題圖：designed by Freepik
不騙人，真的是特別「簡」，誰都能看明白——畢竟，想要有難度，我的水平根本做不到啊！
好了，閱讀之前有個重要的說明。
文章結構說明
極簡事件（深藍色塊）+ 事件說明（小卡片）+ 關鍵人物（照片+ Title）
文章內容說明
本文時間線重度參考了 2016 年 Gil Press 發布在 Forbes 上的 A Very Short History Of Artificial Intelligence，但有刪減和添加。近兩年的事件屬于我自己收集。寫的事件雖然是同樣的，但大部分描述與原文不同。
時間線上的事件，我這邊盡量用大白話和極為簡單的描述說一下，更多內容會放在小卡片里解釋——簡單的大白話在嚴謹性上會丟分兒，但這是我想要呈現的樣子。不過，原則上依然是字盡量少，除非是八卦......
怎么說呢，作為一個八卦愛好者，很容易出現周邊無關緊要的內容抖個不停的癥狀（誰說那不是把科技史當秘史看的樂趣呢）。當然不是完全無關緊要，比如學術跳槽這種，暫且就叫八卦吧！本文的不少內容和八卦參考了尼克老師的《人工智能簡史》一書，但不是 Copy ，若直接 Copy 會作為引用說明。
注意，很重要的一點，限于個人水平，免不了錯說漏說，敬請指正。
另外，參考資料列在文末了。
簡單數據說明
重要時間節點及事件近 90 項
含照片 AI 大神 30 + 位，提到名字的 50+ 位
AI 領域具有代表性的論文近 30 篇（含圖書）
AI 相關經典電影 6 部
圖片 60 +
START
1943 年，麥卡洛克和皮茨提出神經元的數學模型
麥卡洛克和皮茨在 Mathematical Biophysics 上發表了 “A Logical Calculus of Ideas Immanent in Nervous Activity”，開“神經網絡”研究先河。
Warren McCulloch
（1898 – 1969）美國神經科學家和控制論學者，先后在耶魯大學、伊利諾伊大學芝加哥分校、MIT 等待過。
Walter Pitts
（1923 – 1969）美國邏輯學家，自學成才，跟著維納學習過一段時間，不是正式學生。
一般說起人工智能的源起，大家都會想到“達特茅斯會議”，我們后面也會提，咱們就按照時間線來把關鍵事件和人物一一展示出來。AI 思想上的源頭可能得追溯到哲學家的某些思想了，我沒關注到那一塊，咱就略過了。
“神經網絡”研究開啟得還是挺早的。眾所周知，深度神經網絡目前在深度學習中是挑大梁的角兒，然而，能發展到今天也是經歷了不少“挫折”。在繼續閱讀之前，簡單說下 AI 門派，所謂“無斗爭，不江湖”。
一般認為，人工智能發展史上主要有 3 個學派：符號主義、連接主義和行為主義。
符號主義，也稱邏輯主義，認為智能是對符號的操作，主張用公理和邏輯體系搭建人工智能系統。
連接主義，也叫仿生學派，致力于用神經網絡的連接機制實現人工智能。
行為主義，源于控制論，在機器人控制系統中應用較多。
AI 發展史滿是符號派和連接派的刀光劍影。
1949 年，赫布提出 “Hebb 規則”
赫布在 Organization of Behavior: A Neuropsychological Theory 一書中提出的 “Hebb 規則” ，是最簡單的神經元學習規則，指的是“如果兩個細胞總是同時激活，它們之間就有某種關聯，同時激活的概率越高，關聯度也越高”。如今的無監督機器學習算法或多或少借鑒了 “Hebb 規則” 的思想。
Donald Hebb
（1904 – 1985），加拿大神經心理學家。在神經心理學領域有重要貢獻，致力于研究神經元在心理過程中的作用。
1950 年，香農發表第一篇講計算機下棋的文章
香農在 Philosophical Magazine 發表的 “Programming a Computer for Playing Chess”，是第一篇講計算機下棋的文章。
Claude Shannon
（1916 – 2001）美國數學家、電子工程師和密碼學家、信息論創始人。1948 年香農發表的“通信的數學原理”，奠定了現代信息論的基礎。
1950 年，圖靈發表“計算機與智能”
在 Mind 雜志發表的 “Computing Machinery and Intelligence”，提出了“模仿游戲”，也就后來廣為人知的“圖靈測試”。這篇文章是機器智能最早的系統化科學化論述。
圖靈可能是第一個對機器智能做出深度思考的人士。
Alan Turing
（1912 – 1954）英國計算機科學家、數學家、邏輯學家、密碼分析學家，計算機科學與人工智能之父。
SNARC 是 Stochastic Neural Analog Reinforcement Calculator 的簡稱，即隨機神經網絡模擬加固計算器，模擬 40 個神經元的運行，由 Marvin Minsky 和 Dean Edmunds 構建，是人工智能領域的先鋒實驗。
