人工智能极简编年史

1949年，赫布出版了《行为的组织》，介绍了Hebb学习规则，提出权值的概念。这一理论为机器学习中的人工神经网络的学习算法奠定了基础。（人工神经网络即深度学习的前身。）

1950年

1950年，阿兰.图灵在1950年发表论文《计算机器与智能》，在该论文中提出了机器思维的概念和图灵测试。由此，图灵又被称为“人工智能之父”。二战期间，他的团队在1943年研制成功了被叫做“巨人”的机器，用于破解德军的密码电报，这一贡献让二战提前2年结束。

1952年

计算机科学家阿瑟·萨缪尔开发了一个跳棋程序，具有自我学习的能力，训练后可以挑战人类专业跳棋选手。

同时，萨缪尔还提出了“机器学习”的概念。

1956年

在达特茅斯会议上，约翰·麦卡锡提出了“人工智能”的概念。因此1956年也被称为人工智能元年。

1957年

罗森布拉特发明感知机，是机器学习人工神经网络理论中神经元的最早模型。

由于人工神经网络理论的突破，人工智能领域受到极大的关注，政府机构投入了大笔资金建立了许多相关的项目。

1960年

维德罗首次将Delta学习规则用于感知器的训练步骤。这种方法后来被称为最小二乘方法。

1967年

最近邻算法kNN出现，由此计算机可以进行简单的模式识别。

1969年

马文·明斯基出版了《感知机》一书，书中提出了人工神经网络的局限。由于明斯基在人工智能领域的重要地位，同时由于人工智能研究领域出现了瓶颈，人工智能项目的研究者无法兑现之前的承诺，人们对于人工智能的乐观期望遭到了严重打击，许多项目的研究经费也被停止或转移到其他项目，人工智能的研究陷入低谷。最为严重的是以人工神经网络为研究方向的连接主义学派受到打击，研究陷入停滞状态。

1982年

Hopfield提出一种新型的神经网络，后来被称为Hopfield网络，使用一种全新的方式进行学习和处理信息。同时反向传播算法，一种神经网络的训练方法被提出，这种算法也是深度学习理论的重要算法之一。沉寂多年的人工神经网络方向的研究重新获得发展。

1986年

昆兰提出决策树算法，又称为ID3算法。相对于神经网络模型，决策树ID3算法也被作为一个软件，通过使用简单的规则和清晰的参考可以找到更多的现实生活中的使用情况。数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。

1990年

Freund和schapire改进了Boosting算法，提出了AdaBoost（Adaptive Boosting）算法，该算法效率和Freund于1991年提出的Boosting算法几乎相同，但更容易应用到实际问题当中。同年，机器学习领域中一个最重要的突破，支持向量机（SVM），由瓦普尼克和科尔特斯在大量理论和实证的条件下提出。从此将机器学习研究分为神经网络方向和支持向量机方向。

1997年

IBM的超级计算机深蓝战胜国际象棋世界冠军卡斯帕罗夫，引起了世界的关注。

2001年

布雷曼提出集成决策树模型，它是由一个随机子集的实例组成，并且每个节点都是从一系列随机子集中选择。由于它的这个性质，被称为随机森林（RF），随机森林也在理论和经验上证明了对机器学习中常常遇到的难题-过拟合的抵抗性。

2006年

神经网络专家Hinton提出神经网络深度学习算法，使神经网络的能力大大提高，向支持向量机发出挑战，同时开启了深度学习在学术界和工业界的浪潮。

2011年

由IBM创建的Watson，在电视游戏中击败了两个前Jeopardy冠军，肯詹宁斯和布拉德鲁特。

Apple发布了Siri，Apple iOS操作系统的虚拟助手。Siri使用自然语言用户界面来向其人类用户推断，观察，回答和推荐事物。它适应语音命令，并为每个用户投射“个性化体验”。

2015-2017

谷歌DeepMind的AlphaGo，一个玩棋盘游戏Go的计算机程序，击败了各种（人类）冠军。

2016年

一个名为Sophia的人形机器人由Hanson Robotics创建。她被称为第一个“机器人公民”。Sophia与以前的类人生物的区别在于她与真实的人类相似，能够看到（图像识别），做出面部表情，并通过人工智能进行交流。

2018年

三星推出虚拟助手Bixby。Bixby的功能包括语音，用户可以在这里与他们交谈并提出问题，建议和建议; 视觉，Bixby的“ 视觉 ”能力内置于相机应用程序中，可以看到用户看到的内容（即对象识别，搜索，购买，翻译，地标识别）; 和Home，Bixby使用基于应用程序的信息来帮助用户使用和交互（例如天气和健身应用程序）。