[深圳学校历史AI教学]人工智能的发展历史？

大家好，今天小编关注到一个比较有意思的话题，就是关于深圳学校历史AI教学的问题，于是小编就整理了4个相关介绍深圳学校历史AI教学的解答，让我们一起看看吧。

人工智能的发展历史？

人工智能（Artificial Intelligence，简称 AI）的发展历史可以追溯到 1950 年代初期，但是该领域的起源可以追溯到更早的时期。下面是人工智能的主要发展历程：

1. 早期探索（1943-1955）：在 1943 年，心理学家 Warren McCulloch 和数学家 Walter Pitts 合作提出了一种理论模型，称为 McCulloch-Pitts 神经元模型，它标志着神经计算理论的诞生。1950 年，艾伦·图灵提出了“图灵测试”的概念，成为检验智能机器的标准。此时期开辟了人工智能的先期研究。

2. 逻辑推理和专家系统（1956-1980）：1956年，约翰·麦卡锡等人组织了一次历史性的会议，标志着人工智能研究正式开始。在 60 年代，研究人员聚焦于逻辑推理和专家系统方面的研究，开始创建运用推理方法代表人类智能的程序。

3. 知识表示与处理（1980-现在）：由于以前的人工智能系统将适应力能力限定在非常紧密的边界之内。为提高人工智能的判断、学习和适应动态环境的能力，研究人员开始致力于构建能够自我修正和学习的机器。这就是传统上所称的“弱人工智能”进化为“强人工智能”的时期。

4. 深度学习和自然语言处理(2010-现在):随着大量数据和计算能力的增强，深度学习这个重要技术重新受到关注，这种技术的核心是人工神经网络，是模拟人类神经元运作方式的数学模型，模型可以不断的更新， 人工智能领域也涌现出很多成功的应用，自然语言处理、计算机视觉、语音识别、推荐算法等。

人工智能的发展历史分为哪三 深度学习阶段？

1.人工智能的推理阶段（1950-1970）

这一阶段，大多数人认为，实现人工智能只需要赋予机器逻辑推理能力就可以，因此，机器只是具备了逻辑推理能力，并未达到智能化水平。

2.人工智能的知识工程阶段（1970-1990）

这一阶段，人们普遍认为，只有让机器学习知识之后才可以实现人工智能。在这种情况下，大量的专家系统被开发出来。但人们发现，给机器灌输已经总结好的知识并不是一件容易的事。

3.人工智能的数据挖掘阶段（2000-）

目前，已经提出的机器学习算法都得到了非常好的应用。深度学习技术获得了迅猛的进展。人们希望机器可以通过海量数据分析自动总结学习到知识，从而实现自身的智能化。

人工智能的发展历史，说得具体点？

长文预警。

一、孕育期

1.1943年 Warren McCulloch和Walter Pitts利用三种资源：基础生理学知识和脑神经元的功能、罗素和怀特海德对命题逻辑的形势分析、图灵的计算理论，提出了人工神经元模型。

2.1949年Donald Hebb提出用于修改神经元之间的连接强度的更新规则，即赫布型学习。

3.1950年Marvin Minsky和Dean Edmonds建造了第一台神经网络计算机SNARC，使用3000个真空管和自动指示装置模拟40个神经元构成的网络。

4.1950年阿兰.图灵提出图灵测试、机器学习、遗传算法和强化学习。

5.1952年阿瑟.萨穆尔的西洋跳棋程序，可以通过学习达到业余高手的水平。

二、诞生

1956年约翰.麦卡锡(john McCarthy)等人召开了达特茅斯研讨会，标志着人工智能的诞生。

此后20年，人工智能领域被这10个人以及他们所在的MIT、CMU、斯坦福和IBM的学生和同事支配了。

1.艾伦.纽厄尔和赫伯特.西蒙推出了一个推理程序"逻辑理论家"，能证明罗素和怀特海德的《数学原理》。

2.1958年麦卡锡定义了长期霸占人工智能编程统治地位的Lisp语言，发明了分时技术、提出了"有常识的程序"。

后者被认为是第一个完整的人工智能系统。

3.明斯基指导学生研究求解需要智能的有限问题，这些有限域称为微观世界，比如积木世界。

这直接引发了1970年学习理论、1971年的视觉项目、1972年的自然语言理解程序、1974年的规划器、1975年的视觉与约束传播工作、

4.1962年Frank Rosenblatt用感知机加强了赫布的学习方法。Block等也提出了感知机收敛定理。

5.1969年Bryson和Ho首次提出反向传播算法。

三、第一次低谷(1974-1980)

