I．起源
当前人工智能异常火热，但事实上人工智能并非一个新的研究领域，它诞生于20世纪50年代。如果我们排除了从古希腊到霍布斯、莱布尼茨和Pascal的纯哲学推理路径，人工智能领域的研究正式开始于1956年在达特茅斯学院所举行的一次会议，当时最著名的专家聚集在一起针对智能仿真进行头脑风暴。
这次会议仅召开在阿西莫夫提出机器人三定律几年以后，更贴切地说，是发生在1950年图灵那篇著名的论文发表以后，论文中他首次提出了有思维的机器的概念和更被接受的图灵测试来评估这样的机器是否真的体现了智能的特性。
随着达特茅斯学院的研究小组公开发布在夏季会议上产生的内容和想法，吸引了一些政府资金予以支持非生物智能的创新研究。
II. 幻影
当时，人工智能似乎很容易实现，但事实证明情况并非如此。在六十年代末，研究人员意识到人工智能确实是一个很难的研究领域，最初的人工智能概念所带来的支持资金也开始逐步耗散。
这种沿着人工智能发展历史所折射出来的现象，通常被称为“人工智能效应”，并由两部分组成：
-
总是不断承诺真正的人工智能在随后十年即将到来；
-
人工智能每次解决了一个需要人类智慧的工作后，大家就说这根本不是用智能来做的，代表不了智能，于是智能的定义在不断的被重构。
在美国，美国国防部高级研究计划局资助研究人工智能的主要原因是想创造一个完美的机器翻译，但连续两件事破坏了这个想法，并开启了后来被称为第一个人工智能寒冬的阶段。
事实上，自动语言处理咨询委员会（ALPAC）于1966在美国进行了相关报道，其次是“光明山报告”（1973）评估了人工智能的可行性，剖析了当时的发展情况，并总结了人工智能并没有创造可以学习人类智慧的机器的可能性。
这两个报告是在输入给算法的数据有限并且机器计算能力有限的背景下起草的，造成整个人工智能领域的研究停止了十年。
III. 专家系统的进击
虽然在八十年代，英国和日本由于引入专家系统的概念，出现了新一波的资助热潮以支持人工智能研究，但这和以前论文（http://dwz.cn/5W1QTA）所定义的一样，基本上属于狭义人工智能的范畴。
实际上，这些程序只能模拟特定领域人类专家的技能，但这足以激发新的融资趋势。这些年来最活跃的是日本政府，意图创造第五代计算机，这间接迫使美国和英国恢复对人工智能研究的资助。
然而，这个黄金时代并没有持续太久，当投资目标没有得到满足时，一场新的危机随之开始了。1987年，个人电脑变得比人工智能多年的研究成果——Lisp机器更强大。这触发了人工智能的第二个寒冬，美国国防部高级研究计划局明确表态反对人工智能研究及其资助。
IV. 人工智能的回归
幸运的是，1993年，随着麻省理工学院COG项目使用动态分析和规划工具建立了一个人形机器人，寒冬结束了，这算是对美国政府自1950年以来对人工智能的所有资助有了一个交代。1997年深蓝击败棋手卡斯帕罗夫，使得人工智能又重回顶峰。
在过去的二十年中，学术研究已经做了很多工作，但人工智能最近才被公认为一个范式的转变。当然有一系列的原因让我们明白为什么现在有这么多的资金投入到人工智能领域，但是我们认为有一个特定的事件对人工智能过去五年的发展趋势具有决定性影响。
通过下图，我们注意到，在2012年年底以前，尽管人工智能取得了很大的发展，但是并未被广泛认可。这张图使用CBInsights Trends绘制，主要是通过人工智能和机器学习作为关键词来绘制发展趋势。
图 2012–2016年人工智能发展趋势
更详细地说，我在真正触发新一轮人工智能良好形势的特定日期画了一条线，即2012年12月4日，那天是星期二，一组研究者在神经信息处理系统（NIPS）会议上提出了让他们在几周前的ImageNet分类竞赛中获得第一名的卷积神经网络的详细信息。他们的工作将分类算法的精确率从72%提升到了85%，并设置采用神经网络作为人工智能的基础。
在不到两年的时间里，ImageNet竞赛分类部分的准确率已经达到了96%，比人的准确率95%略高一点。
这张图里的虚线也显示了人工智能发展的三个重要增长趋势，主要概述了三大事件：
-
成立三年的人工智能公司DeepMind在2014年1月被谷歌收购；
-
2015年2月未来生命学院8000多人联合署名的公开信和由DeepMind所发布的强化学习研究资料（Mnih et al., 2015）；
-
DeepMind神经网络科学家于2016年3月在《自然》所发表的论文（Silver et al., 2016），以及随后3月让人印象深刻的阿尔法狗大胜李世石（随之而来的是一连串让人印象深刻的成就，看一下Ed Newton-Rex的文章）。
V. 未来展望
人工智能在本质上非常依赖资金支持，因为这是一个需要长期投入的研究领域，需要耗费大量的人力和资源。
让人更加关注的是我们目前可能处在下一个高峰阶段（Dhar, 2016），但是这注定也将很快停止。
然而，正如其他人一样，我认为这个新时代有三点不同之处：
-
在大数据方面，我们有了需要输入到算法中的大量数据；
-
在技术进步方面，随着存储能力、计算能力、算法理解、更好更快的带宽、更低的技术成本等方面的技术发展，使得我们能够真正构建可以提取所需信息的模型；
-
Uber and Airbnb所引入的优化资源配置和提升效率的商业模式，充分体现了云服务（例如，亚马逊网络服务）以及绘图处理器（GPU）所运行的并行计算的科技魅力。
