人工智能的起源和人工智能发展历程
1.1图灵测试测试者与被测试者(一个人和一台机器)隔开的情况下，通过一些装置(如键盘)向被测试者随意提问。多次测试(一般为5min之内)，如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。
1.2达特茅斯会议1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，
约翰·麦卡锡(JohnMcCarthy)
马文·闵斯基(MarvinMinsky，人工智能与认知学专家)
克劳德·香农(ClaudeShannon，信息论的创始人)
艾伦·纽厄尔(AllenNewell，计算机科学家)
赫伯特·西蒙(HerbertSimon，诺贝尔经济学奖得主)等科学家正聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。
会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：“人工智能”，因此，1956年也就成为了人工智能元年。
2、人工智能发展历程人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
第一是起步发展期：1956年—20世纪60年代初。
人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
第二是反思发展期：20世纪60年代—70年代初。
人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空(例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等)，使人工智能的发展走入低谷。
第三是应用发展期：20世纪70年代初—80年代中。
20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
第四是低迷发展期：20世纪80年代中—90年代中。
随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
第五是稳步发展期：20世纪90年代中—2010年。
由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
第六是蓬勃发展期：2011年至今。
随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
猜你喜欢：
人工智能之个性化推荐之路
深度相机是什么？深度相机常见技术
如何解决分类中解决类别不平衡问题？
语言模型-BERT：bert算法介绍
传智教育人工智能培训课程
关于人工智能与深度学习技术的发展历程和未来展望
引言自2016年AlphaGo击败围棋冠军李世石后，人工智能话题逐渐火热起来。究竟什么人工智能呢？从上世纪人工智能诞生以来，都被赋予神秘的面纱。1950年，现代计算机科学之父阿兰·图灵提出了图灵测试：测试人与被测试者（一个人与一台机器）隔开的情况下，通过向测试者提问，若被测试者超过30%的答复不能使测试者辨认出哪个是人、哪个是机器的回答，则这台机器就通过图灵测试，即被赋予人工智能。而现代的定义是努力将通常由人类完成的智力任务自动化。深度学习的就是人工智能下的一个子领域，通过神经网络模型来学习和训练。神经网络的结构几乎总是逐层堆叠。神经网络这一概念源于神经生物学，虽然深度学习这些概念的灵感来人类自于对大脑的理解，但是深度学习的模型却不是大脑模型。深度学习就是通过数据输入，通过反复复杂的训练，寻找最佳权值和偏置，从而达到泛化各个模型的能力。
人工智能的发展历程—-三盘棋的故事棋类游戏自古以来都是人类智慧的象征，受众面广泛，而棋类游戏规则清晰，易分胜负，每一次人机对弈都会引起社会的极大关注，并且推动人工智能技术的快速发展。19世纪60年代，关于人工智能的研究着重于对于符号主义的研究中，通过程序员编程形成的规则，设计出了可以有限列举可能性的西洋跳棋程序，引起了轰动。于是有人提出质疑，“下西洋象棋有什么了不起？哪天在国际象棋棋盘上赢了世界冠军，那才叫人工智能”。随着个人计算机的普及，每个电脑都可以运行一个水平相当高的西洋跳棋程序，会下棋的计算机逐渐失去了光环，人们开始怀疑西洋跳棋的智能程度，认为它只不过是事先编好的程序一步一步找到最佳步骤而已。马文·闵斯基是符号主义人工智能方法最有名的先驱和支持者之一，他在1970年宣称在未来的三到八年内，我们将拥有一台具有人类平均智能的机器。而到现在看来，这一目标看起来仍然非常遥远，遥远到我们也不知道什么时候才能实现。几年之后，由于这些过高的期望未能实现，研究人员和政府资金转向其他领域，这标志着人工智能的第一次冬天（也被称为核冬天）。随着深度学习的兴起和计算机计算能力的提高，智能技术在30年前曾用卷积神经网络（CNN），识别信封上的邮政编码（手写数字），这又是人工智能在生活领域中的重要应用。CNN-lenet5
