1樓：高橋流三雄
一開始是圖靈提出的概念：機器人是否會思考
然後就被擱在一邊了，直到神經網路結構的提出，又火了一段時間，然後因為隱層訓練規則不明所以又被擱一邊了；
在接下來有人解決了隱層訓練問題，又一下子活躍起來了，大概活躍到了上世紀70年代，劃時代的svm提出來了，至此機器學習從以仿生為主正式轉為以統計學為主；
接下來是2023年adaboost演算法提出，實現了多分類器的級聯，又把分類效果提升了一個等級；
最後就是06年深度學習概念提出，現在看來效果很不錯，接近甚至超過人分類效果了；
總的來說就是一開始人們想用計算機做一個大腦出來，經過幾十年摸索發現不現實，最後發現可以用統計學大資料來解決。
純手打望採納。
2樓：真的不想聽
機器學習屬於人工智慧的一塊，先簡要回顧一下。關於什麼是“智慧”，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、心靈（mind）（包括無意識的精神（unconscious_mind））等等問題。
人唯一瞭解的智慧是人本身的智慧，這是普遍認同的觀點。但是我們對我們自身智慧的理解都非常有限，對構**的智慧的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智慧”了。因此人工智慧的研究往往涉及對人的智慧本身的研究。
其它關於動物或其它人造系統的智慧也普遍被認為是人工智慧相關的研究課題。https://community.
在20世紀40年代和50年代，來自不同領域（數學，心理學，工程學，經濟學和政治學）的一批科學家開始**製造人工大腦的可能性。2023年，人工智慧被確立為一門學科。
最初的人工智慧研究是30年代末到50年代初的一系列科學進展交匯的產物。神經學研究發現大腦是由神經元組成的電子網路，其激勵電平只存在“有”和“無”兩種狀態，不存在中間狀態。維納的控制論描述了電子網路的控制和穩定性。
克勞德·夏農提出的資訊理論則描述了數字訊號（即高低電平代表的二進位制訊號）。圖靈的計算理論證明數字訊號足以描述任何形式的計算。這些密切相關的想法暗示了構建電子大腦的可能性。
這一階段的工作包括一些機器人的研發，例如w。grey walter的“烏龜（turtles）”，還有“約翰霍普金斯獸”（johns hopkins beast）。這些機器並未使用計算機，數位電路和符號推理；控制它們的是純粹的類比電路。
walter pitts和warren mcculloch分析了理想化的人工神經元網路，並且指出了它們進行簡單邏輯運算的機制。他們是最早描述所謂“神經網路”的學者。馬文·閔斯基是他們的 學生，當時是一名24歲的研究生。
2023年他與dean edmonds一道建造了第一臺神經網路機，稱為snarc。在接下來的五十年中，閔斯基是ai領域最重要的領導者和創新者之一。
1951 年，christopher strachey使用曼徹斯特大學的ferranti mark 1機器寫出了一個西洋跳棋（checkers）程式；dietrich prinz則寫出了一個國際象棋程式。[31]arthur samuel在五十年代中期和六十年代初開發的西洋棋程式的棋力已經可以挑戰具有相當水平的業餘愛好者。遊戲ai一直被認為是評價ai進展的一種標準。
1950 年，圖靈發表了一篇劃時代的**，文中預言了創造出具有真正智慧的機器的可能性。由於注意到“智慧”這一概念難以確切定義，他提出了著名的圖靈測試：如果一臺機器能夠與人類對話（通過電傳裝置）而不能被辨別出其機器身份，那麼稱這臺機器具有智慧。
這一簡化使得圖靈能夠令人信服地說明“思考的機器”是可能的。**中還回答了對這一假說的各種常見質疑。圖靈測試是人工智慧哲學方面第一個嚴肅的提案。
50年代中期，隨著數字計算機的興起，一些科學家直覺地感到可以進行數字操作的機器也應當可以進行符號操作，而符號操作可能是人類思維的本質。這是創造智慧機器的一條新路。
2023年，newell和（後來榮獲諾貝爾獎的）simon在j. c. shaw的協助下開發了“邏輯理論家（logic theorist）”。
