如果您认为人工智能是近年来发展起来的新兴技术，那么您会这样做弄错了。人工智能实际上有着悠久的历史，可以追溯到公元前400年。基于人工智能的思维的四个基础是哲学，数学，神经科学和经济学。当然，在此之后，它被包含在计算机科学领域。AI是这么多领域的衍生物这一事实使它如此有趣。让我们看一下它演变的简短时间表：
公元前400年：哲学家开始将人类的思想视为一种机器。他们相信它能够构思，学习和编码知识。
公元前250年：亚历山大的Ktesibios（Ctesibius）创造了一个水钟。它用于在调节器的帮助下保持恒定的流速。这可能是第一台自控机器。这将是一个重要的发现，如前所述，系统中的任何变化都需要由一个人执行。
公元前250年到18世纪：从人工智能的角度来看，这是一个非常平静的时期。在此期间，达芬奇设计了一个计算器。与此同时，理性主义，二元论，唯物主义，经验主义，归纳和确认理论等新词开始运用。这些概念非常重要，但与当时的传统思想背道而驰。决策理论和博弈论等概念出现的时间要晚得多。决策理论涉及各种策略的研究，这些策略可帮助您做出最佳决策，记住各种风险和获取因素。神经科学在同一时间出现在现场。
19世纪：心理学和数学都在十九世纪开始取得进步。这是人工智能史上的重要时刻。在十九世纪也出现了布尔逻辑，它指的是巩固来自哲学领域的思想的数学函数。由于这一发现，AI和计算机科学找到了更稳定的基础。另一个重要的发展是认知心理学这一术语，它将大脑视为一种信息处理设备。
20世纪：1940年，Alan Turing和他的团队创建了第一台可操作的计算机。它旨在解密德国消息。一年后，第一台可编程计算机在德国建成。大约在同一时间，建造了第一台电子计算机。这将是人类历史上一个特别重要的时刻，但却因第二次世界大战的爆发而中断。40年代后期为公众带来了人工智能机器的想法。许多科学家也在该领域工作，后来被称为控制理论。重点是设计能够利用差异来减少误差的系统。当前输出和目标输出。最终，控制理论和人工智能分裂方式，即使他们的创始人在他们的开始时有非常密切的联系。 1943-1955：到目前为止，函数可以通过图形或由连接的神经元组成的网络来计算。此外，逻辑操作，例如和，或者，或不是，可以简单地借助这些网络来实现。1952年，学会玩跳棋的计划成为了现实。这证明了一个简单的事实，即计算机可以超越他们被准确告知要做的事情。
1956-1966：1956年夏天，达特茅斯的计算机科学家约翰麦卡锡（John McCarthy）举办了为期两个月的研讨会。受邀者包括普林斯顿的Trenchard More，麻省理工学院的Ray Solomonoff和Oliver Selfridge，IBM的Arthur Samuel，Carnegie Tech的Allen Newell Herbert Simon，后来被称为Carnegie Mellon，Marvin Minsky，Claude Shannon和Nathaniel Rochester。会议结束后，达特茅斯研究小组发布了该研讨会期间讨论的一些想法。*开始预留资金以促进AI的研究.McuClloch和Pitts进行的早期神经网络实验得到了改进和扩展，创造了现代AI的构建模块，我们现在称之为感知器（二元分类器）。
1966-1973：人工智能在1966年至1973年间出现了第一次挫折。人们来了认识到感知器不能被训练以识别在多输入感知器中两个输入是不同的。这个问题的答案很简单：他们只需要添加更多的感知器并重新排列它们。这种见解将在八十年代出现。
1969-1980：过去使用人工智能解决问题的尝试倾向于普遍化并且规模较小。现实问题很困难，人工智能计算机还不够成熟，无法应对。然后将这些方法称为弱方法。
1986年至今：在此期间，发展了反向传播。这是指在不同层计算梯度的方法，并且至今仍在使用。它帮助系统变得更加准确和能够学习。人们开始更多地研究现有理论而不是提出新理论。人工智能正式采用科学方法解决问题，使研究人员能够复制其他人的结果。总的来说，这被认为是一件好事，因为可重复的新方法将更加重视。在90年代，世界看到了可以执行不同任务的不断改进的AI版本。我们开始教汽车开车，从那以后一直在改进。推荐系统已成为衡量客户满意度的常用方法，并且机器人已进入常用词汇。语音识别也开始改进，人工智能系统学会了下棋和其他游戏。
大数据的重要性
人工智能的棘手问题在于，如果你尝试训练例如，一个拥有大约10,000张图像的模型，性能可能不是很好。但是，如果您在训练期间使用10,000,000张图像，则分类器的性能可能会优于人类思维。一个例子是MNIST数字分类数据集（http://yann.lecun.com/exdb/mnist/）。这表明大数据对AI的重要性。
该图由CBInsights Trends（https://www.cbinsights.com/research/trends/）创建，基本上绘制了特定单词或主题使用趋势。我们测量了人工智能和机器学习的趋势。可以看出，到2012年底，HA开始得到广泛认可：
垂直线表示2012年12月4日这个新AI时代的真正触发因素。一组研究人员在神经信息处理系统（NIPS）会议上提出了一种全新的神经网络架构。这种新架构是卷积神经网络，使他们在ImageNet分类竞赛中获得第一名（Krizhevsky等，2012）。这项工作大大改进了分类算法。准确度从72％提高到85％。从这一点来看，神经网络的使用成为人工智能的基础。
在2年内，该领域的进步使ImageNet竞赛中分类算法的准确性发生了巨大变化，2014年达到峰值96％; 这仅略低于人类精确度约95％。