1997年5月11日，超级计算机深蓝在国际象棋中战胜了象棋大师卡斯帕罗夫。这又是人工智能史上的一个重要里程碑，深蓝国际象棋AI程序汇聚了诸多人类国际象棋大师的知识和智慧结晶，因此可以认为是工程知识在计算机棋类博弈上的经典应用。但是，深蓝国际象棋AI核心技术依然被认为是领域相关的，缺乏通用性。于是又有人发声了，“下象棋有什么了不起？真有智能的话，来跟世界冠军下盘围棋试试”。围棋一直被认为是最复杂的棋类博弈，对于AI经典博弈中算是最有挑战性的一个，其总状态超过10的150次方种可能。2016年3月阿尔法围棋与围棋世界冠军李世石进行人机围棋大战，结果以4比1的总分获胜。AlphaGo击败李世石的时候，柯洁发了一条微博，“就算AlphaGo战胜了李世石，它也赢不了我”，从围棋看来，柯洁是人脑最后的防线。2017年5月，AlphaGo对战柯洁，以3:0的比分轻松获胜。在以往版本的AlphaGo与人类的棋类对弈中，我们输得并不服气。因为AlphaGo学习了千年来人类高手的智慧，站在巨人的肩膀上，没有任何人类的记忆力和知识储备超过他，几乎永远不会出现失误，这本身就是不公平的。AlphaGoZero完全不依赖于人类的数据，仅仅靠短暂的3天时间进行自我训练就以100:0的比分击败了上一版本的AlphaGo。这种上升速度超过了古往今来的对手。据统计，世界冠军下的围棋场数最多也不过几千场，而AlphaGoZero自我对弈训练次数每日高达上千万次。如果AlphaGoZero能运用到其他领域，这些突破就可能产生巨大的影响力和生产力。
人工智能和深度学习的未来随着超大规模集成电路的兴起，计算机的体积变得越来越小，计算性能更是有着质的飞越。大数据时代的到来更是兴起了“数据热”浪潮，而随着算法的发展，计算机利用和处理数据的能力也在飞速提升。数据+算法的模式成就了当下的智能时代。深度学习的各种算法精确度也在逐年提升。因为人工智能热和大数据的兴起，各种机器人大战，人类与人工智能的对弈题材的电影，小说吸引着眼球。人类讨论着人工智能的利弊，害怕人工智能超越人类而反击人类。但是要清楚的认识到，我们现在的技术离真正的“智能体”的发明还是非常遥远，具有独立思维能力的人工智能现在只能是科幻。我们正在见证人工智能炒作与让人失望的第三次循环，而且我们仍处于极度乐观的状态。对人工智能发展最好的期望，就是降低我们对人工智能的短期期望，确保对这一领域不了解的人能够清楚地意识到人工智能和深度学习能够做什么，不能做什么。虽然对人工智能的短期期望不太切合实际，但是现在人工智能的在生产和生活上的应用超乎了人们想象。利用算法做天气预测，卫星导航，医疗检测，购物分析等，方方面面都能看到它的影子。尤其是深度学习的两个分支，自然语言处理（NLP）和计算机视觉（CV），分出了两大派学科，实际中运用广泛，极大地便利的人们的生产和生活。有人扬言几十年后，大多数的工作都能被机器所替代，会导致多数人失业。笔者认为，不必担心这类问题，因为有新的技术出现，必定出现更多的工作岗位。就如工业革命前人工纺织被机器代替一样，当时很多人认为机器自动化的出现必定会使很多人失业，可事实却恰恰相反，更多的人投入到机器的研发，运作和维修上，对于人类工业发展来说，比起以前的重复性纺织工作更加有意义。而计算机的兴起，又产生了新的职业—程序员。所以，科技的进步，只有依靠创新实践，也不要过分相信短期炒作，但也要相信长期的愿景，人工智能也许会遭遇挫折，也许会遭遇寒冬，就如上个世纪90年代的互联网一样，过度炒作，进而在21世纪初遭遇破产，导致投资停止。但我们会达到目标，技术的发展，关乎到人类生活的方方面面，人工智能的最终到来，它将以一种奇妙的方式改变世界。
人工智能学期心得体会
课程回顾与总结（对课程其它算法的认识、分析与总结）通过此次课程的学习，以python语言为基础学习了有关编程原则和基本的ADT及其实现；其中使我印象比较深刻的是深度优先和宽度优先搜索、博弈树搜索技术等算法的实现。深度优先搜索和宽度优先搜索都是一种遍历树/图数据结构的简单算法。DFS算法的特点在具有递归特性；而BFS算法是一种层次遍历算法。在博弈树搜索中，双方始终根据“己方利益最大化，对方利益最小化”这一原则，选择对己方最有力的动作来执行。Minimax算法就是一种可以体现上述策略的算法——对max方计算最大值，对min方计算最小值。
心得与展望（对课程的认识、体会与展望）通过这学期的学习，对人工智能有了更进一步的了解和认识。我觉得人工智能是一门具有挑战性的科学，想要学好这门课程必须要懂得计算机知识以及基本的算法认识。人工智能包括了十分广泛的科学，它由不同的领域组成，例如机器学习，计算机视觉等，总的来说，人工智能研究的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。虽然在此门课程中对算法的实现不能独立完成，但在一些简单的基本的算法上还是有一定的理解和认识。我也在此次课程设计的过程中不断的学习，反复的调式和思考问题，终于在我的坚持下能够很好地理解算法转换为实际代码的过程，也对算法有了更加清晰的思路。因此，我更加确信在自己的不断努力下总是会有收获的，只有坚持下去，才有成功的希望。在之后的学习中我会积极主动的查漏补缺，尽快完善自己欠缺的部分