Marvin Minsky 在人工智能領域的研究起于神經網絡，但不久就轉向了符號派的陣營，甚至后來成為符號派的“大護法”，一度大力“鎮壓”神經網絡的星星之火。
Marvin Minsky
（1927 – 2016） 美國計算機科學家、人工智能先驅、MIT 教授，1969 年圖靈獎得主。
1952 年，出現第一個計算機下棋程序
塞繆爾開發了第一個計算機下棋程序，不過他 1955 年寫的第二個跳棋程序才具有自學習能力，被認為是最早的機器學習程序之一，真正公開算是在 1956 年。
Arthur Samuel
（1901 – 1990）美國計算機游戲和人工智能領域先驅，先后在貝爾實驗室、伊利諾伊大學、IBM、斯坦福大學待過，大部分成就是在 IBM 做出的。
1955 年 8 月 31 日，首次出現 artificial intelligence 一詞
artificial intelligence 一詞首次出現在 “2 month, 10 man study of artificial intelligence” 提案中，作者是麥卡錫、明斯基、羅切斯特和香農。提案是為準備 1956 年召開的“達特茅斯人工智能研討會”而擬定的。
1955 年 12 月，第一個人工智能程序 Logic Theorist 誕生
紐厄爾和司馬賀開發的 Logic Theorist，在達特茅斯夏季研討會之后才算大范圍公開，該程序可以證明懷特海和羅素《數學原理》一書第二章 52 個定理中的 38 個。會議后，紐厄爾和司馬賀發表 “Logic Theory Machine ”，是 AI 歷史上重要的文章之一。
AI 早期發展階段是符號主義的天下，紐厄爾和司馬賀是符號派的重要人物。不過符號派內部也有斗爭，比如司馬賀和明斯基的研究就不一樣，彼此也憋著勁兒呢，這里就不細說了。
Herbert A. Simon
（1916 – 2001）美國著名計算機科學家、心理學家、卡耐基梅隆大學教授。1975 年圖靈獎和 1978 年諾貝爾經濟學獎得主。
1956 年 8 月 31 日，“人工智能夏季研討會”在達特茅斯學院召開
這一年被稱為“人工智能元年”。當時出席大會的 10 位專家是：麥卡錫、明斯基、羅切斯特、香農、塞繆爾、紐厄爾、司馬賀、塞弗里奇、所羅門諾夫和摩爾，都是人工智能領域的先驅。
英文名備注：
John McCarthy 、Marvin Minsky、Nathaniel Rochester、Claude Shannon、Arthur Samuel 、Herbert A. Simon、Allen Newell、Oliver Selfridge、Ray Solomonoff、Trenchard More
2006 年，50 年后再聚，依然在世的幾位
左起：摩爾、麥卡錫、明斯基、賽弗里奇、所羅門諾夫
1957 年，羅森布拉特發明“感知機”
Perceptron 是一種神經網絡模型，AI 領域的一大突破。Perceptron 具有兩層網絡，可完成一些簡單的視覺處理任務。《紐約時報》稱它為 “remarkable machine…”。
Perceptron 在當時引起了重大關注，這段時間神經網絡的研究非常熱門。
Frank Rosenblatt
（1928 – 1971）康奈爾大學實驗心理學家、人工智能領域先驅，43 歲生日當天去世。
1957 年，紐厄爾、肖和西蒙提出 General Problem Solver
GPS（一般問題解決器）基于西蒙和紐厄爾關于邏輯機的研究。原理上，任何形式化的符號問題都可以被此程序解決。
Allen Newell
（1927 – 1992）美國計算機科學和認知心理學領域專家、卡耐基梅隆大學教授，1975 年圖靈獎得主。
1957 年，司馬賀預言十年內計算機下棋擊敗人類
實際上等了 39 年，直到 1997 年“深藍”打敗卡斯帕羅夫。1965 年，司馬賀又預言 20 年內人會做的機器都可以搞定。AI 領域樂觀預言屢見不鮮。明斯基 1968 年在《2001 太空漫游》新聞發布會上說 30 年內機器智能可以和人有一拼。
1958 年，麥卡錫設計了 Lisp
Lisp 的發明在 FORTRAN 之后，Clojure、Common Lisp 和 Scheme 都是 Lisp 的方言，Lisp 是當時人工智能領域最受歡迎的編程語言，目前仍然廣泛使用，對后世編程語言具有深刻影響。
John McCarthy
（1927 – 2011）美國計算機科學家、人工智能先驅、斯坦福大學教授，1971 年圖靈獎得主。
1959 年，塞繆爾首創 machine learning 一詞
1959 年，Samuel 首創 Machine Learning，他給 ML 下的非正式定義為：Field of study that gives computers the ability to learn without being explicitly programmed.
