自从人类文明出现以来，人们就试图根据已掌握的知识和技术，创造某种机器来代替人的智力活动。最早的机器人出现于公元前850年，当时的希腊人造出了最早的机器人来帮助人们劳动。十七世纪法国物理学家和数学家巴斯卡造出了人类第一台计算器后，人类才看到了以机械代替人类智力活动的曙光。德国数学家哲学家莱布尼兹在巴斯卡的加法计算器的基础上发展并造出了能进行四则运算的计算器。十九世纪英国数学家巴贝兹致力于差分机的研究，尽管未能完全实现，但其设计思想是当时计算机的最高成就。进入20世纪后，人工智能(Artificial Intelligence，AI)有了突破性进展。1936年，24岁的英国数学家阿伦·图灵(Alan Turing)在他题为“理想计算机”的论文中，提出了著名的图林机模型，1945年，他发表了一系列论文论述了电子数字计算机的设计思想，1950年他在“计算机能思维吗？”一文中提出了著名的图灵测试，图灵的工作为人工智能奠定了坚实的基础。
诞生与成长
1956年，美国的达特茅斯大学(Dartmouth College)召开了一个计算机科学会议，出席会议的有心理学家、数学家、计算机科学家、信息论专家。会议上首次提出了人工智能(AI)这一学科，后来人们普遍认为AI始于这次会议。AI之父和LISP语言发明人约翰·麦卡锡(John McCarthy)在会议上为AI下了定义：“AI就是要让机器的行为看起来就象是人所表现出的智能行为一样。”麦卡锡的AI定义尽管很流行，但不全面，另一个定义指AI是人造机器表现出来的智能。目前，最被认可的AI定义为，能像人一样理性地思考和理性地行动的机器。行动被广义地理解为采取行动、制定行动的决策，并非肢体动作。AI分强AI和弱AI两类。强AI为能推理(Reasoning)和解决问题(Problem solving)的智能机器，是有知觉、有自我意识的机器。强AI分两类：类人AI，即能像人一样思考和推理的机器；非类人AI，即具有和人不同的知觉和意识的机器，其推理方式和人类不同。持弱AI观点的人认为不可能制造出能真正地推理和解决问题的智能机器，那些看起来像智能的AI，即不是真正的智能，也不具有自主意识。
约翰·麦卡锡
从1956年起，AI经历了40多年。目前，AI的目的是让电脑象人一样思考。那么怎样的机器才是有智能的机器呢？1950年，图灵发表了一篇划时代的论文，文中预言了创造出具有真正智能的机器的可能性。为了给智能概念下一个确切定义，他提出了著名的图灵测试：如果一台机器能够与人类展开对话而不能被辨别出其机器身份，该机器具有智能。2014年6月8日，首次有电脑通过图灵测试，尤金·古斯特曼(Eugene Goostman)在雷丁大学(University of Reading)举办的测试中，让研究人员以为一台电脑是一位13岁男孩，后来有人认为它并非真正通过了测试。
电脑出现后，人类才有了能模拟人类思维的装置。从那以后，科学家们一直在向这一目标努力，AI有了长足的进步。1997年5月，IBM研制的深蓝(Deep Blue)电脑战胜了国际象棋大师卡斯帕洛夫(Kasparov)。2016年1月，谷歌公司旗下的深度学习团队(Deepmind)开发的AI围棋软件AlphaGo，战胜了围棋欧洲冠军樊麾。这是AI首次战胜职业围棋手。AI战胜围棋业余强手是一年前的事，业余强手与职业棋手之间的差距，远大于职业棋手与职业顶尖棋手的差距。樊麾是职业二段，生于中国，是法国国家围棋队总教练，连续三年赢得欧洲围棋冠军的称号。欧洲冠军与世界最强之差大概是让先到让两子之间，对人类而言这可能是天堑，但对AI来说，一步就过去了。用围棋作为AI的研究领域意义重大。围棋规则简单，变化繁多，结果不定，没有正解。从初始值无法计算到终局，围棋的每一步都有判断、权衡、取舍。一般认为棋类的标准化程度高，但认知复杂度不够。而围棋不同，它兼备标准测试集与认知复杂度高的双重特点，这使AI在围棋上的突破具有划时代的意义。AlphaGo在以往围棋AI通常采用的蒙特卡洛法外，加了两个神经网络，减少了搜索的广度和深度：用价值网络评估棋子位置的优劣，用策略网络为下一步取样。与樊麾的对局中，靠精准的评估和聪明的棋步选择，AlphaGo与人类的思维非常接近，但其计算量比IBM的深蓝电脑少了上千倍。
