人工智能（Artificial Intelligence, 簡稱AI）的歷史源遠流長。在古代的神話傳說中，技藝高超的工匠可以制作人造人，并賦予其智能或意識。現代意義上的AI始于古典哲學家用機械符號處理的觀點解釋人類思考過程的嘗試。20世紀40年代計算機的發明使一批科學家開始嚴肅地探討構造一個電子大腦的可能性。
1956年，在達特茅斯學院舉行的一次會議上正式確立了人工智能的研究領域。會議的參加者在接下來的數十年間都是AI研究的領軍人物。同時，上千萬美元被投入到AI研究中，以期實現會議所指定的目標，但最終沒能實現，人工智能也進入了第一次低潮。
人工智能史上共出現過好幾次低潮，盡管經歷了大起大落，AI領域仍在取得進展。某些在20世紀70年代被認為不可能解決的問題今天已經圓滿解決并成功應用。但與第一代AI研究人員的樂觀估計不同，具有與人類同等智能水平的機器至今仍未出現。
1. 理論源起
古希臘神話
古希臘神話中就出現了有智慧的機械的形象：“工匠之神赫菲斯托斯曾制作了一組金制的女機器人，能開口說話，并接手他的高難度工作；他還有一套三腳桌，圍在鐵匠鋪外面，能自行跑去供諸神聚會，之后再自己跑回來。”
形式推理
公元前4世紀，古希臘的亞里士多德開創三段論，被視為人工智能編程邏輯的起源。人工智能的基本假設是人類的思考過程可以機械化和程序化。
哲學家拉蒙·柳利（1232-1315）開發了“邏輯機”，試圖通過邏輯方法獲取知識。他的理論影響了后來的萊布尼茨。
17世紀，萊布尼茨，托馬斯·霍布斯和笛卡兒嘗試將理性的思考系統轉化為代數學或幾何學體系。萊布尼茨認為“人類的思想可以簡化成某種運算”。霍布斯在《利維坦》中有一句名言：“推理就是計算。” 這些哲學家已經開始明確提出形式符號系統的假設，而這一假設將成為AI研究的指導思想。
20世紀初，大衛·希爾伯特向當時的數學家提出了一個基礎性的難題：“能否將所有的數學推理形式化?”這個問題的最終回答由哥德爾不完備定理，圖靈機和λ演算給出。它們隱含地證明了任何形式的數學推理都能在一定的限制之下被機械化的可能性。邱奇-圖靈論題指出，一臺僅能處理0和1這樣簡單二元符號的機械設備能夠模擬任意數學推理過程。
計算機科學
19世紀初，查爾斯·巴貝奇設計了一臺可編程計算機（“分析機”）。歷史上第一位程序員愛達·勒芙蕾絲預言，這臺機器“將創作出無限復雜，無限寬廣的精妙的科學樂章”。
二戰期間，第一批現代計算機誕生。為制造“思維機器”提供了硬件基礎。
1968年，小說《2001太空漫游》預言了很多未來的技術，包括地球衛星、互聯網等。其中的哈爾9000型電腦，則是對于人工智能早期設想的集中體現。
2.AI誕生
在20世紀40年代和50年代，來自不同領域（數學，心理學，工程學，經濟學和政治學）的一批科學家開始探討制造人工大腦的可能性。1956年，人工智能被確立為一門學科。
早期理論與實踐
最初的人工智能研究是30年代末到50年代初的一系列科學進展交匯的產物。神經學研究發現大腦是由神經元組成的電子網絡，其激勵電平只存在“有”和“無”兩種狀態，不存在中間狀態；諾伯特·維納的控制論描述了電子網絡的控制和穩定性。克勞德·香農提出的信息論則描述了數字信號（即高低電平代表的二進制信號）。圖靈的計算理論證明數字信號足以描述任何形式的計算。這些密切相關的想法暗示了構建電子大腦的可能性。
沃倫·麥卡洛克和沃爾特·皮茨分析了理想化的人工神經元網絡，并且指出了基本的運行機制。他們的學生馬文·明斯基（在接下來的五十年中都是AI領域最重要的領導者和創新者之一）在1951年建造了第一臺神經網絡機SNARC。
1950年，圖靈發表了一篇劃時代的論文，文中預言了創造出具有真正智能的機器的可能性。由于注意到“智能”這一概念難以確切定義，他提出了著名的圖靈測試：如果一臺機器能夠與人類展開對話而不能被辨別出其機器身份，那么稱這臺機器具有智能。這一簡化使得圖靈能夠令人信服地說明“思考的機器”是可能的。
50年代中期，隨著數字計算機的興起，一些科學家直覺地感到可以進行數字操作的機器也應當可以進行符號操作，而符號操作可能是人類思維的本質。這是創造智能機器的一條新路。1955年，根據該理論開發的程序“邏輯理論家（Logic Theorist）”問世，它能夠證明《數學原理》中前52個定理中的38個。開發者之一赫伯特·西蒙認為他們已經“解決了神秘的心/身問題，解釋了物質構成的系統如何獲得心靈的性質。”
