史上的8个历史性事件
原标题：盘点人工智能发展史上的8个历史性事件人工智能被广大人民群众所熟知大概是从2016年阿尔法围棋（AlphaGo）与围棋世界冠军、职业九段选手李世石进行人机大战那次，并以4：1的总比分获胜。
不少职业围棋手认为，阿尔法围棋的棋力已经达到甚至超过围棋职业九段水平，在世界职业围棋排名中，其等级分曾经超过排名人类第一的棋手柯洁。此次人机大战，引起了全球前所未有的关注，开启了人工智能的新纪元。
实际上，早在上世纪40年代，人工智能的概念就已诞生。在那个时期的一些科幻小说、科幻电影里，就经常有关于人工智能的描述，如超级机器人、超级计算机、光脑等。
在人工智能的发展历程中，还经历了以下七个历史性事件：
一）1943年，WarrenMcCulloch和WalterPitts两位科学家提出了“神经网络”的概念，正式开启了AI的大门。虽然在当时仅是一个数学理论，但是这个理论让人们了解到计算机可以如人类大脑一样进行“深度学习”，描述了如何让人造神经元网络实现逻辑功能。
二）1955年8月31日，JohnMcCarthy、MarvinMinsky、NathanielRochester和ClaudeShannon四位科学家联名提交了一份《人工智能研究》的提案，首次提出了人工智能（AI）的概念，其中的JohnMcCarthy被后人尊称为“人工智能之父”。
三）1969年人类首次提出了反向传播算法（Backpropagation），这是80年代的主流算法，同时也是机器学习历史上最重要的算法之一，奠定了人工智能的基础。
这种算法的独特之处在于映射、非线性化，具有很强的函数复现能力，可以更好地训练人工智能的学习能力。
四）20世纪60年代，麻省理工学院的一名研究人员发明了一个名为ELIZA的计算机心理治疗师，可以帮助用户和机器对话，缓解压力和抑郁，这是语音助手最早的雏形。
语音助手可以识别用户的语言，并进行简单的系统操作，比如苹果的Siri，某种程度上来说，语音助手赋予了人工智能“说话”和“交流”的能力。
展开全文五）1993年作家兼计算机科学家VernorVinge发表了一篇文章，在这篇文章中首次提到了人工智能的“奇点理论”。他认为未来某一天人工智能会超越人类，并且终结人类社会，主宰人类世界，被其称为“即将到来的技术奇点”。
VernorVinge是最早的人工智能威胁论提出者，后来者还有霍金和特斯拉CEO马斯克。
六）1997年，IBM的超级计算机“深蓝”战胜了当时的国际象棋冠军GarryKasparov，引起了世界的轰动。虽然它还不能证明人工智能可以像人一样思考，但它证明了人工智能在推算及信息处理上要比人类更快。这是AI发展史上，人工智能首次战胜人类。
七）2012年6月，谷歌研究人员JeffDean和吴恩达从YouTube视频中提取了1000万个未标记的图像，训练一个由16，000个电脑处理器组成的庞大神经网络。在没有给出任何识别信息的情况下，人工智能通过深度学习算法准确的从中识别出了猫科动物的照片。
这是人工智能深度学习的首次案例，它意味着人工智能开始有了一定程度的“思考”能力。
人工智能未来的发展：
AI行业的六大发展趋势
·更聪明的机器人
·更快的分析
·更自然的互动
·更微妙的恐惧
·更智能的学习
·知识共享
人工智能的近期研究目标在于建造智能计算机，用以代替人类去从事各种复杂的脑力劳动。正是根据这一近期研究目标，人们才把人工智能理解为计算机科学的一个分支。当然，人工智能还有它的远期研究目标，即探究人类智能和机器智能的基本原理，研究用自动机模拟人类的思维过程和智能行为。这个长期目标远远超出计算机科学的范畴，几乎涉及自然科学和社会科学的所有学科。如今，人工智能已经进入21世纪，其必将为发展国民经济和改善人类生活做出更大的贡献。
来源：人工智能返回搜狐，查看更多
责任编辑：