1. 由于准确的翻译需要背景知识来消除歧义并建立句子的内容，导致机器翻译迟迟没有进展。

2.微观世界能求解的问题，放大之后迟迟没有任何进展。

3.感知机被嘲讽无法解决最简单的异或问题，导致神经网络几乎销声匿迹。

四、第二次兴起(1980-1987)：专家系统的流行

1.1969年Buchanan等开发了第一个成功的知识密集系统DENDRAL，引发了专家系统的研究。

2.1982年第一个成功的商用专家系统RI在数据设备公司(DEC)运转，该程序帮助为新计算机系统配置订单，到1986年为公司节省了4000万美元。

这个期间几乎每个主要的美国公司都正在使用或者研究专家系统。

五、第二次AI寒冬1987-1995

1.XCON等最初大获成功的专家系统维护费用居高不下。

2.专家系统的实用性仅仅局限于某些特定情景。

3.1981年日本提出的"第五代计算机"，以研制运行Prolog语言的智能计算，始终无法实现。

4.美国AI研究计划中的芯片设计和人机接口研究始终无法实现目标。

六、第三次兴起(1995-现在)

1.80年代中期，至少4个不同的研究组重新发明了反向传播学习算法，导致神经网络的重新引起人们的注意。

2.智能Agent的出现。Agent是指驻留在某一环境下，能持续自主地发挥作用，具备驻留性、反应性、社会性、主动性等特征的计算实体。

3.九十年代中期，以支持向量机(SVM)、贝叶斯为代表的统计学习迅速占据主流舞台。

4.2006年Hinton提出了深度学习；

5.2012年Hinton课题组在ImageNet图像识别比赛，以CNN网络AlexNet一举夺得冠军，且碾压第二名（SVM方法）的分类性能。

错误率逐年降低，超越人类，导致2017年ImageNet图像识别比赛中止。

6.2016年阿尔法围棋以4比1的总比分碾压李世石，从此引发了人工智能的热潮。

7.2017年10月19日，DeepMind团队重磅发布AlphaGo Zero，从空白状态学起，在无任何人类输入的条件下，迅速自学围棋，并以100:0的战绩击败“前辈”。

如果对您有帮助，请您点赞支持。谢谢

经过了60多年的发展，人工智能（Artificial Intelligence, AI）就是父母口中所说的那个别人家的孩子，看上去毫不费力却取得了很大的成功。其实，今天的AI只是一个勤奋、听话、精力充沛、几近完美的“笨小孩”。比如，打败围棋九段柯洁和李世石的AlphaGo存储了多达100万盘棋谱，它正是通过学习这些数据才总结出柯洁和李世石下棋的策略，进而提前做出布局。而柯洁和李世石两个人加起来终其一生也不可能下到100万盘棋。尽管后来AlphaGo的升级版AlphaGo Zero已经无需再输入棋谱，而是从零基础开始，通过自己左右互搏自学成才。AlphaGo Zero不断探索和累积经验，现在已碾压AlphaGo。但是，我们却很难把AlphaGo和AlphaGo Zero与“聪明”关联起来。因为它们的成功更多来自“勤能补拙”，就像是我们自己家的那个懂事勤奋又刻苦的孩子，确实取得了很大成功，但是着实相当不易，非常辛苦！我们由衷地为孩子高兴，却又总觉得苦了孩子，总希望他们能多一点聪明，少一点辛劳！同样的道理，我们也希望未来的AI更多地赢在“智能”而不是“人工”上。

1.1943年 Warren McCulloch和Walter Pitts利用三种资源：基础生理学知识和脑神经元的功能、罗素和怀特海德对命题逻辑的形势分析、图灵的计算理论，提出了人工神经元模型。

这里具体介绍一下人工智能的发展历史，从几个关键节点入手：

达特茅斯会议

1956年夏天，美国东部的达特茅斯学院校园，一群年轻的科学家聚集一起，他们试图利用整个暑假时间，讨论如何建造一台会思考的机器。

会议上，他们决定把“像人类思考的机器”称为“人工智能/Artificial Intelligence“，至此，AI这个称谓沿用至今。而这次会议，被认为是人工智能正式诞生的标志。

图灵测试

1950年，英国数学家图灵发表了跨时代论文《计算机器与智能》，这篇文章后来被改名为《机器能思维吗？》，提出了著名的图灵测试。

“将人与机器隔开，人向机器随意提问，多次问答后，如果有超过30%的人不能确定出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。”

