人工智慧到機器學習再到深度學習簡史

1943 - 1956 人工智慧的誕生

• 1930 年代末到 1950 年代初，控制論、資訊理論、計算理論、人工神經元網絡的概念奠定了AI基礎
• 1943 年，IBM 702 成為 AI 研究的首部電腦
• 1950 年，圖靈提出圖靈測試評估機器智能
• 1951 年，遊戲AI取得業餘棋力，Marvin Lee Minsky 建造第一神經網絡機SNARC
• 1955 年，開發「邏輯理論家」證明定理
• 1956 年，人工智慧成為學科，達特矛斯會議確立人工智慧名稱和任務

1956 - 1974 黃金年代

• 研究工作包括使用搜索和啟發式算法解決各種問題，特別是自然語言處理，一些早期聊天機器人也出現了
• 微世界概念出現，簡單的場景幫助研究基本原則，如機器視覺
• 第一代AI研究者對AI的前景充滿樂觀，政府機構（像 DARPA ）提供了大量資金支持AI研究

1974 - 1980 第一次 AI 低谷

當時AI面臨的困難

1. 電腦性能不足，難以處理複雜問題，特別是自然語言處理
2. 計算複雜性和指數爆炸問題，需要大量計算時間
3. 缺乏常識和推理能力，AI 需要大規模知識庫，但當時難以取得
4. 莫拉維克悖論對某些看似簡單的任務的難度提出挑戰，如人臉辨識
5. 使用邏輯方法的AI研究者在處理常見問題時需要調整邏輯結構，導致新邏輯學方法的發展
   兩大派別：

• 簡約派（ the neats ） 強調使用邏輯和 Prolog 語言進行 AI 研究，提出邏輯思維和基於規則的推理
• 蕪雜派（ the scruffies ） 強調使用框架和腳本讓電腦仿效人類思考，提出框架和腳本的概念，處理認知性質的問題

1980 - 1987 繁榮

• 專家系統蓬勃發展，應用廣泛
• 知識處理成主流，常識問題重要
• 第五代工程和其他大型項目推動AI發展
• 聯結主義再次崛起，神經網絡應用拓展

1987 - 1993 第二次AI低谷

• 商業對 AI 的熱潮和冷卻遵循經濟泡沫的模式，導致 AI 面臨了財政問題
• 1987 年，AI 硬體市場需求急劇下降，許多傳統 AI 公司面臨崩潰，部分原因是台式機性能超越昂貴的 Lisp 機
• 成功的專家系統像 XCON 開始出現高維護成本和限制，導致實用性受限
• 戰略計算促進會削減了對 AI 的資助，認為 AI 不是未來的主要方向
• 1991 年，第五代工程目標未能實現，一些目標直到 2010 年才實現
• 80 年代末，AI 研究者提出了新的方法，強調機器需要具有軀體和感知能力，從而提出了「自底向上」的智能創建方法，以重新激活控制論
• 一些研究者反對符號處理的智能模型，強調身體在智能中的重要性，提出「具身的心靈/理性/認知」論題

1993 - 2011 AI

• AI 開始實現了最初的目標，並取得了重大成就
• 高性能計算機的增長是實現這些成就的一個關鍵因素，計算性能大幅提高，並且超越了過去的計算機性能
• 1997 年，IBM 的深藍電腦擊敗了國際象棋世界冠軍卡斯帕羅夫
• 2005 年，Stanford 開發的機器人在 DARPA 挑戰大賽中成功自主行駛了長距離
• 2009 年，藍腦計畫宣稱成功模擬了部分鼠腦
• 2011 年，IBM 的 Watson 參加《危險邊緣》節目，最終擊敗了人類參賽者
• 2017 年，AlphaGo 在世界排名第一的棋手
• 智能代理能夠感知環境並最大化成功的機會，這一範式推動了對智能代理的學習，擴展了 AI 研究的範疇
• AI 研究者通過數學工具的使用，開始解決複雜的問題，並將數學語言引入 AI 領域，使 AI 成為一門更嚴格的科學分支
• 這一時期被描述為「簡約派的勝利」，AI 研究變得更加嚴謹，並使用數學工具來解決問題

2011 年 - 現代 深度學習，大數據和通用人工智慧

• 深度學習在圖像處理、語音識別和自然語言處理等領域取得突破性進展
• 隨著數據的爆炸性增長，大數據技術應運而生，強調對大量、多樣和高速的數據進行分析和應用，有助於提取有價值的資訊
• 強化學習，通過與環境的互動來取得最大化的預期利益，在自動化控制和遊戲中取得成功
• 對通用人工智慧的探索不斷進行，像大型語言模型如 GPT-3.5 通過強化學習實現了高度自然的文字對話
• 大數據應用滲透到生態學、經濟、醫學等領域，深度學習取得在電腦視覺和語音識別等領域的突破性成就

完賽感言

其實這 30 天給我最深的感受就是每天發文並不難，而是這些東西究竟是你已經學會了放出來教學，還是像我這樣什麼都不會拿來做筆記，如果是前者就是要費心費力咀嚼成解說，後者的話，就是要每天耗費許多心力去學習，不一定學透，但還是要發東西出來。

可以說，這 30 天我發的東西我自己都沒有學透，並且並且都是理論類的，可以說我在這 30 天對於機器學習有所理解，我學到了很多專有名詞，整理了關於一些演算法和機器學習的特點和學習邏輯，但關於機器學習實作的部分還是一竅不通，老實說寫一篇文就要花我 1 個多小時，我需要想好今天的主題，然後開始查資料，最後整理成自己的筆記，我想實作的部分只能我再加油了。

對自己還是蠻失望的，本來以為能夠學好東西，結過最後變成為了發文而發文，每天想到文還沒打就想嘆氣，以後有機會的話，一定一雪前恥，再來參加。

最後，謝謝各位一起參賽的夥伴，沒有你們我一定撐不下去！
這次的旅途就這樣結束了，好好咀嚼旅途上的失敗和挫折，為下次的旅途做好準備

參考資料

https://zh.wikipedia.org/zh-tw/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%8F%B2#%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E7%9A%84%E8%AF%9E%E7%94%9F%EF%BC%9A1943_-_1956