1956年達特茅斯會議：AI的誕生
1956年達特茅斯會議的組織者是馬文·明斯基，約翰·麥卡錫和另兩位資深科學家克勞德·香農以及內森·羅徹斯特，后者來自IBM。會議提出的斷言之一是“學習或者智能的任何其他特性的每一個方面都應能被精確地加以描述，使得機器可以對其進行模擬。”與會者中的每一位都將在AI研究的第一個十年中做出重要貢獻。會上討論了“邏輯理論家”，麥卡錫則說服與會者接受“人工智能”一詞作為本領域的名稱。1956年達特茅斯會議上AI的名稱和任務得以確定，同時出現了最初的成就和最早的一批研究者，因此這一事件被廣泛承認為AI誕生的標志。
3.黃金年代
達特茅斯會議之后的數年是大發現的時代。這一階段開發出的程序堪稱神奇：計算機可以解決代數應用題、證明幾何定理、學習和使用英語。當時大多數人幾乎無法相信機器能夠如此“智能”。研究者們在私下的交流和公開發表的論文中表達出相當樂觀的情緒，認為具有完全智能的機器將在二十年內出現。DARPA（美國國防高等研究計劃署）等政府機構向這一新興領域投入了大筆資金。下面列舉這些研究中最具影響的幾個
搜索式推理
為實現一個目標（例如贏得游戲或證明定理），它們一步步地前進，就像在迷宮中尋找出路一般；如果遇到了死胡同則進行回溯。這就是“搜索式推理”。這一思想遇到的主要困難是，在很多問題中，“迷宮”里可能的線路總數是一個天文數字（即“指數爆炸”）。研究者使用啟發式算法去掉那些不太可能導出正確答案的支路，從而縮小搜索范圍。1957年，應用此理論的程序“一般問題解決器”（General Problem Solver）誕生。1966年，歷史上第一代能夠自主“思考和行動”的機器人“搖搖”（Shakey）的開發項目啟動。這是人類首次嚴肅地嘗試制造一臺自主機器人。
自然語言
AI研究的一個重要目標是使計算機能夠通過自然語言（例如英語）進行交流。1964年，第一個聊天機器人ELIZA誕生。與ELIZA“聊天”的用戶有時會誤以為自己是在和人類，而不是和一個程序，交談。但是實際上ELIZA根本不知道自己在說什么。它只是按固定套路作答，或者用符合語法的方式將問題復述一遍。
微世界
60年代后期，麻省理工大學AI實驗室的馬文·明斯基和西摩爾·派普特建議AI研究者們專注于被稱為“微世界”的簡單場景。他們指出在成熟的學科中往往使用簡化模型幫助基本原則的理解，例如物理學中的光滑平面和完美剛體。許多這類研究的場景是“積木世界”，其中包括一個平面，上面擺放著一些不同形狀，尺寸和顏色的積木。在這一指導思想下，1968年，能與人簡單交流、決策，并執行的SHRDLU程序誕生，它能用普通的英語句子與人交流，還能作出決策并執行操作。
專家系統
早期的另一個里程碑是始于1965年的DENDRAL項目，它啟動了一個全新的行業：專家系統。DENDRAL把專業領域知識（本例中為分子化學）編碼到計算機程序里，利用自己的化學知識庫，提出有可能加以影響的化學結構。它在專業領域的成功表明，在狹窄主題上，把人類的專業知識進行明確編碼，計算機程序能夠以專家級的績效來完成特定任務。
4.首次低谷
到了70年代，AI開始遭遇批評，隨之而來的還有資金上的困難。AI研究者們對其課題的難度未能做出正確判斷：此前的判斷過于樂觀使人們期望過高，當承諾無法兌現時，對AI的資助就縮減或取消了。同時，由于馬文·明斯基對感知器的激烈批評，聯結主義（即神經網絡）銷聲匿跡了十年。70年代后期，盡管遭遇了公眾的誤解，AI在邏輯編程，常識推理等一些領域還是有所進展。
AI領域的難題
70年代初，AI遭遇了瓶頸。即使是最杰出的AI程序也只能解決它們嘗試解決的問題中最簡單的一部分，也就是說所有的AI程序都只是“玩具”。AI研究者們遭遇了無法克服的基礎性障礙。盡管某些局限后來被成功突破，但許多至今仍無法滿意地解決：
計算機的運算能力。當時的計算機的內存和處理速度有限。
計算復雜性和指數爆炸。很多問題的解決需要近乎無限長的時間。
常識與推理。許多重要的AI應用需要大量對世界的認識信息。
莫拉維克悖論。證明定理和解決幾何問題對計算機而言相對容易，而一些看似簡單的任務，如人臉識別或讓機器人穿過屋子，實現起來卻極端困難。
