計算機之父、人工智慧之父——圖靈（alan turing）提出：機器會思考嗎？如果一台機器能夠與人類對話而不被辨別出其機器的身份，那麼這台機器具有智慧型的特徵。同時，圖靈還預言創造具有真正智慧型的機器的可能性。
在2023年達特茅斯學院舉行的一次會議上，正式確立了人工智慧為研究學科。
2023年達特茅斯會議當事人重聚，左起：trenchard more、john mccarthy、marvin minsky、oliver selfridge、ray solomonoff
達特茅斯會議之後是大發現的時代。對很多人來講，這一階段開發出來的程式堪稱神奇：計算機可以解決代數應用題、證明幾何定理、學習和使用英語。在眾多研究當中，搜尋式推理、自然語言、微世界在當時最具影響力。
1.人工神經網路在30-50年代被提出，2023年marvin minsky製造出第一台神經網路機
2.貝爾曼公式（增強學習雛形）被提出
3.感知器（深度學習雛形）被提出
4.搜尋式推理被提出
5.自然語言被提出
6.首次提出人工智慧擁有模仿智慧型的特徵，懂得使用語言，懂得形成抽象概念並解決人類現存問題
7.arthur samuel在五十年代中期和六十年代初開發的西洋棋程式，棋力已經可以挑戰具有相當水平的業餘愛好者
8.機械人shakey專案受到了大力宣傳，它能夠對自己的行為進行「推理」；人們將其視作世界上第一台通用機械人
9.微世界的提出
研究學者認為具有完全智慧型的機器將在二十年內出現並給出了很多預言，如機器將能完**能做到的一切工作、將製造出一台具有人類平均智慧型的機器。但很快就打臉了，ai遭遇到瓶頸。由於此前的過於樂觀使人們期待過高，當ai研究人員的承諾無法兌現時，公眾開始激烈批評ai研究人員，許多機構不斷減少對人工智慧研究的資助，直至停止撥款。
1.計算機運算能力遭遇瓶頸，無法解決指數型**的複雜計算問題
2.常識和推理需要大量對世界的認識資訊，計算機達不到「看懂」和「聽懂」的地步
3.無法解決莫拉維克悖論
4.無法解決部分涉及自動規劃的邏輯問題
5.神經網路研究學者遭遇冷落
說明：莫拉維克悖論：如果機器像數學天才一樣下象棋，那麼它能模仿嬰兒學習又有多難呢？然而，事實證明這是相當難的。**「專家系統」**的ai程式開始為全世界的公司所採納，人工智慧研究迎來了新一輪高潮。由於專家系統僅限於乙個很小的領域，從而避免了常識問題。「知識處理」隨之也成為了主流 ai 研究的焦點。
1.專家系統的誕生
2.ai研究人員發現智慧型可能需要建立在對分門別類的大量知識的多種處理方法之上
3.bp演算法實現了神經網路訓練的突破，神經網路研究學者重新受到關注
4.ai研究人員首次提出：機器為了獲得真正的智慧型，機器必須具有軀體，它需要有感知、移動、生存，與這個世界互動的能力。感知運動技能對於常識推理等高層次技能是至關重要的，基於對事物的推理能力比抽象能力更為重要，這也促進了未來自然語言、機器視覺的發展。
ai硬體的市場需求突然**，專家系統雖然很有用，但它的應用領域過於狹窄，而且更新迭代和維護成本非常高。
當時主要問題：
1.受到台式電腦和「個人電腦」理念的衝擊影響
2.商業機構對ai的追捧和冷落，使ai化為泡沫並破裂
3.計算機效能瓶頸仍無法突破
4.仍然缺乏海量資料訓練機器
在摩爾定律下，計算機效能不斷突破。雲計算、大資料、機器學習、自然語言和機器視覺等領域發展迅速，人工智慧迎來第三次高潮。
2023年：ibm的西洋棋機械人深藍戰勝西洋棋世界冠軍卡斯帕羅夫
2023年：
1.geoffrey hinton提出多層神經網路的深度學習演算法
2.eric schmidt在搜尋引擎大會提出「雲計算」概念
2023年：
sebastian thrun領導的谷歌無人駕駛汽車**，創下了超過16萬千公尺無事故的紀錄
2023年：
深度學習演算法在語音和視覺識別率獲得突破性進展
2023年：
1.google alphago以比分4:1戰勝圍棋九段棋手李世石
2.chatbots這個概念開始流行
3.google發布為機器學習定製的第一代專用晶元tpu
4.google發布語音助手assistant