「沒有明確編程指令的情況下，能讓計算機學習的研究領域就是機器學習。」
這個定義比較概括，1998 年，Tom Mitchell 給出了一個更為精確的定義：
Well posed Learning Problem: A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.
1959 年，塞弗里奇提出一種讓計算機識別新模式的計算模型
塞弗里奇是在 “Pandemonium: A paradigm for learning”一文中提出的，這是人工智能領域早期經典論文。
Oliver Selfridge
（1926 – 2008）人工智能先驅，機器感知之父。
1959 年，麥卡錫和明斯基牽頭成立 MIT 人工智能實驗室
麻省理工學院人工智能實驗室的前身是 MIT MAC 項目中的 AI 實驗室，余下的部分變成了計算機科學實驗室。后來又合并成了如今的 MIT CSAIL（麻省理工學院計算機科學與人工智能實驗室）。
咱們這篇文章中提到了在人工智能領域比較強的三所美國高校：麻省理工學院、斯坦福大學、卡內基梅隆大學。參加達特茅斯研討會的 AI 先驅中，明斯基在 MIT、麥卡錫在斯坦福大學，司馬賀和紐厄爾在卡內基梅隆大學，并且他們都參與了不少學科初創工作。
AI 研究早期，流派斗爭嚴重，頂尖高校是重要的根據地，近十年 AI 領域被深度學習主導，早先的門戶之爭已逐漸消失。
Project MAC's IBM 7094
CSAIL
（來自維基百科）
1959 年，麥卡錫提出第一個完整的 AI 系統
麥卡錫發表“Programs with Common Sense” ，其中提出一個能跟人一樣學習的假想程序 “Advice Taker”，被認為是第一個完整的人工智能系統。
1961 年，誕生工業界第一款機器人 Unimate
工程師恩格爾伯格受阿西莫夫小說 I, Robot 影響，與發明家 George C. Devol 成立 Unimation。1961 年，公司的第一臺機器人 Unimate 開始在通用電氣新澤西工廠試用。
Joseph Engelberger
（1925 – 2015）美國物理學家、工程師、機器人之父。
在酒店為顧客倒咖啡
兩張照片來自 ilstu.edu
1961 年，出現第一個自動符號積分程序 SAINT
James Slagle 開發了SAINT，據說可以解決大一水平的微積分問題。
James Slagle
（1934 – ）美國計算機科學家、明尼蘇達大學教授，做過明斯基的學術顧問。
1962 年，斯坦福大學人工智能實驗室（SAIL）成立
麥卡錫參與了此事。他本來跟明斯基在 MIT，剛創建人工智能實驗室不久，因為跟課題負責人有學術意見分歧返回斯坦福大學，協助創建了人工智能實驗室。隨后斯坦福瘋狂挖人，在 AI 領域聚集了大批知名學者。
麥卡錫待的學校真不少，普林斯頓大學數學專業博士畢業后先后在校任教，轉斯坦福，轉達特茅斯學院、轉 MIT，大約都待了 2 年，最終又回了斯坦福大學。
1964 年，出現自然語言理解程序 STUDENT
MIT 學生 Daniel Bobrow 發表博士論文 “Natural Language Input for a Computer Problem Solving System” ，同時開發 STUDENT，是計算機對自然語言理解最早的嘗試之一。
1965 年，德雷弗斯發表著名的 “Alchemy and AI”
“煉金術與人工智能”和后來的文章集結為《計算機不能干什么》一書，是批判 AI 最知名的作品之一。
Hubert Dreyfus
（1929 – 2017） 加州大學伯克利分校歐陸派哲學代表人物，知名的人工智能批判家。
1972 年首版
1992 年升級版
1965 年，古德提出超人智能
在 “Speculations Concerning the First Ultraintelligent Machine” 一文中， I. J. Good 指出了人工智能對人類的威脅，認為機器的超人智能（智能爆炸）終將不受人類控制。
1965 年，魏森鮑姆開發聊天機器人 ELIZA
ELIZA 是第一個自然語言對話程序，通過簡單的模式匹配和對話規則與人聊天。Kenneth Colby 在 1972 年開發了聊天機器人 PARRY。當年的國際計算機通訊年會（ICCC）上，ELIZA（作為醫生）和 PARRY（作為病人） 通過 ARPANET 對聊了一回。