這個程式能夠證明《數學原理》中前52個定理中的38個，其中某些證明比原著更加新穎和精巧。simon認為他們已經“解決了神祕的心/身問題，解釋了物質構成的系統如何獲得心靈的性質。”（這一斷言的哲學立場後來被john searle稱為“強人工智慧”，即機器可以像人一樣具有思想。
）2023年達特矛斯會議的組織者是marvin minsky，john mccarthy和另兩位資深科學家claude shannon以及nathan rochester，後者來自ibm。會議提出的斷言之一是“學習或者智慧的任何其他特性的每一個方面都應能被精確地加以描述，使得機器可以對其進行模擬。”與會者包括ray solomonoff，oliver selfridge，trenchard more，arthur samuel，newell和simon，他們中的每一位都將在ai研究的第一個十年中作出重要貢獻。
會上紐厄爾和西蒙討論了“邏輯理論家”，而mccarthy則說服與會者接受“人工智慧”一詞作為本領域的名稱。2023年達特矛斯會議上ai的名稱和任務得以確定，同時出現了最初的成就和最早的一批研究者，因此這一事件被廣泛承認為ai誕生的標誌。
現在人工智慧發展到什麼程度了？
3樓：江西新華電腦學院
人工智慧的發展現狀處於成長期，由於相關人才的數量比較少，人工智慧的人才市場處於空缺，出現了供不應求的狀況。加之國家釋出相關政策促進人工智慧的發展；一些省份也比較重視人工智慧的發展
4樓：匿名使用者
現在的人工智慧最新發展是可以進行學習、判斷，但由於人工智慧只能在某一特定學科裡面學習，無法做到全面智慧化。所以，在可知的將來，人工智慧只能為人類服務，暫時威脅不了人類。
一篇文章搞懂人工智慧，機器學習和深度學習之間的區別
5樓：長春北方化工灌裝裝置股份****
為了搞清三者關係，我們來看一張圖：
從低潮到繁榮
自從 1956 年電腦科學家們在達特茅斯會議（dartmouth conferences）上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光明未來的鑰匙，後又被當作過於自大的異想天開而拋棄。
但是在過去幾年中，人工智慧出現了**式的發展，尤其是 2015 年之後。大部分原因，要歸功於圖形處理器（gpu）的廣泛應用，使得並行處理更快、更便宜、更強大。另外，人工智慧的發展還得益於幾乎無限的儲存空間和海量資料的出現（大資料運動）：
影象、文字、交易資料、地圖資料，應有盡有。
下面我們從發展的歷程中來一一對人工智慧、機器學習和深度學習的深度學習。
人工智慧人工智慧先驅們在達特茅斯開會時，心中的夢想是希望通過當時新興的計算機，打造擁有相當於人類智慧的複雜機器。這就是我們所說的“通用人工智慧”（general ai）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機器。在電影中我們已經看過無數這樣的機器人，對人類友好的 c-3po，以及人類的敵人終結者。
通用人工智慧機器至今只存在 於電影和科幻**裡，理由很簡單：我們還實現不了，至少目前為止。
我們力所能及的，算是“弱人工智慧”（narrow ai）：執行特定任務的水平與人類相當，甚至超越人類的技術。現實中有很多弱人工智慧的例子。
這些技術有人類智慧的一面。但是它們是如何做到的？智慧來自**？
這就涉及到下一個同心圓：機器學習。
機器學習
機器學習是實現人工智慧的一種方法。機器學習的概念來自早期的人工智慧研究者，已經研究出的演算法包括決策樹學習、歸納邏輯程式設計、增強學習和貝葉斯網路等。簡單來說，機器學習就是使用演算法分析資料，從中學習並做出推斷或**。
與傳統的使用特定指令集手寫軟體不同，我們使用大量資料和演算法來“訓練”機器，由此帶來機器學習如何完成任務。
