AI技术已然变成我们日常中相当重大的一若干：AI确定了我们的检索结局，将我们的声音转化为计算机指令，乃至可以合作我们对黄瓜开展分类（这件事后文中会谈及）。在接下来的几年里，我们将用AI驾驶汽车，答复顾客的询问，以及处理其他无数事情。
但是我们怎么走到这个阶段的？这种强大的新技术是怎么来的？下面就来看看AI技术进展的十大里程碑。
笛卡尔的理念
AI的概念并不是忽然呈现的 ——直到今日，AI依然是哲学辩论的一个主题：机器真的能像人类一样思考吗？机器能变成人类吗？最初想到这个难题的人之一是1637年的笛卡儿。在一本名为《方法论》（Discourse on the Method）的书中，笛卡儿居然归纳出了如今的技术人员必须克服的核心难题和考验：
“假如以便各类实用性的目的，机器在外形上向人类靠拢，并模仿人类的行为，那么我们依然应该有两种相当确定的方法来辨识出它们不是真人。”
笛卡尔强调，关注平板Pro热点在他看来，机器永远无法使用言语，或者“把标识放在一起”来“向别人表达想法”，即使我们能够设想出这样的机器，但是“让一台机器对文字开展组合，对别人的话做出有价值的，即便水平和最愚笨的人差不多的回答，那也是不可想象的。”
他还谈及了我们如今面临的一个考验：兴办一个广义的AI，而不是狭义的AI——以及当前AI的局限性会如何暴露它并非人类：
“即使有些机器可以在有些事情上可以做得和我们一样好，或者乃至更好，但是其他机器也不可避免地会失利，这就表明它们的行为并非来自于对事物理解，只是一种简易的答复。”
模仿游戏
AI的第二个首要的哲学基准来自计算机科学先驱图灵（Alan Turing）。在1950年时，他提出了“图灵评测”，他称之为“模仿游戏”。这个评测衡量的是，我们什么时候可以亮相智能机器呈现了。
这个评测很简易：假如评判者不得知哪一方是预测续航测试资讯人类，哪一方是机器（比如阅读两者之间的文本对话时），那么机器能否骗过评判者，让他以为自己是人类？
有趣的是，图灵对前方的计算做出了一个大胆的预测——他估计到20世纪末，机器就可以经由图灵评测。他说：
“我相信，在大约50年的时间内，人们就有或许用上1GB的存储容量的计算机，经由编程让它们玩模仿游戏，玩得足够逼真，以至于普通的评判者在经过5分钟的对话之后，做出正确的判定的或许性低于70％…… 我相信，到本世纪末，文字的使用和通识教学理念将会发生很大的转变，那时你谈论机器思维，通常不会引发抵触情绪。”
可惜的是，他的预测不太精确。我们如今的确着手目睹一些真正让人眼前一亮的AI操控系统呈现，但是在2000年代，AI技术还处在较为原始的平板电脑排行阶段。可是硬盘容量在世纪之交时平均为10GB左右，这倒是远远超过了图灵的预测。
第一个神经联网的呈现
神经联网实际上是一种试错法，它是现代AI的核心概念。从本质上讲，当你训练一个AI操控系统时，最好的办法就是让操控系统猜测，接收反馈，然后在持续猜测——不断改动概率，以便让AI操控系统得出正确答案。
令人惊奇的是，第一个神经联网实际上是在1951年由马尔文·明斯基（Marvin Minsky）和迪恩·艾德蒙兹（Dean Edmonds）兴办的，称为“SNARC” ，意思是随机神经模拟增强计算机。它不是由微处理器和晶体管，而是由真空管、电机和离合器制成的。
这台机器可以合作一只虚拟老鼠解决迷宫难题。操控系统发送指令，让虚拟老鼠在迷宫里游走，每一次都将其行为的效果反馈到操控系统里——用真空管来存储结局。这意味着机器能够进修并改动概率，提升虚拟老鼠经由迷宫的机遇。
本质上，谷歌当前用于确认图像中的对象的一样过程的相当相当简易的版次。
谷歌当下用来确认图像中的对象也使用了同样的过程，只可是远比它繁琐。
第一辆自动驾驶汽车的呈现
如今我们谈及自动驾驶汽车的时候，或许会想到谷歌Waymo等等，但是令人吃惊的是，在1995年，梅赛德斯-奔驰就改装了一辆汽车，从慕尼黑开到哥本哈根，路上大若干时候都是自动驾驶的。
这段路程共1043英里，改装车上搭载了60个晶体计算机处理器，那是当时并行计算领域最先进的技术，让它可以高效处理众多驾驶资料，为自动驾驶汽车的响应度提供保证。
这辆车的时速达到了115英里，与当今的自动驾驶汽车相差无几，由于它可以超车并读取路标。
转向“基于统计”的方法