Vint Cerf 記錄的資料請見：
https://tools.ietf.org/html/rfc439
PARRY and ELIZA（1972，文字截圖）
Joseph Weizenbaum
（1923 – 2008），美國計算機科學家、MIT 教授、SLIP 語言發明人。
1965 年，第一個專家系統 DENDRAL 啟動
專家系統 DENDRAL 的主要參與人是：Edward Feigenbaum、Bruce G. Buchanan、Joshua Lederberg 和 Carl Djerassi。在 DENDRAL 中輸入質譜儀的數據，輸出給定物質的化學結構。
Edward Feigenbaum
（1936 – ）美國計算機科學家、專家系統之父、斯坦福大學教授，1994 年圖靈獎得主。
1966 年，第一臺具有移動能力的機器人 Shakey 誕生
Shakey，來自 Wikimedia
1968 年，庫布里克執導的《2001 太空漫游》上映
電影中的智能電腦 Hal 9000（來自豆瓣）
1968 年，維諾格拉德開發自然語言處理程序 SHRDLU
SHRDLU 要遠比 ELIZA 復雜，學術意義也更加深刻。SHRDLU 把當時很多 AI 技術整合到一起，除了自然語言理解外，還有規劃和知識表示。這甚至是最早的計算機圖形學的應用。SHRDLU 的潛在應用范圍也要遠廣于 ELIZA，我們可以輕易地聯想到怎么把 SHRDLU 推廣到不同的領域，例如計算可行的旅游路線。
——尼克，《人工智能簡史》
Terry Winograd
（1946 – ），計算機科學家、斯坦福大學教授，佩珀特的學生，谷歌創始人布林和佩奇的導師。
1969 年，明斯基和佩珀特出版《感知機：計算幾何學》
明斯基和佩珀特在 Perceptrons: An Introduction to Computational Geometry 一書中證明了羅森布拉特感知機的缺陷（甚至無法執行“異或”問題這樣簡單的功能），間接導致此后神經網絡研究進入大蕭條，兩人因此也被神經網絡派稱為“魔鬼搭檔”。
Seymour Papert
（1928 – 2016）美國計算機科學家、數學家、MIT 教授、Logo 發明人。
1970 年，早稻田大學研發第一個擬人機器人 WABOT-1
來自：amsteambeast.com
1972 年，Prolog 正式誕生
Prolog 是當時人工智能研究領域的編程語言之一，日本五代機的研發就用 Prolog 作為主要的編程語言。Prolog 發明人為 Alain Colmerauer、Phillipe Roussel 等。
1972 年， 布坎南團隊開發醫療專家系統 MYCIN
MYCIN 是一個針對細菌感染的診斷系統。MYCIN 的處方準確率是 69%，當時專科醫生的準確率是 80%。雖然 MYCIN 并沒有應用于臨床，其開發原理成為專家系統 EMYCIN 的基礎。
Bruce G. Buchanan
（1940 – ）美國計算機科學家，先后在斯坦福大學和匹茲堡大學任教，以在專家系統方面的研究著稱。
1974 年，關于神經網絡的一篇重要論文出現
哈佛大學 Paul Werbos 的博士論文 “Beyond regression : new tools for prediction and analysis in the behavioral sciences” 證明在神經網絡多加一層，并且利用“反向傳播”算法，可以解決 XOR 問題。由于當時正是神經網絡研究的低谷，文章發表后并沒有引起重視。
Paul Werbos
（1947 – ）計算機科學家，循環神經網絡先驅。出版圖書 The Roots of Backpropagation。
1976 年，瑞迪發文總結自然語言處理早期工作
這里提的文章是：“Speech Recognition by Machine: A Review”。
Raj Reddy
（1937 – ）卡內基梅隆大學教授，帶團隊做出了語音識別系統 Hearsay。因語音方面的貢獻，跟費根鮑姆一起拿了 1994 年的圖靈獎。
1978 年，誕生了同期最成功的專家系統 XCON
XCON 是真正投入商用的。DEC 銷售 VAX 電腦時，XCON 基于規則根據顧客需求自動配置零部件，源于卡內基梅隆大學的 R1 系統。
1979 年，早期自動駕駛開啟探索