許多年來，計算機視覺一直是機器學習最佳的領用領域之一，儘管還需要大量的手動編碼才能完成任務。研究者會手動編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程式辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個面；以及識別“s-t-o-p”的分類器。在這些手動編寫的分類器的基礎上，他們再開發用於理解影象的演算法，並學習如何判斷是否有停止標誌。
但是由於計算機視覺和影象檢測技術的滯後，經常容易出錯。
深度學習
深度學習是實現機器學習的一種技術。早期機器學習研究者中還開發了一種叫人工神經網路的演算法，但是發明之後數十年都默默無聞。神經網路是受人類大腦的啟發而來的：
神經元之間的相互連線關係。但是，人類大腦中的神經元可以與特定範圍內的任意神經元連線，而人工神經網路中資料傳播要經歷不同的層，傳播方向也不同。
舉個例子，你可以將一張**切分為小塊，然後輸入到神經網路的第一層中。在第一層中做初步計算，然後神經元將資料傳至第二層。由第二層神經元執行任務，依次類推，直到最後一層，然後輸出最終的結果。
每個神經元都會給其輸入指定一個權重：相對於執行的任務該神經元的正確和錯誤程度。最終的輸出由這些權重共同決定。
因此，我們再來看看上面提到的停止標誌示例。一張停止標誌影象的屬性，被一一細分，然後被神經元“檢查”：形狀、顏色、字元、標誌大小和是否運動。
神經網路的任務是判斷這是否是一個停止標誌。它將給出一個“概率向量”（probability vector），這其實是基於權重做出的猜測結果。在本文的示例中，系統可能會有 86% 的把握認定影象是一個停止標誌，7% 的把握認為是一個限速標誌，等等。
網路架構然後會告知神經網路其判斷是否正確。
不過，問題在於即使是最基礎的神經網路也要耗費巨大的計算資源，因此當時不算是一個可行的方法。不過，以多倫多大學 geoffrey hinton 教授為首的一小批狂熱研究者們堅持採用這種方法，最終讓超級計算機能夠並行執行該演算法，並證明該演算法的作用。如果我們回到停止標誌那個例子，很有可能神經網路受訓練的影響，會經常給出錯誤的答案。
這說明還需要不斷的訓練。它需要成千上萬張**，甚至數百萬張**來訓練，直到神經元輸入的權重調整到非常精確，幾乎每次都能夠給出正確答案。不過值得慶幸的是facebook 利用神經網路記住了你母親的面孔；吳恩達 2012 年在谷歌實現了可以識別貓的神經網路。
如今，在某些情況下，通過深度學習訓練過的機器在影象識別上表現優於人類，這包括找貓、識別血液中的癌症跡象等。谷歌的 alphago 學會了圍棋，併為比賽進行了大量的訓練：不斷的和自己比賽。
總結人工智慧的根本在於智慧，而機器學習則是部署支援人工智慧的計算方法。簡單的將，人工智慧是科學，機器學習是讓機器變得更加智慧的演算法，機器學習在某種程度上成就了人工智慧。
文章搞懂人工智慧，機器學習和深度學習之間的區別
長春北方化工灌裝裝置股份 為了搞清三者關係，我們來看一張圖 從低潮到繁榮 自從 1956 年計算機科學家們在達特茅斯會議 dartmouth conferences 上確認人工智慧這個術語以來，人們就不乏關於人工智慧奇思妙想，研究人員也在不遺餘力地研究。在此後的幾十年間，人工智慧先是被捧為人類文明光...
學習人工智慧一般需要學習哪些內容
安徽新華電腦專修學院 一般需要學習網路互聯技術，linux作業系統，c語言程式設計，mysql資料庫管理與應用，web前端開發，人工智慧導論，pyhton入門及提高，python核心程式設計。 江西萬通汽車培訓學院 您好！人工智慧技術目前有六大主要研究方向，其中計算機視覺 自然語言處理 機械人學和機...
人工智慧是什麼？有哪些跟人工智慧相關的產業
江西新華電腦學院 人工智慧 artificial intelligence 英文縮寫為ai。它是研究 開發用於模擬 延伸和擴充套件人的智慧的理論 方法 技術及應用系統的一門新的技術科學。 模擬人腦思考的高科技。現在還沒有這麼厲害的產業。 智慧晶片，智慧翻譯 ar 智慧機器人 主要是自動控制，機器人等...