人工智能的歷史:時間軸、進步與發展

已發表: 2020-09-04

人工智能是一個有 60 年曆史的年輕領域,其中包括一套模仿人類智能的技術、理論、科學和算法。 人工智能在我們的生活中扮演著非常重要的角色。 隨著人工智能的實施,工業革命使商業取得了很大的發展。 在這篇博客中,我們將討論對人工智能歷史的展望

人工智能

資源

目錄

什麼是人工智能?

人工智能被定義為機器執行通常由人類執行的任務和活動的能力。 人工智能組織和收集大量數據以產生有用的見解。 它也被稱為機器智能。 它是計算機科學的一個領域。

閱讀:人工智能的職業機會

時間線簡介

除了數學和計算機科學之外,經濟學、心理學、信念和生物工程的貢獻在整個人工智能歷史上都是顯著的 一切開始的確切時間線是 1950 年。約翰·麥卡錫介紹了人工智能這個詞。 約翰與艾倫·紐厄爾、艾倫·圖靈、馬文·明斯基和赫伯特·西蒙一起是人工智能的奠基人。 他們對人工智能歷史做出了重大貢獻

人工智能的進步與發展:人工智能簡史

  • 人工智能進步最關鍵的推動力是在第二次世界大戰期間。 馬文·明斯基在 1950 年推出了第一台中性計算機。同年,艾倫·圖靈還開發了圖靈測試。
  • 1952 年的時間線在人工智能的整個歷史中起著至關重要的作用 問題解決開發旨在模仿人類解決問題的方法。 亞瑟塞繆爾在 1952 年發起了一個自學項目。
  • 1954 年,IBM 組織嘗試了自動機器翻譯。
  • 1956 年,Herbert Simon 和 Allen Newell 開發了第一個邏輯理論家的推理項目。
  • 1959 年,IBM 組織的 Nathaniel Rochester 開發了一個程序來證明幾何定理。 亞瑟塞繆爾開發了機器學習這個短語。 Marvin Minsky 和 ​​John McCarthy 也提出了 MIT AI 項目。
  • 1963 年,麥卡錫在斯坦福創立了人工智能實驗室。
  • 從 1966 年到 1973 年,缺乏影響人工智能發展的產出。 計算算法的複雜性限制了人工智能在這個時間線上的進步。 斯坦福大學的研究人員從質譜儀信息中引入了 DENDRAL。
  • 在那個時間表之後,研究人員專注於人工智能特定的應用程序。
  • 1972 年,開發了 PROLOG 語言。
  • 計算機系統浪潮在 1974 年的時間線上發展起來。隨著時間的推移,它們變得越來越便宜,並且可以存儲更多的數據。 人工智能歷史上最好的部分是它在這個時間線上實現了 NLP(自然語言處理)。
  • 1980 年的時間線是人工智能之年。 人工智能的研究隨著工具和資金的增長而推進。 這條時間線開啟了整個人工智能歷史上的人工智能新時代 第一個商業系統,稱為數字設備公司,於 1980 年開發。
  • 第五代計算機項目由日本通商產業省於 1982 年啟動。
  • 美國政府於 1983 年制定了一項戰略計算項目。
  • 2000 年代的時間線是人工智能的里程碑。
  • 2005年,自動駕駛贏得了DARPA的盛大挑戰。
  • 2008 年,谷歌在語音識別方面取得了進展。
  • 2014 年,谷歌製造了自動駕駛汽車。

另請閱讀:印度的人工智能薪資

人工智能無處不在

人工智能每天都在發展。 今天,人工智能無處不在。 人工智能研究不斷增加。 人工智能現在已經在生活的各個階段變得司空見慣。 現在,隨著人類和機器開始協同運作,組織和工作場所變得更加高效和智能。 人工智能用例在銀行、製造、技術、娛樂、天氣預報、營銷、健康診斷等各個行業都取得了成效。 u pGrad提供有關此類主題的多個其他博客。 您可以訪問他們的網站以進一步閱讀有關此類主題的信息。

判決

人工智能歷史上的旅程是巨大的。 從教育、醫療保健、電力、電子商務和技術開始,今天一切都是自動化的。 人工智能技術執行多項需要人類推理和思考的任務。 認知心理學是認知科學所有進步領域的主要工具之一。 人工智能技術有助於實現有效性和效率。 現在,機器可以執行最聰明的人類。

如果您有興趣了解有關機器學習和人工智能的更多信息,請查看 IIIT-B 和 upGrad 的機器學習和人工智能 PG 文憑,該文憑專為在職專業人士設計,提供 450 多個小時的嚴格培訓、30 多個案例研究和作業, IIIT-B 校友身份、5 個以上實用的實踐頂點項目和頂級公司的工作協助。

使用人工智能有什麼限制?

高質量數據的可用性是人工智能實施的最大障礙之一。 數據經常不一致且質量低下,這對尋求大規模利用人工智能創造價值的公司構成了障礙。 為了應對不斷變化的企業環境,必須定期更新軟件程序。 整個人工智能係統的成本相當高,很多行業都買不起。 不能期望機器以創造性的方式運行。 在這種情況下需要人工干預。

機器學習和人工智能如何相互關聯?

機器學習是人工智能的一個子集。 它本質上是一種將人工智能付諸實踐的方法。 機器學習是人工智能 (AI) 和計算機科學的一個領域,專注於使用數據和算法來模仿人們的學習方式。 ML 是 AI 的一個子集,它通過從數據中學習和做出預測來解決需要人類智能的問題。

我需要成為編碼專家才能學習人工智能嗎?

機器學習或人工智能方面的專家需要對編碼有深刻的理解,但重點是機器學習模型和算法,使用各種庫(如 NumPy、Pandas 和 SciPy)的能力,以及使用 Hadoop 開發分佈式系統的技能, 除其他事項外。 要在人工智能方面做得好,您需要對許多編程語言有基本的了解,儘管不需要成為這些語言的專家。