人工智能（Artificial Intelligence）是最新兴的科学与工程领域之一，范围从通用领域，如学习、感知，到专用领域，如证明数学定理、诊断疾病、自动驾驶、下棋等不一而足。其发展历程大约分以下几个阶段：

一、黎明早期

1842, Lovelace世界上第一位程序员（女性）已经在思考计算机能否变得智能；

1950，图灵的论文《计算机器与智能》介绍了图灵测试；

1960，马文.闵斯基的论文《通向人工智能的步骤》；

二、黎明中期

黎明中期人的工智能，迅速解决那些对人类智力来说非常困难、但对计算机来说相对简单的问题。比如，那些可以通过一系列形式化的数学规则来描述的问题，最典型的代表就是积分程序、严肃几何分类等。

三、黎明晚期

20世纪80年代盛行的基于规则的专家系统，Mycin系统让数千家公司成立，其中Bizs的飞机停泊专家系统是典型代表；

1992年将关于世界的知识用形式化的语言进行硬编码的Cyc无法理解“剃须”；

1997年IBM的深蓝（Deep Blue）国际象棋系统以“推土机”方式击败了世界冠军Garry Kasparov(Hsu, 2002)。

四、当前时期

1.机器学习

AI系统需要具备自己获取知识的能力， 即从原始数据中提取模式的能力，这种能力被称为机器学习。该过程先提取一个合适的特征集，对特征数据表示（representation）后，将这些特征提供给机器学习算法。简单的应用：

1990年逻辑回归（logistic regression）的简单机器学习算法可以提出是否剖腹产的建议；

朴素贝叶斯（naive Bayes）可以区分垃圾电子邮件和合法电子邮。

2.表示学习

对于许多任务来说，我们很难知道应该提取哪些特征。解决这个问题的途径之一是使用机器学习来发掘表示本身，而不仅仅把表示映射到输出。这种方法我们称之为表示学习（representation learning）。其目标通常是分离出能解释观察数据的变差因素（factors of variation）。简单的应用：

自编码器（autoencoder）将输入数据转经编码器函数换为一种不同的表示，新的表示还可通过解码器函数还原到原来的形式。目标是输入数据经过编码器和解码器之后尽可能多地保留信息，且新的表示有各种好的特性。

3.深度学习

深度学习（deep learning）通过其他较简单的表示来表达复杂表示，解决了表 示学习中的核心问题。深度学习研究的模型涉及更多学到功能或学到概念的组合。典型例子：

前馈深度网络或多层感知机（multilayer perceptron, MLP），是一个将一组输入值映射到输出值的数学函数，该函数由许多较简单的函数复合而成，可以认为不同数学函数的每一次应用都为输入提供了新的表示。

 

当前，人工智能的主要技术的关系图如下所示：

如今，人工智能（artificial intelligence, AI）已经成为一个具有众多实际应用和活跃研究课题的领域，并且正在 蓬勃发展。我们期望通过智能软件自动地处理常规劳动、理解语音或图像、帮助医 学诊断和支持基础科学研究。