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
一个人工智能的诞生
1956年美国
这是人类历史上第一次人工智能研讨，标志着人工智能学科的诞生马文·明斯基(MarvinLeeMinsky，1927—2016)，美国计算机科学家，神经学家，是“人工智能之父”和框架理论的创立者
马文·明斯基
明斯基从1950年代早期起就一直致力用计算机刻画人类的心理过程，并设法赋予计算机以智能。1951年，他提出关于思维如何萌发并形成的一些基本理论，并建造了一台学习机，名为斯纳克(SNARC，StochasticNeuralAnalogReinforcementCalculator)。斯纳克是世界上第一个神经网络模拟器，其目的是学习如何穿过迷宫。
1956年夏季，年轻的明斯基与数学家和计算机专家麦卡锡(JohnMeCarthy，1927—2011)等10人在达特茅斯学院(DartmouthCollege)举办了一个长达2个月的人工智能夏季研讨会，认真热烈地讨论用机器模拟人类智能的问题。会上正式使用了人工智能(artificialintelligence，即AI)这一术语。
达特茅斯会议地址
这是人类历史上第一次人工智能研讨，标志着人工智能学科的诞生，具有十分重要的历史意义，为国际人工智能的发展做出重要的开创性贡献。
会议持续了一个月，基本上以大范围的集思广益为主。这催生了后来人所共知的人工智能革命。1956年也因此成为了人工智能元年。会议的主要议题包括自动计算机、如何为计算机编程使其能够使用语言、神经网络、计算规模理论、自我改造、抽象、随机性与创造性等。
明斯基由于人工智能方面的贡献，获得1969年度图灵奖。明斯基是第一位获此殊荣的人工智能学者。
[一个人工智能的诞生]学习笔记——激活函数详细剖析
【C语言学习笔记】再次深入理解递归——总结设计易错点秋山玉佩:不愧是百篇博客的大佬，博客的美观度很高，分隔线用的很清晰
【一题多解】插入回文串——典型的动态规划区间模型小鲨鱼汪汪汪:if(dp[i][j]>=0)returndp[i][j];请问这句实现记忆的原理是什么
【杭电错题】#12青年歌手大奖赛_评委会打分——最优解余生寄春风:那两个flag没用
【1错笔记】过河问题——动态规划的经典线性模型（3000字超详细手写解题）fizz__:过河问题好像没有考虑只有一个人的情况
【C转C++】超好用的函数引用&m0_62931862:博主这篇文章写的真的很好，真的通俗易懂，牛b
一个人工智能的诞生
满赋诸机
读完需要
5分钟速读仅需2分钟
《一个人工智能的诞生》是一个科普性质的交互式视频，但我把它当作一个学习与操作思考并重的益智游戏。本文介绍第一关——识别数字，本关由三个交互点组成。
1
识别手写数字
本关开始就通过一个能够实际操作的手写数字识别交互点引入，让大家对机器如何识别出不同的数字产生兴趣。我们可以写出任意数字，然后看右边的机器识别结果。正常书写的结果，机器识别正确率率较高，就不再尝试了。这里我们主要尝试各种边界情况，看看哪些因素影响了机器识别的正确率。
我们在不同位置写下同一个数字，观察对应的结果可以发现：这个数字识别系统只有在我们将数字写在画板正中间时，才能正确识别出数字。我们可以猜测出：数字识别系统的识别原理不仅依赖我们所写的数字，还依赖手写数字在图片中的位置。
2
格式化数字图片
在通过第一个手写数字识别的交互点之后，视频紧接着介绍了数字识别的前置操作：将手写数字图片处理成一种标准形式，供神经网络学习训练和识别。该标准形式是一个28*28像素的灰度图片，每个像素点的值是一个灰度值。该值范围在[0,255]间，0代表黑色，255代表白色，中间值代表不同程度的灰色。
经过前面我们自行验证猜测的结果，我们也可以猜测出：为了提高训练的识别率，减少干扰，我们应该在这个前置操作中包含矫正数字位置的操作，例如通过剪裁缩放等方式让我们手写的数字趋于图片的正中间。
视频在介绍完相关的操作后就进入了第二个交互点，主要是让我们通过改变7*7的像素画板中不同位置的像素值，将机器识别的结果从数字3变为数字7。这里也非常简单，我们依旧主要尝试各种边界情况，验证我们刚刚的猜测。
这次的识别结果和前一次一致，依旧是当数字在正中间时，数字识别系统才能正确识别数字。也说明了如果用一个优秀的前置操作去处理图片，保证像素值清晰且位于正中间，可以极大提升数字识别系统的识别准确率。(当然这其实也与我们训练的图片数据有关，人工手写的数据基本都是居中的，所以对居中的数字图片识别率更高)
在这次操作的过程中，其实我作为一个人也在学习如何使用控制这个交互点的一些相关操作。在整个过程中，我们首先看到一个灰度值拖动条，第一反应就是按住当前点拖动到指定位置，没有想过可以直接点击指定位置就可以完成拖动这个操作。在我不断重复这个操作的过程中，有时候会由于点击位置不准确，导致没有完成拖动的行为，但是仍然可以发现达成了拖动的目标。这种行为和结果在我们大脑中的不一致就会引发我们思考，我们会再次通过复现这个操作强化这种行为和结果的对应关系，从而逐渐学习到点击时拖动的简化操作，并将其纳入到我们的知识体系真正运用起来。
这一个流程其实就是我们学习的通常流程，也是机器学习模拟的行为：当预测的输出与实际的输出相同时，我们和机器不会进行额外的行为，因为它符合我们和机器的认知；当预测的输出与实际的输出不同时，我们和机器都会进行调整更新我们的知识体系，以便既可以兼容原有的认知，还可以兼容新增的认知。
3
训练模型
经过前面两个交互点的操作和验证后，我们应该可以肯定数字识别与每个位置及其灰度值有关。视频也接着提到了数字识别的简单原理，并将数字识别系统简化为分类3和7两个数字的数字分类系统。可以区分出3和7的关键就是在某些位置它们的灰度值不同，3和7最大的不同之处就是3多了中间和下面各一横。
一个简单的分类就是将每个图片的784个灰度值都考虑进去，形成一个784元的线性方程：w1*x1+w2*x2+...+w784*x784+b=0，其中xi表示像素点的灰度值，wi表示该灰度值的权重，b表示与阈值，最终结果为正数表示识别为3，为负数表示识别为7。训练就是将每张图片的信息带入到前面的方程中，通过得出结果值的正负，确定分类结果，然后与实际的分类进行对比，如果正确，则不作处理；如果错误，则调整wi的值，使得图片能被正确分类。
我们观察训练开始和结果的权重情况，可以发现刚开始由于训练数很少，每一次错误的识别都会大量修改权重，前30次识别修改了11次权重；但到后期识别率提高，很少需要修改权重，并且对权重修改幅度也减少了，最后训练完12388次只修改了357次权重。
观察最终的权重分布图可以发现权重基本集中在中间部分，证实了我们前面的猜测：准确识别数字的关键就是这个数字要在图片的中间。
4
延伸
数字分类是最基础的一部分，但这个简单的原理是通用的，可以处理所有的灰度图片且不限于数字，不过训练时间会随着图片的大小提升。
本关中提到了分类的简单原理，使得我们大致可以了解到机器学习的整体流程，后续关卡就会接着介绍这个流程中的关键：识别错误后如何更新哪些权重。