达特茅斯会议推动了全球*次人工智能浪潮的出现，即为1956年到1974年。当时乐观的气氛弥漫着整个学界，在算法方面出现了很多世界级的发明，其中包括一种叫做增强学习的雏形（即贝尔曼公式），增强学习就是谷歌AlphaGo算法核心思想内容。现在常听到的深度学习模型，其雏形叫做感知器，也是在那几年间发明的。
60年前的达特茅斯大学
除了算法和方法论有了新的进展，在*次浪潮中，科学家们还造出了聪明的机器。其中，有一台叫做STUDENT（1964）的机器能证明应用题，还有一台叫做ELIZA（1966）的机器可以实现简单人机对话。于是，人工智能界认为按照这样的发展速度，人工智能真的可以代替人类。
*次人工智能冬天出现在1974年到1980年。这是怎么回事呢？因为人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务，稍微超出范围就无法应对。这里面存在两方面局限：一方面，人工智能所基于的数学模型和数学手段被发现有一定的缺陷；另一方面，有很多计算复杂度以指数程度增加，所以成为了不可能完成的计算任务。
先天缺陷导致人工智能在早期发展过程中遇到瓶颈，所以*次冬天很快到来，对人工智能的资助相应也就被缩减或取消了。
进入20世纪80年代，卡耐基·梅隆大学为DEC公司制造出了专家系统（1980），这个专家系统可帮助DEC公司每年节约4000万美元左右的费用，特别是在决策方面能提供有价值的内容。受此鼓励，很多国家包括日本、美国都再次投入巨资开发所谓第5代计算机（1982），当时叫做人工智能计算机。
在80年代出现了人工智能数学模型方面的重大发明，其中包括著名的多层神经网络（1986）和BP反向传播算法（1986）等，也出现了能与人类下象棋的高度智能机器（1989）。此外，其它成果包括能自动识别信封上邮政编码的机器，就是通过人工智能网络来实现的，精度可达99%以上，已经超过普通人的水平。于是，大家又开始觉得人工智能还是有戏。
早期的专家系统Symbolics 3640
然而，1987年到1993年现代PC的出现，让人工智能的寒冬再次降临。当时苹果、IBM开始推广*代台式机，计算机开始走入个人家庭，其费用远远低于专家系统所使用的Symbolics和Lisp等机器。相比于现代PC，专家系统被认为古老陈旧而非常难以维护。于是，政府经费开始下降，寒冬又一次来临。
那时，甚至学者们都不太好意思说是从事人工智能研究的。人们开始思考人工智能到底往何处走，到底要实现什么样的人工智能。
【本文由投资界合作伙伴钛媒体授权发布，本平台仅提供信息存储服务。】如有任何疑问，请联系（editor@zero2ipo.com.cn）投资界处理。
清科创业（1945.HK）旗下
创业与投资资讯平台
旗下微信矩阵：