斯坦福大學的 Stanford Cart 在無人干預的情況下，耗時 5 小時成功“駛”過放置多障礙物的房間。
其實走得特別慢，近乎試探，所以“駛”字加了個引號，Twitter 有個視頻：https://www.youtube.com/watch?v=ypE64ZLwC5w。
來自：http://cyberneticzoo.com
1979 年，卡內基梅隆大學成立機器人學院（CMRA）
1981 年，日本巨資啟動“五代機項目”
第五代計算機是日本從制造大國到經濟強國轉型計劃的一部分，擬建立日本在全球信息產業的領導地位，以失敗告終。
五代機的終極目標是知識信息處理，在當時的語境下特指專家系統和自然語言理解。
60 年代到 80 年代，符號主義學派對專家系統投入了莫大的熱情和資金，五代機的失敗標志著專家系統的狂潮退去。
1981 年，普特南出版《理性、真理與歷史》，書中提出了著名的“缸中腦”假想實驗
圖片來自：Wikimedia
Hilary W. Putnam
（1926 – 2016）美國哲學家、數學家與計算機科學家，提出著名的孿生地球和缸中腦假想實驗。
1982 年，霍普菲爾德提出一種新的神經網絡
John Hopfield 提出的神經網絡模型后來被稱為霍普菲爾德網絡，可以解決一大類模式識別問題，還可以給出一類組合優化問題的近似解。1984 年，霍普菲爾德用模擬集成電路實現了自己提出的模型。
霍普菲爾德的研究點燃了 20 世紀 80 年代神經網絡的復興。隨后，一批早期神經網絡研究人士開啟了連接主義運動，其中最為知名的代表人物是：David Rumelhart、 James McLelland 和 Geoffrey Hinton。Hinton 就是目前深度學習領域的代表人物了。
John Hopfield
（1933 – ）美國物理學家、分子生物學家、神經學家，普林斯頓大學教授。
David Rumelhart
（1942 – 2011）美國心理學家，Parallel and Distributed Processing 作者。
James McLelland
（1948 – ）美國心理學家，Parallel and Distributed Processing 作者。
1984 年， 預警 AI Winter 即將到來
AAAI 年會上，Roger Schank 和 Marvin Minsky 預警 AI Winter 即將到來，3 年后 AI 投資和研究基金確實銳減。這次 AI Winter 的時間段大約在 1987 – 1993。
1984 年，詹姆斯·卡梅隆執導的《終結者》上映
電影中的機器人 T800（來自豆瓣）
1986 年，首輛無人駕駛汽車完成首秀
無人車是一臺配備攝像頭和傳感器的奔馳面包車，在無人街道上行駛速度高達 55 mph。由計算機視覺領域大神 Ernst Dickmanns 帶的慕尼黑德國聯邦大學研究團隊開發。
來自：Driving.ca
1986 年 10 月， 闡述反向傳播算法的經典論文發表
David Rumelhart、Geoffrey Hinton、Ronald Williams 的 “Learning representations by back-propagating errors” ，是神經網絡領域引用次數最高的論文，闡述了在深度學習領域大放異彩的反向傳播算法。
有的參考資料說這三位發現了反向傳播算法，不過，還有一個說法是早在 1969 年，Arthur Bryson 和 Yu-Chi Ho 就提出了反向傳播算法。反向傳播算法是機器學習領域中最重要的算法之一，用于深度神經網絡。
Geoffrey Hinton
（1947 – ），多倫多大學教授，深度學習領域三巨頭之一，被譽為“深度學習之父”。2018 年圖靈獎得主。辛頓創辦的公司 DNNresearch 被谷歌收購。
1987 年，連接主義學派重要作品 PDP 出版
Parallel Distributed Processing
1988 年，珀爾出版 Probabilistic Reasoning in Intelligent Systems
1988 年出版，內容經典
Judea Pearl
（1936 – ） ，美國計算機科學家，貝葉斯網絡之父，因概率和因果推理方面的研究獲 2011 年圖靈獎。
1988 年，第一個能模擬人聲的機器人 Jabberwacky 誕生
