1.1　人工智能的发展阶段

人工智能从1956年被正式提出以来，经历了几十年的发展。在人工智能诞生初期，对其的研究主要分为3个流派，即逻辑演绎流派、类脑计算和归纳统计。其中，逻辑演绎方法局限性较强，难以对复杂的实际问题进行建模。类脑计算方法过多地依赖生命科学，而生命科学的发展难以满足人工智能的一般要求。进入21世纪，在大数据和大算力的支持下，归纳统计方法逐渐占据人工智能领域的主导地位，并且催生出一系列方法论和应用。

人工智能的主要发展阶段如下。

1. 孕育期（1943—1955年）

这个阶段的代表性成果主要包括Warren S. McCulloch和Walter Pitts提出的人工神经网络（Neural Network，NN）的视觉模型，以及Alan M. Turing设想的验证人工智能的思想实验（即图灵测试）。同时，1946年出现的通用计算机ENIAC也为人工智能的复杂演算提供了硬件支撑。

2. 第一次繁荣期（1956—1973年）

以1956年达特茅斯会议为标志，人工智能被正式提出并且其发展进入第一次繁荣期。基于逻辑演绎流派的人工智能算法解决了某些特定领域的问题（如证明数学定理），而基于亚符号系统的感知器算法也被提出并实现，甚至在1957年出现了专门用于模拟感知器的计算机MarkⅠ。此时的研究者对于人工智能抱有不切实际的乐观幻想，包括Marvin L. Minsky（1969年图灵奖得主）和Herbert A. Simon（1975年图灵奖得主）在内的多名研究者，均预测人工智能面临的问题将在20年内获得彻底解决。以美国国防高级研究计划局（Defence Advanced Research Projects Agency，DARPA）为代表的政府机构和大型企业，也为人工智能的研究注入了大量资金。

3. 第一次低谷期（1974—1980年）

研究者们很快意识到了第一代人工智能算法的极限。1969年， Marvin L. Minsky发表著作Perceptrons，几乎一手摧毁了联结主义（即人工神经网络）方面的研究；同时，基于逻辑演绎流派的人工智能算法也被证明需要指数级时间以解决大部分问题。随着DARPA等政府机构撤出大部分投资，人工智能领域也涌起一波反思浪潮，其中有代表性的是James Lighthill发表的《人工智能综述报告》和John R. Searle提出的“中文房间”问题。

4. 第二次繁荣期（1981—1987年）

随着专家系统的出现和盛行，人工智能算法开始在特定领域内解决实际问题。例如，1975年出现的MYCIN算法已经能够在医学领域完成血液传染病的诊断工作。同时，以Hopfield网络为代表的新型人工神经网络和由David E. Rumelhart发明的误差逆传播算法极大地扩大了人工神经网络的适用范围。1989年，Yann LeCun（2018年图灵奖得主）使用5层人工神经网络识别手写数字，该方法取得巨大成功并在20世纪90年代识别了美国超过10%的手写支票。以DARPA为代表的政府机构再次开展行动，使得20世纪80年代后半段在人工智能领域的投入资金比前半段增长了数倍。

5. 第二次低谷期（1988—1993年）

然而，专家系统很快遇到了新的困境。研究者们发现，在特定领域中，面对未知或未定义的问题时，即使问题十分简单，专家系统也无法对其进行预测和控制。随着支持人工智能研究的资金再度锐减，研究者们再次开始反思，并且将思路逐渐从符号系统（如归纳演绎方法）转向亚符号系统（如统计学习方法）。这个阶段，研究者们开始认识到感知和交互的重要性，其中产生影响较大的观点包括David Marr在其著作Vision中提出的视觉理解模型和Rodney A. Brooks提出的“模型可有可无，世界即是描述自身最好的模型”等。

6. 第三次繁荣期（1994年至今）

随着现代计算机的存储能力和算力不断增强，统计学习方法逐渐成为人工智能领域的绝对主流。在人工智能的各个领域，如计算机视觉、语音识别、自然语言处理等，手工设计的模型都逐渐被基于统计学习方法的模型所取代。从2011年开始，深度学习浪潮席卷人工智能领域，使人工智能终于在多个领域达到或超越了人类水平。人工智能发展的第三次繁荣期，也是历史上时间最长的一次繁荣期，至今仍未有结束的趋势。虽然许多本质问题尚未得到解决，但人工智能的诸多应用已经深刻地改变了人类社会。