人工智能发展简史
虽然计算机为AI提供了必要的技术基础，但直到20世纪50年代初，人们才注意到人类智能与机器之间的联系。诺伯特·维纳是最早研究反馈理论的美国人之一。反馈控制最常见的例子是恒温器。它将收集的室温与所需温度进行比较，并通过调高或调低加热器来做出响应。以便控制环境温度。这个关于反馈回路的研究的重要性在于:维纳从理论上指出，所有的智能活动都是反馈机制的结果，可以用机器来模拟。这个发现对早期AI的发展影响很大。
在1955的最后，NEWELL和SIMON做了一个叫逻辑理论家的程序。这个程序被很多人认为是第一个AI程序。它用一个树形模型来表示每个问题。然后选择最有可能得到正确结论的一个来解决问题。逻辑专家对公众和AI研究领域的影响，使其成为AI发展的重要里程碑。1956，被认为是人工智能之父的约翰·麦卡锡组织了一个社团。许多对机器智能感兴趣的专家学者聚集在一起，进行了一个月的讨论。他邀请他们参加在佛蒙特州举行的达特茅斯人工智能夏季研讨会。从此，这个领域被命名为人工智能。虽然达特茅斯学会不是很成功，但它确实集中了AI的创始人，为以后的AI研究奠定了基础。
达特茅斯会议后的七年，AI研究开始快速发展。虽然这个领域还没有明确的定义，但是会议中的一些想法已经被重新考虑和使用。卡内基梅隆大学和麻省理工学院开始成立AI研究中心。该研究面临新的挑战:下一步是建立一个可以更有效地解决问题的系统，例如减少逻辑专家之间的搜索；还有就是建立自学体系。
1957年测试了一个新程序，通用解题机(GPS)的第一个版本。这个程序是由同一组逻辑专家开发的。GPS扩展了维纳的反馈原理，可以解决很多常识性的问题。两年后，IBM成立了AI研究小组。赫伯特·格勒奈特花了三年时间编写了一个解决几何定理的程序。
当越来越多的程序出现时，麦卡锡正忙于在AI历史上取得突破。1958，麦卡锡公布了他的新成果:LISP语言。LISP一直沿用到今天。LISP的意思是列表处理，它很快被大多数AI开发者所采用。
1963年，麻省理工学院获得美国政府220万美元的资助，研究机器辅助识别。这笔拨款来自国防部高级研究计划局(ARPA)，它确保了美国在技术进步上领先于苏联。这个计划吸引了世界各地的计算机科学家，加速了AI研究的发展。人工智能
用人类的智慧创造一个与人脑并行的机器大脑(人工智能)对人类来说是一个非常具有诱惑力的领域，人类也为实现这个梦想奋斗了很多年。从语言研究者的角度来看，让机器与人自由交流是相当困难的，甚至可能是一个没有答案的问题。人类的语言和人类的智力是如此的复杂，以至于我们的研究还没有触及到其指导本质延伸的边缘。接下来的几年出现了大量的节目。其中一个叫SHRDLU。SHRDLU是微观世界项目的一部分，包括微观世界的研究和编程(比如几何形状只有有限几个)。在麻省理工学院，由马文·明斯基领导的研究人员发现，计算机程序可以解决小规模物体的空间和逻辑问题。其他学生，如20世纪60年代末出现的学生，可以解决代数问题，先生可以理解简单的英语句子。这些项目的结果。
20世纪70年代的另一个发展是专家系统，它可以预测特定条件下某个解决方案的概率。当时，由于计算机容量巨大，专家系统可以从数据中提取规则。专家系统在市场上得到广泛应用。在过去的十年里，专家系统被用来预测股市，帮助医生诊断疾病，指导矿工确定矿藏的位置。专家系统存储规则和信息的能力使这一切成为可能。
在20世纪70年代，许多新方法被用于人工智能的发展，如明斯基的构造理论。此外，大卫image提出了机器视觉的新理论，例如，如何通过阴影、形状、颜色、边界和纹理等基本信息来区分一幅图像。通过分析这些信息，我们可以推断出图像可能是什么。同时，另一项成就是序言语言。是1972提出的。在20世纪80年代，人工智能发展更快，进入了更多的商业领域。1986年，美国AI相关软硬件销售额高达4.25亿美元。专家系统因其实用性而特别需要。像数字电气公司这样的公司使用XCON专家系统对VAX大型机进行编程。杜邦、通用汽车和波音也非常依赖专家系统。为了满足计算机专家的需求，一些生产专家系统来辅助制作软件的公司，如TEKNOWLEDGE和INTELLICORP，成立了。为了发现和纠正现有专家系统中的错误，已经设计了其他专家系统。人们开始感受到计算机和人工智能技术的影响。计算机技术不再属于实验室里的一小群研究人员。个人电脑和众多的技术杂志给人们带来了计算机技术。有了美国人工智能协会这样的基金会，因为AI发展的需要，出现了一波研究人员进入私人公司的浪潮。像DEC这样的150多家公司(在人工智能研究领域雇佣了700多名员工)在内部人工智能开发团队上总共花费了10亿美元。
其他人工智能领域也在80年代进入市场。其中之一就是机器视觉。明斯基和MARR的成果现在被用于生产线上的照相机和计算机，以进行质量控制。尽管这些系统仍处于初级阶段，但它们已经能够用黑白来区分物体的形状。到1985，美国有100多家公司生产机器视觉系统，总销售额8000万美元。