1988 年，機器翻譯研究方法轉變
IBM 沃森研究中心發表了 “A statistical approach to language translation”，預示著機器翻譯從基于規則的翻譯向概率方法轉變。
1989 年，利用反向傳播算法優化手寫 ZIP 識別
貝爾實驗室的 Yann LeCun 和同事將反向傳播算法成功應用到多層神經網絡上，用于優化手寫郵政編碼識別，論文為：“Backpropagation Applied to Handwritten Zip Code Recognition”。
Yann LeCun
（1960 –）深度學習領域三巨頭之一，Facebook 首席人工智能科學家，對 CNN 在深度學習領域的應用做出了貢獻。2018 年圖靈獎得主。
1990 年，Rodney Brooks 發表“大象不下棋”
“Elephants Don’t Play Chess” 跟大象沒啥關系，提出了在與環境交互的基礎上打造人工智能系統的想法。
Rodney A. Brooks
Rodney Allen Brooks，作家，iRobot 創始人、Rethink Robotics CTO。
1993 年， Vernor Vinge 發文“即將到來的技術奇點”
Vernor Vinge 在 “The Coming Technological Singularity” 中指出，30 年內人類就可以創造出超級智能。奇點就是人工智能超過人類智力極限的時間點。
1997 年，長短時記憶網絡 LSTM 提出
LSTM 由 Sepp Hochreiter 和 Jürgen Schmidhuber 開發，解決了原循環神經網絡的問題，是當前最流行的一種 RNN，廣泛應用在語音識別、圖片描述、自然語言處理等領域。
Jürgen Schmidhuber
（1963 – ）瑞士計算機科學家，在深度學習和人工神經網絡領域做出了很大貢獻。
1997 年，IBM 下棋程序“深藍”擊敗世界冠軍卡斯帕羅夫
圖片來自：spiritegg.com
1998 年，第一個寵物機器人 Furby 誕生
圖片來自：Amazon
1998 年，Yann 等發表手寫識別及反向傳播相關論文
Yann LeCun、Yoshua Bengio 等的論文 “Gradient-based learning applied to document recognition” 是深度學習領域經典論文。其中 Yann LeCun 設計的 LeNet-5 ，是世界上第一個正式的卷積神經網絡。
AI 寒冬到 90 年代這段時間，學術方面的經典研究都大多是神經網絡領域的。
Yoshua Bengio
（1964 – ），深度學習三巨頭之一，加拿大計算機科學家，與 Ian Goodfellow、Aaron Courville 合著圖書《深度學習》。2018 年圖靈獎得主。
1999 年，沃卓斯基兄弟執導的《黑客帝國》上映
《黑客帝國》海報（來自豆瓣）
2000 年，MIT 開發機器人 Kismet，可識別和模擬人類情緒
圖片來自：MIT Museum
2000 年，本田開發類人機器人 ASIMO
圖片來自：Wikimedia
2001 年，斯皮爾伯格執導的《人工智能》上映
《人工智能》海報（來自豆瓣）
2004 年，首屆無人車頂級賽事 DARPA Grand Challenge 舉辦
DARPA 組織了第一屆無人車挑戰賽 Grand Challenge，全程 150 英里。參賽隊伍包括斯坦福、卡內基梅隆大學等頂尖高校，遺憾的是，沒有一個完成比賽。讀了一篇 Medium 文章說最給力的也只行駛了 7 英里。然而，第二年就有參賽隊伍完賽了。
DARPA 是美國國防高等研究計劃署的英文縮寫（Defense Advanced Research Projects Agency），在美國科技發展中發揮了重要作用。早期 AI 的起起落落也跟 DARPA 研究經費收緊與否密切相關。
卡內基梅隆大學的 Red Team（wiki）
2005 年，加斯·詹寧斯執導的《銀河系漫游指南》上映
《銀河系漫游指南》海報（來自豆瓣）
2006 年，Oren Etzioni 等首創 machine reading 一詞
2006 年，辛頓發表 “Learning Multiple Layers of Representation”
2007 年，李飛飛和普林斯頓大學同事啟動 ImageNet 項目
