人工智慧（AI）由於強大的新AI聊天機器人和圖像發電機的出現，已強迫自己進入公眾意識。但是該領域的歷史悠久，可以追溯到計算的曙光。鑑於AI在改變未來幾年的生活方面的基本方式如何，了解這個快速發展的領域的根源至關重要。這是AI歷史上最重要的12個里程碑。
1950年 - 艾倫·圖靈（Alan Turing）的開創性AI紙
著名的英國計算機科學家艾倫·圖靈（Alan Turing）出版紙標題計算機和智能，“哪個是機器可以想到的問題的第一個詳細研究之一？”。
回答這個問題需要您首先解決定義“機器”和“思考”的挑戰。因此，相反，他提出了一個遊戲：觀察者會觀看機器和人之間的對話，並嘗試確定哪個是哪個。如果他們不能可靠地這樣做，那麼機器將贏得比賽。儘管這並沒有證明一台機器在“思考”，但眾所周知的圖靈測試一直是AI進度的重要標準。
1956年 - 達特茅斯（Dartmouth）研討會
AI作為科學學科可以將其根源追溯到達特茅斯夏季研究項目，1956年在達特茅斯學院舉行。參與者是一個有影響力的計算機科學家的人，包括約翰·麥卡錫，馬文·明斯基和克勞德·香農。這是“人工智能”一詞第一次被使用，因為該小組花了將近兩個月的時間討論機器如何模擬學習和智能。會議開始了對AI的認真研究，並為在接下來的幾十年中取得的許多突破奠定了基礎。
1966年 - 第一個AI聊天機器人
麻省理工學院研究員約瑟夫·韋森鮑姆（Joseph Weizenbaum）推出了有史以來的第一個AI聊天機器人伊麗莎。基礎軟件是基於提示中檢測到的關鍵字的基本和反流的罐頭響應。儘管如此，當Weizenbaum編程Eliza擔任心理治療師時，據報導，人們對談話的說服力感到驚訝。工作刺激了成長對自然語言處理的興趣，包括美國國防高級研究項目局（DARPA），為早期的AI研究提供了可觀的資金。
1974- 1980年 - 第一個“ AI冬季”
不久之後，人們對AI的熱情就開始消失了。 1950年代和1960年代一直是該領域的肥沃時期，但是在他們的熱情上，領先的專家大膽地主張了在不久的將來將要做什麼機器的能力。該技術未能達到這些期望，導致不滿。一個高度批判性報告在英國數學家詹姆斯·萊斯蒂爾（James Lighthill）的領域，英國政府幾乎削減了AI研究的所有資金。 DARPA在這次大約還大幅度削減了資金，從而導致了被稱為第一個“ AI冬天”的資金。
1980年 - “專家系統”
儘管在許多方面對AI幻滅了，但仍在繼續研究 - 到1980年代初，該技術開始引起私營部門的注意。 1980年，卡內基·梅隆大學（Carnegie Mellon University）的研究人員建造了AI系統稱為R1對於數字設備公司。該計劃是一種“專家系統”，這是研究人員自1960年代以來一直在嘗試的AI方法。這些系統使用邏輯規則通過專家知識的大量數據庫進行推論。該計劃每年節省了該公司數百萬美元，並在專家系統的行業部署中啟動了繁榮。
1986年 - 深度學習的基礎
迄今為止，大多數研究都集中在“符號” AI上，該AI依賴於手工製作的邏輯和知識數據庫。但是自從該領域的誕生以來，也有對“連接主義”方法的競爭對手的研究。這在背景中悄悄地繼續，並在1980年代終於揭露。這些技術不是手工編程系統，而是涉及“人工神經網絡”來通過培訓數據來學習規則。從理論上講，這將導致更靈活的AI不受製造商的先入之見的限制，但是訓練神經網絡被證明具有挑戰性。 1986年，杰弗裡·欣頓（Geoffrey Hinton）後來被稱為“深度學習教父”之一。紙普及“反向傳播” - 當今大多數AI系統的培訓技術。