但对人工智能行业来说，20世纪80年代并不都是好年景。在1986-87年，对人工智能系统的需求下降，该行业损失了近5亿美元。TEKNOWLEDGE和INTELLICORP等两家公司亏损600多万美元，约占利润的三分之一。巨大的损失迫使许多研究领导者削减他们的资金。另一个令人失望的是国防部高级研究计划局支持的所谓智能卡车。这个项目的目的是开发一个可以完成许多战场任务的机器人。由于该项目的缺陷和无望的成功，五角大楼停止了对该项目的资助。
尽管遇到这些挫折，AI仍然在慢慢恢复。日本开发了新技术，如美国首创的模糊逻辑，可以在不确定的条件下做出决定。还有神经网络，被视为人工智能的一种可能实现方式。简而言之，AI在20世纪80年代被引入市场，并显示出实用价值。可以肯定的是，它将是265，438+0世纪的钥匙。中国军队的智能装备在沙漠风暴行动中经受住了战争的考验。人工智能技术已被用于导弹系统和早期预警显示器以及其他先进武器。AI技术也进入了家庭。智能计算机的增加引起了公众的兴趣。一些用于Mac和IBM兼容计算机的应用软件，如语音和文本识别，都是可用的。利用模糊逻辑，人工智能技术简化了摄像设备。对人工智能相关技术的更大需求促使了新的进展。人工智能已经不可避免地改变了我们的生活，并将继续如此。人工智能的一个流行定义，也是该领域较早的定义，是约翰·麦卡锡在1956年的达特茅斯会议上提出的:人工智能是让机器的行为看起来像人类的智能行为。但这个定义似乎忽略了强人工智能的可能性(见下文)。另一种定义是指人工智能是人工机器表现出来的智能。一般来说，人工智能的定义可以分为四类，即机器像人一样思考，像人一样行动，理性思考，理性行动。在这里，“行动”应该广义地理解为采取行动或做出动作的决定，而不是物理动作。
强人工智能(自下而上的AI)
强人工智能的观点认为，有可能创造出真正能够推理和解决问题的智能机器_解决这种机器可以被视为有意识和自我意识的。有两种强人工智能:
类人人工智能，即机器的思维和推理，就像人的思维一样。
非人类人工智能，即机器产生与人完全不同的感知和意识，使用与人完全不同的推理方法。
弱人工智能(自上而下的AI)
从弱人工智能的观点来看，不可能创造出真正能推理和解决问题的智能机器。这些机器只是看起来有智能，其实并没有真正的智能，不会有自主意识。
主流科学研究集中在弱人工智能领域，普遍认为这一研究领域已经取得了相当大的成就。强人工智能的研究处于停滞状态。
关于强人工智能的哲学辩论
“强人工智能”一词最初是由约翰·罗杰斯·塞尔为计算机和其他信息处理机器创造的，它被定义为:
“强人工智能的观点认为，计算机不仅仅是研究人的思维的工具；相反，只要运行适当的程序，计算机本身就是在思考。”《头脑、大脑和程序》。《行为与脑科学》第3卷，1980)这是指指导计算机从事智能活动。智能在这里的含义是模糊的，不确定的，下面提到的就是一个例子。使用计算机解题时，一定要知道清晰的程序。然而，即使在人们不清楚程序的情况下，也有许多人试图根据Heu-risk方法巧妙地解决问题。比如识别文字、图形、声音，所谓的认知模型就是一个例子。而且，由于学习、归纳推理、基于类比的推理等而导致的能力的提高。也是例子。另外，解决程序虽然清晰，但实施起来需要很长时间。对于这样的问题，人们可以在短时间内找到相当好的解决方法，比如竞技比赛。此外，计算机在没有给出充分的符合逻辑的、正确的信息时，是无法理解其含义的，而人只有根据适当的补充信息，给出不充分的、不正确的信息，才能把握其含义。自然语言就是一个例子。用计算机处理自然语言称为自然语言处理。
关于强人工智能的争论不同于更广泛意义上的一元论和二元论的争论。争论的要点是:如果机器唯一的工作原理是转换编码数据，那它是在思考吗？希勒认为这是不可能的。他举了一个中文房间的例子来说明，如果机器只是转换数据，而数据本身就是某个东西的编码表达，那么在不理解这个编码和这个实际的东西的对应关系的情况下，机器是不可能对它处理的数据有任何理解的。基于这一论点，希勒认为，即使机器通过了图灵测试，也不一定意味着机器真的像人一样拥有思维和意识。
也有哲学家持不同观点。丹尼尔·c·丹尼特(DANIEL C. DENNETT)在《意识的解释》一书中认为人只是一台有灵魂的机器。为什么我们认为人可以有智能，而普通机器不能？他认为，像上面这样的数据转换机器，拥有思维和意识是可能的。
一些哲学家认为，如果弱人工智能是可实现的，那么强人工智能也是可实现的。例如，西蒙·布莱克本在他的哲学入门教科书中说，认为一个人看似“聪明”的行为并不意味着这个人真的聪明。我永远无法知道另一个人是否真的和我一样聪明，或者她/他只是看起来聪明。基于这个论点，既然弱人工智能认为机器可以看起来很智能，那么也不能完全否定机器真的很智能。布莱克本认为这是一个主观问题。
需要指出的是，弱人工智能与强人工智能并不完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，现在的计算机能做的事情，比如算术运算，在一百多年前就已经被认为是非常智能的了。