ImageNet 是圖像處理領域最有名的數據集之一。基于 ImageNet 數據集進行的 ILSVRC（ImageNet 大規模視覺識別挑戰賽）相當于計算機視覺領域權威評測，始于 2010 年，終于 2017 年。
李飛飛
（Fei-Fei Li）斯坦福大學人工智能實驗室主任，曾任 Google Cloud 首席科學家。
2009 年，Rajat Raina 等發文闡述 GPU 對深度學習的重要性
Rajat Raina、Anand Madhavan 和 Andrew Ng 發表 “Large-scale Deep Unsupervised Learning using Graphics Processors”，指出 GPU 對深度學習的重要性。
吳恩達
（Andrew Ng）Coursera、Google Brain 聯合創始人，曾任斯坦福大學人工智能實驗室主任、百度首席科學家。
2009 年，西北大學開發 Stats Monkey 程序，自動寫體育新聞稿
2009 年，谷歌開始秘密研發無人車；2014 年，谷歌無人車首度通過內華達州無人駕駛測試
2010 年，ImageNet 大規模視覺識別挑戰賽開始舉辦
2010 年，DeepMind 成立，2014 年被谷歌收購
DeepMind 是英國人工智能公司。讓 DeepMind 名聲大噪的是，其開發的人工智能圍棋程序 AlphaGo 2016 年擊敗韓國國手李世乭，核心算法是強化學習。
Demis Hassabis
16 歲考入劍橋大學計算機系，22 歲創辦電腦游戲公司，29 歲回倫敦大學讀認知神經學博士，34 歲創辦 DeepMind。
2011 年，卷積神經網絡在德國交通標志識別競賽中擊敗人類
2011 年，沃森在知名智力問答節目中擊敗人類選手
Watson 在美國智力問答節目 Jeopardy! 中擊敗前兩屆冠軍。Watson 是 IBM 制造的計算機問答系統，涉及高級自然語言處理、消息檢索、知識表示、自動推理、機器學習等技術。
圖片來自：Inverse
2011 年，卷積神經網絡進一步降低手寫識別誤差率
瑞士人工智能研究所 IDSIA 工程師報告了他們的研究。IDSIA 是歐洲知名人工智能研究所，由 Angelo Dalle Molle 于 1988 年創立， Jürgen Schmidhuber 是現任科學主任。
2012 年 6 月，深度網絡經過自主學習識別出貓
Jeff Dean、吳恩達等設計的大規模分布式深度網絡 DistBelief 通過學習1000 萬張圖像，成功在 YouTube 視頻中識別出了“貓”，系統事先并沒有任何關于貓的概念 。
Jeff Dean
（1968 – ）美國知名計算機科學家、軟件工程師。Google AI 負責人，Google Brain 聯合創始人。
2012 年 10 月， ILSVCR 誕生具有里程碑意義的 AlexNet
AlexNet 是一種卷積神經網絡，由辛頓的學生 Alex Krizhevsky 設計。AlexNet 在 ILSVCR 中的錯誤率大幅降低（16%），而去年是 25%。相關論文：“ImageNet Classification with Deep Convolutional Neural Networks”。
AlexNet 的重要意義還在于，它跟之前的一些研究，包括 Ciresan 等人用 CUDA 實現深度卷積網絡等，共同引爆了接下來深度學習的研究。
2014 年，亞歷克斯·嘉蘭執導的《機械姬》上映
《機械姬》海報（來自豆瓣）
2015 年，三巨頭經典論文 “Deep learning” 發表
Yann LeCun、Yoshua Bengio、Geoffrey Hinton 在 Nature 上發表的 “Deep learning” 是機器學習領域最為經典的論文之一。
2015 年 11 月，谷歌推出機器學習系統 TensorFlow
2016 年 3 月，AlphaGo 擊敗韓國圍棋國手李世乭
比賽截圖（來自 wiki）
2017 年 1 月， Libratus 擊敗四位頂級德州撲克選手
Libratus 是卡納基梅隆大學開發的德州撲克人工智能程序，同 AlphaGo 一樣，Libratus 的核心算法也是強化學習。
2017 年 10 月，谷歌發布人工智能耳機 Pixel Buds