1987- 1993年 - 第二個AI冬天
在1970年代的經驗之後，明斯基和AI研究員羅傑·舒克（Roger Schank）警告說，AI Hype達到了不可持續的水平，該領域正處於另一種撤退的危險之中。他們在小組討論在1984年人工智能協會會議上。他們的警告證明是有先見之明的，到1980年代後期，專家系統及其專業AI硬件的局限性已經開始顯而易見。 AI的行業支出大大減少了，大多數剛起步的人工智能公司都破產了。
1997年 - Deep Blue對Garry Kasparov的失敗
儘管反復出現繁榮和蕭條，但AI研究在1990年代的公眾視野中取得了穩步的進步。 1997年發生了變化，當時Deep Blue（由IBM建造的專家系統）擊敗了國際冠軍冠軍Garry Kasparov六場系列。 AI研究人員長期以來一直將復雜遊戲的才能視為進步的關鍵標誌。因此，擊敗世界上最好的人類球員被視為一個主要的里程碑，並成為世界各地的頭條新聞。
2012年 - 深度學習時代的Alexnet ushers
儘管有大量的學術工作，但神經網絡對於現實世界應用是不切實際的。為了有用，他們需要擁有許多層的神經元，但是在常規計算機硬件上實現大型網絡的效率低下。 2012年，Hinton的博士生Alex Krizhevsky贏得了Imagenet計算機視覺競賽，並以一個名為“Alexnet。秘密是使用稱為圖形處理單元（GPU）的專業芯片，這些芯片可以有效地運行更深的網絡。這為從那以後為AI發展提供了大多數進步的深度學習革命奠定了基礎。
2016年 - 阿爾法戈（Alphago）失敗了李·塞多爾（Lee Sedol）
儘管AI已經在後視鏡中留下了國際象棋，但更複雜的中國棋盤遊戲GO仍然是一個挑戰。但是在2016年，Google Deepmind的Alphago在五場系列賽中擊敗了世界上最偉大的GO球員之一李·塞多爾（Lee Sedol）。專家們認為這樣的壯舉仍然好幾年了，因此結果導致人們對AI的進步越來越興奮。這部分是由於Alphago基礎算法的通用性質，該算法依賴於一種稱為“強化學習”的方法。在此技術中，AI系統通過反複試驗有效地學習。 DeepMind後來擴展並改進了創建的方法alphazero，這可以教會自己玩各種遊戲。
2017年 - 變壓器體系結構的發明
儘管在計算機視覺和遊戲中取得了重大進展，但深度學習仍使語言任務的進步較慢。然後，在2017年，Google研究人員發表了一種新型的神經網絡體系結構，稱為“變壓器”，該架構可以攝入大量數據並在遙遠的數據點之間建立連接。事實證明，這對於語言建模的複雜任務特別有用，並使創建可以同時解決各種任務的AI，例如翻譯，文本生成和文檔摘要。當今所有領先的AI模型都依賴於這種體系結構，包括Openai之類的圖像生成器從以及Google Deepmind的革命性蛋白質折疊模型Alphafold 2。
2022 - 啟動Chatppt
2022年11月30日，OpenAI發布了由GPT-3大語言模型提供動力的聊天機器人。被稱為“chatgpt，“該工具成為一種全球感的感覺，在不到一周的時間內且下個月吸引了超過一百萬用戶。這是公眾首次與最新的AI型號互動 - 大多數人都被吹走了。該服務被認為是開始的AI繁榮，開始了一項AI繁榮，該繁榮在現場投入了數十億美元，並在大型技術公司中投入了數十億美元的進展，並在大型技術公司中加入了逐步的進步。提示一個公開信從著名的技術領導者呼籲在AI研究中停下來，以便時間來評估該技術的含義。