在60年代，ai研究人員認為人工智慧是一台通用機械人，它擁有模仿智慧型的特徵，懂得使用語言，懂得形成抽象概念，能夠對自己的行為進行推理，它可以解決人類現存問題。由於理念、技術和資料的限制，人工智慧在模式識別、資訊表示、問題解決和自然語言處理等不同領域發展緩慢。
80年代，ai研究人員轉移方向，認為人工智慧對事物的推理能力比抽象能力更重要，機器為了獲得真正的智慧型，機器必須具有軀體，它需要感知、移動、生存，與這個世界互動。為了積累更多推理能力，ai研究人員開發出專家系統，它能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題。
2023年，ibm的超級計算機深藍在西洋棋領域完勝整個人類代表卡斯帕羅夫；相隔20年，google的alphago在圍棋領域完勝整個人類代表柯潔。劃時代的事件使大部分ai研究人員確信人工智慧的時代已經降臨。
深藍和alphago在本質上有什麼區別？簡單點說，深藍的**是研究人員程式設計的，知識和經驗也是研究人員傳授的，所以可以認為與卡斯帕羅夫對戰的深藍的背後還是人類，只不過它的運算能力比人類更強，更少失誤。而**alphago的**是自我更新的，知識和經驗是自我訓練出來的。**與深藍不一樣的是，alphago擁有兩顆大腦，一顆負責**落子的最佳概率，一顆做整體的局面判斷，通過兩顆大腦的協同工作，它能夠判斷出未來幾十步的勝率大小。所以與柯潔對戰的alphago的背後是通過十幾萬盤的海量訓練後，擁有自主學習能力的人工智慧系統。
人工智慧目前有兩個定義，分別為強人工智慧和弱人工智慧。
普通群眾所遐想的人工智慧屬於強人工智慧，它屬於通用型機械人，也就是60年代ai研究人員提出的理念。它能夠和人類一樣對世界進行感知和互動，通過自我學習的方式對所有領域進行記憶、推理和解決問題。這樣的強人工智慧需要具備以下能力：
1）存在不確定因素時進行推理，使用策略，解決問題，制定決策的能力
2）知識表示的能力，包括常識性知識的表示能力
3）規劃能力
4）學習能力
5）使用自然語言進行交流溝通的能力
6）將上述能力整合起來實現既定目標的能力
這些能力在常人看來都很簡單，因為自己都具備著；但由於技術的限制，計算機很難具備以上能力，這也是為什麼現階段人工智慧很難達到常人思考的水平。
由於技術未成熟，現階段的人工智慧屬於弱人工智慧，還達不到大眾所遐想的強人工智慧。弱人工智慧也稱限制領域人工智慧或應用型人工智慧，指的是專注於且只能解決特定領域問題的人工智慧，例如alphago，它自身的數學模型只能解決圍棋領域的問題，可以說它是乙個非常狹小領域問題的專家系統，以及它很難擴充套件到稍微寬廣一些的知識領域，例如如何通過一盤棋表達出自己的性格和靈魂。
弱人工智慧和強人工智慧在能力上存在著巨大鴻溝，弱人工智慧想要進一步發展，必須具備以下能力：
1）跨領域推理
2）擁有抽象能力
3）「知其然，也知其所以然」
4）擁有常識
5）擁有審美能力
6）擁有自我意識和情感
如何通俗易懂的理解 redux
首先先了解下什麼是mvc框架 mvc框架 model view controller 來個小故事幫助理解故事的主人公小明，辛苦打拼多年，終於存到了買房的錢，於是就屁顛屁顛的在首都的郊區買了一套120的毛坯房 當前的房子的state 因為是毛坯房，自然是出了一些基礎設施其他啥也沒有 initstate...
通俗的講一下 閉包
閉包是指有權訪問另乙個函式作用域中的變數的函式。建立閉包的常見方式，就是在乙個函式內部建立另乙個函式。常見閉包出現的問題 function createfunction console.log i 的值 i return result createfunction 返回的結果 當我們呼叫 creat...
如何編寫乙份通俗易懂的實施文件
對於產品開發人員來說，大多數人想必都寫過產品實施文件，主要內容便是對如何安裝和配置我們開發的產品進行說明，其面向的人群主要是我們的產品實施人員，而不是直接的使用者，一般會準備單獨的產品說明書作為對產品整體的乙個介紹，其中包括需求說明，同時也含有基本的操作等。不難看出，產品實施文件的編寫主要側重點是如...