在道格拉斯經典科幻小說《銀河系漫游指南》改編的電影中，將巴別魚塞到耳朵里就可以實時地聽到外星人的翻譯。Pixel Buds 的賣點也是實時翻譯，支持 40 種語言。
2017 年 10 月，辛頓團隊發文提出新神經網絡 CapsNets
“Dynamic Routing Between Capsules” 一文中提出的 CapsNets 是更符合大腦信息處理邏輯的新型神經網絡，在理念上具有重大突破。
2018 年 2 月，刷臉支付入選 MIT 2017 年度 “十大突破技術”
MIT 2017 年度 “十大突破技術”包括：強化學習、自動駕駛貨車、太陽能光伏電池、刷臉支付、360 度自拍、基因療法 2.0、細胞圖譜、實用型量子計算機、治愈癱瘓、僵尸物聯網。中國上榜公司為 Face++、百度和阿里巴巴。
2018 年 8 月，谷歌推出強化學習新框架 Dopamine（多巴胺）
Dopamine 基于 TensorFlow，主打靈活性、穩定性、復現性，能夠提供快速基準測試。
強化學習的鼻祖人物是強化學習的發明人 Andy Barto 和他的學生 Richard Sutton，兩位出版了強化學習權威圖書：
Reinforcement Learning: An Introduction。
2018 年 9 月，杭州城市大腦 2.0 正式發布
2016 年 10 月的杭州云棲大會上，阿里云啟動“城市大腦”項目，這是人工智能用于中國城市發展規劃的實踐。
2018 年 9 月，大規模 GAN 訓練取得進展
赫瑞-瓦特大學的 Andrew Brock 和 DeepMind 團隊的 Jeff Donahue、Karen Simonyan 在論文 “Large Scale GAN Training for High Fidelity Natural Image Synthesis” 中展示了大規模 GAN 訓練方面的進展。生成對抗網絡（GAN）可以生成看起來非常逼真的圖像。
2018 年 10 月，谷歌 DeepMind 開源 GraphDL 工具包 Graph Nets
圖網絡是將圖作為輸入和輸出的神經網絡，該概念在 “Relational inductive biases, deep learning, and graph networks” 一文中提出。業內人士認為，圖網絡或許可以解決深度學習因果推理問題。
2018 年 10 月，機器人 Atlas 跨越障礙完成三級跳
Atlas 是 DARPA 跟波士頓動力合作研發的人形機器人，專為各種搜索及拯救任務而設計，初次亮相是 2013 年。波士頓動力先后被谷歌和軟銀收購。
圖片來自：Wikimedia
2018 年 11 月，谷歌開源 NLP 預訓練模型 BERT
BERT 的全稱是 Bidirectional Encoder Representation from Transformers（基于 Transformer 的雙向編碼器表征），被認為是當前最強的 NLP 預訓練模型。在機器閱讀理解頂級測試 SQuAD1.1 中表現驚人。
2019 年 3 月，辛頓、本吉奧、楊立昆獲 2018 年圖靈獎
三位一直被媒體稱為“深度學習三巨頭”，因深度學習方面的貢獻獲圖靈獎。其中辛頓對反向傳播算法、楊立昆對卷積神經網絡，本吉奧對循環神經網絡的貢獻尤為突出。
參考文獻
1.《人工智能簡史》（尼克，人民郵電出版社）
2. https://www.forbes.com/sites/gilpress/2016/12/30/a-very-short-history-of-artificial-intelligence-ai
3. https://en.wikipedia.org/wiki/History_of_artificial_intelligence
https://aitopics.org/misc/brief-history
4. http://frc-west.github.io/courses/ELT1130/1-Robots/4-Usage/
5. https://www.technologyreview.com/lists/technologies/2018/
6. 維基百科
7. Wikimedia
8. 豆瓣
9. 更多網絡圖片已經標注來源網站
10. 最后推薦一下尼克老師的這本《人工智能簡史》，不光寫了 AI 發展史，對關鍵人物的“家底”著墨很多，并不是所有人都喜歡這種寫法，我個人覺得挺有趣。
●輸入m獲取到文章目錄