框架和資格問題。如果不對邏輯的結構進行調整，AI就無法對常見的涉及自動規劃的推理進行表達。
停止撥款
由于缺乏進展，對AI提供資助的機構（如英國政府，DARPA和NRC）對無方向的AI研究逐漸停止了資助。早在1966年ALPAC（Automatic Language Processing Advisory Committee，自動語言處理顧問委員會）的報告中就有批評機器翻譯進展的意味，預示了這一局面的來臨。NRC（National Research Council，美國國家科學委員會）在撥款二千萬美元后停止資助。DARPA則對CMU的語音理解研究項目深感失望，從而取消了每年三百萬美元的資助。到了1974年已經很難再找到對AI項目的資助。
5.重獲繁榮
在80年代，專家系統開始為全世界的公司所采納，“知識處理”成為了主流AI研究的焦點。日本政府在同一年代積極投資AI以促進其第五代計算機工程。約翰·霍普菲爾德（John Hopfield）在聯結主義獲得新突破。AI再一次獲得了成功。
專家系統獲得賞識
專家系統是一種程序，能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題。1965年起設計的Dendral能夠根據分光計讀數分辨混合物。1972年設計的MYCIN能夠診斷血液傳染病。它們展示了這一方法的能力。
專家系統僅限于一個很小的知識領域，從而避免了常識問題；其簡單的設計又使它能夠較為容易地編程實現或修改。總之，實踐證明了這類程序的實用性。使得AI開始變得實用起來。
1980年CMU為DEC（Digital Equipment Corporation，數字設備公司）設計了一個名為XCON的專家系統，這是一個巨大的成功。在1986年之前，它每年為公司省下四千萬美元。至此，全世界的公司都開始研發和應用專家系統，到1985年它們已在AI上投入十億美元以上。
重獲撥款：第五代工程
1981年，日本經濟產業省撥款八億五千萬美元支持第五代計算機項目。其目標是造出能夠與人對話，翻譯語言，解釋圖像，并且像人一樣推理的機器。
其他國家紛紛作出響應。英國開始了耗資三億五千萬英鎊的Alvey工程。美國一個企業協會組織了MCC（Microelectronics and Computer Technology Corporation，微電子與計算機技術集團），向AI和信息技術的大規模項目提供資助。DARPA也行動起來，組織了戰略計算促進會（Strategic Computing Initiative），其1988年向AI的投資是1984年的三倍。
聯結主義的重生
1982年，物理學家約翰·霍普菲爾德證明一種新型的神經網絡（現被稱為“Hopfield網絡”）能夠用一種全新的方式學習和處理信息，這項發現使1970年以來一直遭人遺棄的聯結主義重獲新生。1986論文集《分布式并行處理》問世。90年代神經網絡獲得了商業上的成功，它們被應用于光字符識別和語音識別軟件。
6.AI寒冬
80年代中商業機構對AI的追捧與冷落符合經濟泡沫的經典模式，泡沫的破裂也在政府機構和投資者對AI的觀察之中。盡管遇到各種批評，這一領域仍在不斷前進。
第二次AI低谷 1987-1993
從80年代末到90年代初，AI遭遇了一系列財政問題。變天的最早征兆是1987年AI硬件市場需求的突然下跌。Apple和IBM生產的臺式機性能不斷提升，到1987年時其性能已經超過了Symbolics和其他廠家生產的昂貴的舊機型。老產品失去了存在的理由：一夜之間這個價值五億美元的產業土崩瓦解。
XCON等最初大獲成功的專家系統維護費用居高不下。它們難以升級，難以使用，成了以前已經暴露的各種各樣的問題的犧牲品。專家系統的實用性僅僅局限于某些特定情景，不再能滿足普遍的需求。
到了80年代晚期，戰略計算促進會大幅削減對AI的資助。DARPA的新任領導認為AI并非“下一個浪潮”，撥款將傾向于那些看起來更容易出成果的項目。
直到1991年，日本“第五代工程”并沒有實現，事實上其中一些目標，比如“與人展開交談”，直到2010年也沒有實現。與其他AI項目一樣，期望比真正可能實現的要高得多。從80年代末到90年代初，AI遭遇了一系列財政問題。
