人工智能的具体发展历史是怎样的？

“人工智能”一词最早是在1956年的达特茅斯学会上提出的。此后，研究人员发展了许多理论和原理，人工智能的概念也有所扩展。人工智能是一门具有挑战性的科学，从事这项工作的人必须了解计算机知识、心理学和哲学。人工智能是一门非常广泛的科学，由不同的领域组成，如机器学习、计算机视觉等。一般来说，人工智能研究的主要目标之一是使机器能够胜任一些通常需要人类智能的复杂任务。但是不同的时代，不同的人对这个“复杂的作品”有不同的理解。例如，繁重的科学和工程计算最初是由人脑承担的。现在计算机不仅能完成这种计算，而且比人脑做得更快更准。因此，当代人不再把这种计算视为“需要人类智慧来完成的复杂任务”。可见，复杂工作的定义随着时代的发展和技术的进步而变化，人工智能的具体目标自然也随着时代的变化而发展。一方面不断取得新的进步，另一方面转向更有意义和难度的目标。目前可以用来研究人工智能的主要物质手段和可以实现人工智能技术的机器是计算机，人工智能的发展史与计算机科学技术的发展史是联系在一起的。除了计算机科学，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学、哲学等多个学科。

人工智能研究的主要内容包括:知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动编程等。

知识表示是人工智能的基本问题之一，推理和搜索与表示方法密切相关。常用的知识表示方法包括:逻辑表示法、产生式表示法、语义网络表示法和框架表示法。

常识自然受到人们的关注，人们提出了非单调推理、定性推理等多种方法，从不同角度表达和处理常识。

解题中的自动推理就是运用知识的过程。因为知识表示方法多，相应的推理方法也多。推理过程一般可分为演绎推理和非演绎推理。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎的。由于知识处理的需要，近年来，人们提出了多种非演绎推理方法，如连接机制推理、类比推理、基于实例的推理、演绎推理和限制推理等。

搜索是人工智能的一种问题求解方法，搜索策略决定了问题求解的一个推理步骤中所用知识的优先级。可分为无信息指导的盲目搜索和经验知识指导的启发式搜索。启发式知识通常用启发式函数来表示。启发式知识运用得越充分，解决问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近年来，搜索方法的研究开始关注那些百万节点的超大规模搜索问题。

机器学习是人工智能的另一个重要课题。机器学习是指在一定的知识表示意义上获取新知识的过程。根据学习机制的不同，主要有归纳学习、分析学习、联动机制学习和遗传学习。

知识处理系统主要由知识库和推理机组成。知识库存储系统所需的知识。当知识量很大，有很多表示时，对知识的合理组织和管理就很重要。推理机规定了解题时运用知识的基本方法和策略，推理过程中需要建立数据库或采用黑板机制来记录结果或交流。如果某一领域(如医疗诊断)的专家知识存储在知识库中，这样的知识系统称为专家系统。为了满足解决复杂问题的需要，单一的专家系统正在向多智能体分布式人工智能系统发展。这时，知识共享、主体间的合作以及矛盾的产生和处理将是研究的重点问题。`