图灵曾经乐观预言，在2000年就会出现这样的机器（超过30%比例），至今为止，通过图灵测试，依然是所有人工智能科学家的最高目标。

最让人遗憾的，图灵在1954年英年早逝，计算机领域最高奖“图灵奖”就是为他而设立的。

“符号主义”的兴起

1957年，心理学家赫伯特·西蒙和计算机学家艾伦·纽厄尔，发明了逻辑机，使机器迈出了逻辑推理的第一步。

1958年，约翰·麦卡锡发明了表处理语言LISP，使计算机不仅可以处理数据，还可以处理符号，这是人工智能界第一个最广泛流行的语言，至今仍有着广泛应用。

至此，基于物理符号研究人工智能的“符号主义”学派，在世界各地风生水起。

知识工程和专家系统

符号主义学派自成立以来，便一枝独秀，影响越来越大，在人工智能领域取得了丰硕成果。

但是，因为符号主义以推理为核心，无法处理“常识问题“和”不确定事物”，这个弊端逐渐在20世纪70年代开始显现。

1977年第五届人工智能联合会上，曾是赫伯特·西蒙的研究生，来自斯坦福大学的青年学者费根鲍姆，提出了知识工程的概念。

知识工程的核心在于，设计一个基于知识的系统，知识系统中有大量专家提供知识，机器使用系统中的知识，进行推理解决问题。

人工神经网络：连接主义

基于知识工程的专家系统虽好，但在“交互问题”和“拓展问题”上却是一筹莫展。

1943年，心理学家麦克洛奇和数理逻辑学家皮兹，提出了神经网络模型，即著名的M-P模型。

以麦克洛奇和皮兹为鼻祖，基于神经网络的人工智能研究，被称为“连接主义”，也叫仿生学派或心理学派。

1987年，美国召开了第一届神经网络会议，成立了国际神经网络学会INNS，神经网络正式成为了一个学派。

行为主义-智能主体

20世纪90年代，随着计算机网络和通信技术的发展，出现了一种新的定义人工智能的方法：人工智能的目标是构造能表现出智能行为的主体，即智能主体。

围绕着智能主体来研究人工智能，极大引起了专家学者的兴趣，并逐渐衍化为一种流派。

这个流派被称为行为主义，或者进化主义，或者控制论学派。

行为主义的代表作，还得推罗德尼·布鲁克斯的六足机器人，他在1991年美国麻省理工人工智能实验室研制成功了一个由150个传感器和23个执行器构成的能做6足行走的机器人试验系统。

思考和启发

仔细梳理人工智能的发展历程，可以看到，仅仅60年，AI取得的进步让人惊叹。

人工智能作为新生事物，发展充满曲折，有高潮有低谷，从历史发展来看，其高潮或许就几年，进入低谷，很可能会跨度一个人的大半生。

从一枝独秀到百家争鸣，三大主义从不同角度，在不同时空阶段，不断在实践中，进行各自理论的修正和完善。

希望以上回到能够帮助到你，欢迎关注“汽车人参考”，获取更多精彩内容。

人工智能一词是在上世纪五六十年代提出的，随之这一概念也扩展开来，产生了多种表现形式，大概可以归结为两类，强人工智能与弱人工智能。强人工智能认为机器会有知觉，有自我意识。而弱人工智能恰恰相反。

现如今，主流科研都集中在弱人工智能上，其最主要的一个原因就是在这一领域已经取得可观成就，而强人工智能则处于停滞不前的状态。

强人工智能

提到强人工智能可能我们最熟悉的就是各种炫酷的机器人。先进的机器人不但拥有可以乱真的人类外表，还能感知自身的存在，这正是强人工智能的特征。

世界上还有不少人热衷于研究强人工智能，很大一个原因就是因为他们有相应的理论支撑。这个世界是一个可以对信息进行编码的世界。

即使是人类的思考，在大脑中也有类似的像计算机处理信息的一个过程，而这个过程能够进行分析模仿。

弱人工智能

弱人工智能，就是表现得像人类的系统，但并不会为我们展现大脑工作的图像，IBM公司研发的“深蓝”便是个例子。在棋盘上开始实际步骤之前，它已经计算过了说百万次步骤。用现在的流行词语说就是“机器学习”。

人工智能的发展历史？

人工智能最早的探索也许可以追溯到莱布尼茨，他试图制造能够进行自动符号计算的机器，但现代意义上人工智能这个术语诞生于1956年的达特茅斯会议。

黄金时期（1956-1974）

这是人工智能的一个黄金时期，大量的资金用于支持这个学科的研究和发展。这一时期有影响力的研究包括通用问题求解器（General Problem Solver），以及最早的聊天机器人ELIZA。

第一次寒冬（1974-1980）

到了这一时期，之前的断言并没有兑现，因此各种批评之声涌现出来，国家（美国）也不再投入更多经费，人工智能进入第一次寒冬。

兴盛期（1980-1989

这一时期的兴盛得益于专家系统的流行。联结主义的神经网络也有所发展，包括1982年John Hopfield提出了Hopfield网络，以及同时期发现的反向传播算法，但主流的方法还是基于符号主义的专家系统。

第二次寒冬（1989-1993）

之前成功的专家系统由于成本太高以及其它的原因，商业上很难获得成功，人工智能再次进入寒冬期。

发展期（1993-2006）

这一期间人工智能的主流是机器学习。统计学习理论的发展和SVM这些工具的流行，使得机器学习进入稳步发展的时期。

爆发期（2006-现在）

这一次人工智能的发展主要是由深度学习，也就是深度神经网络带动的。

到此，以上就是小编对于深圳学校历史AI教学的问题就介绍到这了，希望介绍关于深圳学校历史AI教学的4点解答对大家有用。