半岛彩票比如大导演斯皮尔伯格的著名电影《人工智能》里面与人的外表、智慧几乎相同的机器人，这个机器人本身甚至没有意识到自己是机器人，反而以为自己是人类了。电影《终结者》系列中出现的具有机器骨骼、人类血肉的机器人，以及可以自我修复，并且肉体和智慧已经超越普通人类的液体金属机器人，这些对于人工智能的大胆想象，给我们留下了深刻的印象。
近年来，人工智能在科技领域的发展也是有目共睹，从无人驾驶汽车发展而引起的争论，到AlphaGo战胜了围棋顶级高手等等，都使得人工智能吸引了足够多的眼球。人工智能的分支机器学习广受关注，机器学习的一支分支深度学习又成为近几年研究的热点。
人工智能是如何一步步发展起来的？下面就让我们一起领略一下人工智能发展史。
1949年，赫布出版了《行为的组织》一书，书中描述了Hebb学习规则，提出权值的概念，这个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，人工神经网络就是现在非常热门的深度学习的前身。
1950年，被视为“计算机科学之父”的图灵发表了一篇题为“机器能思考吗？”的著名论文，在该论文中提出了机器思维的概念，并提出图灵测试（图灵测试就是指，如果一台机器能够通过电传设备与人类展开对话而能不被辨别出其机器身份，那么称这台机器具有智能）。由此，图灵又被称为“人工智能之父”。后来为了纪念图灵的贡献，美国计算机协会设立图灵奖，以表彰在计算机科学中做出突出贡献的人，图灵奖被喻为“计算机界的诺贝尔奖”。
1952年，阿瑟·萨缪尔开发了一个跳棋程序，具有自我学习的能力，甚至在训练的后可以战胜人类专业跳棋选手。
萨缪尔提出了“机器学习”的概念，定义为“不显式编程地给予计算机一定的功能”。
1956年，在达特茅斯会议提出了“人工智能”的概念，因此1956年被称为人工智能元年。
参加这次会议的专家众多，其中约翰·麦卡锡是“人工智能”概念的提出者，香农是信息论的创始人，赫伯特·西蒙获得第十届诺贝尔经济学奖，马文·明斯基是第一位获得图灵奖（1969年）的人工智能学者并对人工神经网络理论的发展有过重大的影响，艾伦·纽厄尔是1975年图灵奖获得者，阿瑟·萨缪尔由于提出“机器学习”的概念而被称为机器学习之父。
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。即使到了现在学习深度学习理论时，为了理解神经元的概念，还会把感知机与现在的神经元模型进行比较，以加深对神经网络基本单元的理解。
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，维德罗首次使用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。这两者的结合创造了一个良好的线年，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。
20 世纪 70 年代中期开始，人工智能进入了“知识期”。一类名为“专家系统”的AI程序开始为全世界的公司所采纳，而“知识处理”成为了主流AI研究的焦点。
各个国家纷纷拨款投资这种类型的项目，希望制造出能够与人对话，翻译语言，解释图像，并且像人一样推理的机器。人工智能又迎来了大发展。
专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。
1965年起设计的Dendral能够根据分光计读数分辨混合物。1972年设计的MYCIN能够诊断血液传染病。专家系统的能力来自于它们存储的专业知识。知识库系统和知识工程成为了80年代AI研究的主要方向。
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，一种重要的算法有昆兰提出，就是决策树算法，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，Schapire最先构造出一种多项式级的算法，就是最初的Boosting算法。一年后，Freund提出了一种效率更高的Boosting算法。
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。
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。
Hinton的学生Yann LeCun的LeNets深度学习网络被广泛应用在全球的ATM机和银行之中。同时，Yann LeCun和吴恩达等通过卷积神经网络使得人工神经网络能够快速训练，而且其所占用的内存小，无须在图像上的每一个位置上都单独存储，因此非常适合构建可扩展的深度网络，就是说卷积神经网络非常适合识别模型。
深度学习可以让那些拥有多个处理层的计算模型来学习具有多层抽象数据。这些方法在许多方面都带来了显著的改善，包括最先进的语音识别、视觉图像识别、图像检测和许多其它领域，如药物发现和基因组学等。
深度学习能够发现大数据中的复杂结构。它是利用BP算法来完成这个发现过程的。BP算法能够指导机器如何从前一层获取误差而改变本层的内部参数，这些内部参数可以用于计算表示。深度卷积网络在处理图像、视频、语音和音频方面带来了突破，而递归网络在处理序列数据，比如文本和语音方面表现出了闪亮的一面。
当前人工智能中统计学习最热门的方法就是深度学习和支持向量机，它们是统计学习的代表方法。可以认为神经网络与支持向量机都源自于感知机。
神经网络与支持向量机一直处于“竞争”关系。神经网络模型常常用于实现艰巨的任务，如目标识别、语音识别、自然语言处理等。尽管深度学习的成功案例迅速增长，但是对这些模型的训练成本是相当高的，调整外部参数也非常繁琐。同时，SVM的简单性促使其仍然最为广泛使用的机器学习方式。