尽管神经联网身为一个概念呈现已然有一段时间了，但是直到20世纪80年代后期，AI探究人员着手从“基于规则”的方法转向“基于统计”的方法 ，也就是机器进修。这意味着不要试图去依据人类行为的规则来让操控系统开展模仿，而是采取试错法，依据反馈来改动概率，这是教会机器思考的好方法。这一点相当重大，由于正是这个概念让如今的AI办到了一些令人惊讶的事情。
《福布斯》的吉尔·普利斯（Gil Press）觉得，这一转变是从1988年着手的，当时IBM的TJ Watson探究中心发表了一篇名为《语言翻译的统计学方法》的论文，尤其谈及了如何使用机器进修来做语言翻译。
IBM用220万对法文和英文语句来训练这个操控系统 ——这些语句整体来自加拿大议会的双语记录。220万这个数字听起来很多，但是谷歌有全部互联网上可以运用——所以如今谷歌翻译的效果可以说相当不错了。
“深蓝”击败海外象棋冠军
尽管AI的侧重点已然转移到统计模型上，但基于规则的模型也依然在使用—— 在1997年举行了一场海外象棋比赛中，IBM的计算机深蓝战胜了全球海外象棋冠军加里·卡斯帕罗夫，向人们展示了机器可以有多么强大。
这不是双方的第一场比赛，在1996年，卡斯帕罗夫曾以4-2击败深蓝。而到了1997年，机器就占了上风。
从一定程度上说，深蓝的智能有点虚假——IBM本身觉得深蓝没有使用AI，由于它使用的是蛮力之法，每秒处理数千种走棋的或许性。 IBM为这个操控系统注入了数以千计之前比赛的资料，每次对手走棋之后，深蓝就会照搬过去象棋大师们在一样状况下的反应。正如IBM所说，深蓝只是在扮演之前象棋大师们的幽灵。
不管这算不算真正的AI，它都是一个重大的里程碑，让人们不只着手关心计算机的计算能力，也对全部AI领域形成了兴趣。自从与卡斯帕罗夫对决以来，在游戏中打败人类玩家已然变成机器智能基准评测的首要方式 —— 2011年时，我们再次目睹，IBM的“沃森”操控系统轻松地击败了两个人类对手，变成美国智力竞赛栏目《危险边缘》的优胜者。
Siri 和自然语言处理
自然语言处理是AI领域的一大课题，要想像《星际迷航》（Star Trek）那样经由语音对设备亮相命令，就需要有很强的自然语言处理能力。
所以，用统计方法兴办的Siri令人眼前一亮。它由SRI International开发，乃至曾经在iOS使用程序商店中身为独立的app启动，不久，这家企业就被苹果企业收购，并深度整合在了iOS中。如今它和谷歌助手、微软小娜，以及亚马逊Alexa这些使用已然变成机器进修最引人瞩目的成果之一，改变了我们与设备互动的方式。
自然，我们如今似乎觉得这种互动方式是理所自然的，但是任何曾经在2010年之前使用过使用语音命令的人都得知，这个提升有多大。
图像确认
就像在语音确认上一样，AI也可以在图像确认领域大有身为。在2015年，探究人员首次得出结论：在1000多个类别中，谷歌和微软开发的两个深度进修操控系统确认图像的效果比人类更好。
图像确认可以使用在数不清的方面，谷歌在使用其TensorFlow机器进修渠道时举一个有趣的例子，就是对黄瓜开展分类：经由使用计算机视觉，农民不需要雇用人员来确定黄瓜是否合适采摘了，而是让机器来自动做出确定，只要这些机器接纳过早期资料的培训即可。
GPU让AI变得更便宜
AI如今如此引人瞩目，一个重大缘由就是在过去的几年里，处理众多资料的成本已然变得没有那么高昂了。
据《财富》报导，探究人员直到21世纪末才意识到，为3D图形和游戏而开发的图形处理单元（GPU）在深度进修计算方面比传统的CPU强20到50倍。在那之后，人们可以运用的计算能力就大大增多了，如今的AI云渠道可以为无数AI使用提供动力。
所以，要感激玩家。你的双亲和配偶或许不会喜欢你花这么多时间来玩游戏 —— 但AI探究人员的确很感激你。
AlphaGo和AlphaGoZero征服世人
2016年3月，AI又达到了一座里程碑——谷歌的AlphaGo击败了围棋九段李世石。
从数学上说，围棋比海外象棋更为繁琐，但这次胜利的重大之处在于，AlphaGo是用人类和AI对手组合开展训练的。据报导，谷歌使用了1920个CPU和280个GPU，在和李世石的五局比赛中赢得了四局。
而升级之后的版次AlphaGo Zero更为厉害，它不像AlphaGo和深蓝那样使用任何过去的资料来进修下棋，而是直接打了数以千场的比赛，经过三天这样的训练，它就能击败AlphaGo了。也就是说，这台机器拥有自学能力。