軀體的重要性：Nouvelle AI與嵌入式推理
一些研究者提出全新的人工智能方案。他們相信，為了獲得真正的智能，機器必須具有軀體——它需要感知、移動、生存、與這個世界交互。
在發表于1990年的論文《大象不玩象棋（Elephants Don't Play Chess）》中，機器人研究者羅德尼·布魯克斯提出了“物理符號系統假設”，認為符號是可有可無的，因為“這個世界就是描述它自己最好的模型”。
7.新的發展
現已年過半百的AI終于實現了它最初的一些目標。它已被成功地用在技術產業中，不過有時是在幕后。這些成就有的歸功于計算機性能的提升，有的則是在高尚的科學責任感驅使下對特定的課題不斷追求而獲得的。“實現人類水平的智能”這一最初的夢想曾在60年代令全世界的想象力為之著迷，其失敗的原因至今仍眾說紛紜。各種因素的合力將AI拆分為各自為戰的幾個子領域，有時候它們甚至會用新名詞來掩飾“人工智能”這塊被玷污的金字招牌。雖然AI比以往的任何時候都更加謹慎，但也更加成功。
幕后的AI
AI研究者們開發的算法開始變為較大的系統的一部分。AI曾經解決了大量的難題，這些解決方案在產業界起到了重要作用。應用了AI技術的領域有例如：數據挖掘，工業機器人，物流，語音識別，銀行業軟件，醫療診斷和Google搜索引擎等。
AI領域并未從這些成就之中獲得多少益處。AI的許多偉大創新僅被看作計算機科學工具箱中的一件工具。牛津大學哲學家Nick Bostrom解釋說，“很多AI的前沿成就已被應用在一般的程序中，不過通常沒有被稱為AI。這是因為，一旦變得足夠有用和普遍，它就不再被稱為AI了。”
深度學習
深度學習已經在計算機視覺、語音識別和自然語言處理等其他領域產生了諸多成功應用。谷歌和百度公司利用深度學習的語音識別軟件在語音轉換為文本方面已經可以跟人類一較高下；利用了深度學習技術的AlphaGo在2016年初擊敗了世界頂尖圍棋選手。
游戲里程碑和摩爾定律
游戲AI一直被認為是評價AI進展的一種標準。1997年5月11日，IBM深藍（DeepBlue）戰勝國際象棋世界冠軍卡斯帕羅夫。
2005年，斯坦福大學開發的一臺機器人在一條沙漠小徑上成功地自動行駛了131英里。
2011年，IBM沃森計算機（Watson）參加綜藝問答節目危險邊緣（Jeopardy!）來測試它的能力，這是該節目有史以來第一次人機對決，在3集節目的對決中最終打敗了節目最高獎金得主布拉德·魯特爾和節目歷史連勝紀錄保持者肯·詹寧斯。在比賽中，Watson沒有連接到互聯網，而是運用了先進的自然語言處理、信息檢索、知識表達和推理和機器學習技術，在包含200萬頁結構化和非結構化的信息的4TB磁盤內進行處理。
一般認為，計算機要在圍棋中取勝比在國際象棋等游戲中取勝要困難得多，因為圍棋的下棋點極多，分支因子大大多于其他游戲。但2016年3月，由Google DeepMind團隊開發的AlphaGo以4:1擊敗頂尖職業棋手李世石；其加強版隨后又在2017年烏鎮圍棋峰會上三比零完勝世界第一棋手柯潔，自此因沒有人類對手而宣布退役。
上述計算機性能上的迅速增長，可以由摩爾定律解釋：“計算速度和內存容量每兩年翻一番。”計算性能上的基礎性障礙已被逐漸克服。
人聲交互技術
如果你曾經使用過Siri、Cortana、Alexa或者各類語音搜索功能，那么你就已經接觸過人聲交互技術了。人聲交互的基礎理論是人工智能研究的子領域之一——自然語言理解。近年得益于深度學習和大數據等新技術的發展和計算機運算能力的提高，人聲交互技術已經逐步成熟。
8.結語
今天，計算機正以驚人的速度改變著我們的生活。因此，全球范圍內，人們渴望對人工智能獲得更深入的了解。許多評論家都預言會出現了不起的事情。2016年5月，微軟英國分公司的首席構思官戴夫·科普林（Dave Coplin）非常大膽地提出：人工智能是“當今地球人們著手從事的最重要的技術”。他說：“這將改變我們跟技術的關系。它將改變人與人之間的關系。我認為，它甚至會改變我們對人類這個概念的看法。當然，也有其他不少評論家預測人工智能蘊含著許多危險。面對人工智能，我們應謹慎對待，深入了解，以科學的態度來對待新興技術和它們為生活帶來的改變。