2016年3月，AlphaGo以4:1的战绩战胜了围棋世界冠军李世石。从此，人类在所有棋类竞赛中全部败给了电脑。这为AI开启了一个全新时代。围棋很难被攻破的原因是其复杂度，每步棋有300多种可能，一盘棋有200多步，其总状态量超过了宇宙中所有原子的数量，这是个不能被完全搜索的状态，棋手必须通过估算和直觉进行计算和思考。但电脑的深度学习算法，给了机器人类的直觉，能预测对手的下一步走法，同时优化自己的走法，AlphaGo做到了知己知彼。
AlphaGo
围棋是满足马尔科夫条件的博弈，即当前状态已包含了决定这一步最佳下法的所有信息，而不需要考虑之前的历史。围棋因此可以用增强学习(RL)来处理，与IBM的深蓝相同。但AlphaGo的成功得益于高速电脑。为了了解对手，AlphaGo采用监督学习和基于蒙特卡洛树搜索的增强学习算法。它有两个深度学习网络。一是策略网络，分析棋盘上每个位置的价值，并为其打分。还一个估值网络，估算双方胜率。这两个网络和搜索方法使电脑的博弈能力大增。复盘时，AlphaGo在开局时认为自己的胜率大于60%，收官时胜率达90%。AlphaGo对棋局的掌控超过了棋手，棋局几乎完全在它掌控之中。但现实中马尔科夫条件并不总能满足。于是，我们需要通用的AI(Artificial General Intelligence，AGI)，需要更加巧妙的学习算法。
人工智能的应用
除了AlphaGo，谷歌还有一项实用的AI项目也很成功，那就是无人驾驶汽车。这是一项充满挑战又有趣的AI实验。谷歌在一辆改装的雷克萨斯SUV上装了雷达、摄像头、和传感器。它从这些传感器得知路况，然后由高速电脑用特定AI算法实现无人驾驶。无人车的安全性能很好，它的驾驶方式与人类不同。它会在设有停车观察的路口停车，会突然变道避开货车也会在没有明显原因的情况下停车。无人车对周围360度范围内的路况不断地检测，然后绝对安全地行驶。项目首席程序员德米崔·道尔格夫(Dmitri Dolgov)说，无人车比人类驾驶更安全。事实上，无人车减少了90%的车祸。谷歌无人车项目负责人克里斯·尤姆森(Chris Urmson)说，无人车每年能挽救30,000个美国人的生命，在世界范围内能挽救120万人的生命。
无人车将路上的轿车、卡车、自行车以及行人进行分类。激光雷达提供了物体的深度和距离，摄像头负责识别路况标志及信号灯。车载电脑负责实时处理和决策。但只要一个程序错误就会导致车祸。无人车目前采用最保守的方案——只在确保安全的情况下动作。道尔格夫说，目前无人车只有新手的水平。
无人车对人类社会的影响巨大。它与手机不同，无人车影响着人类的交通及社会架构。它将改变人们的出行方式，降低污染。无人驾驶技术已被很多汽车公司部分采用。奔驰的某些车辆就能自动泊车；特斯拉在高速公路、和沿着一条道行驶中使用自动驾驶功能。尤姆森说，谷歌无人车将在若干年内正式上路。除了机器学习算法、传感器以及地图导航等技术的进步，经济利益是推动无人车研发的动因之一。
2009年，谷歌着手开发无人车的时候，无人车团队采用的是丰田普锐斯(Prius)，他们给普锐斯装上了摄像头、传感器及75000美元的激光雷达。他们不断通过实验来改进相关设计和技术。很快，他们遇到了一个根本性问题——无人车是为了实现全自动驾驶还是人类驾驶的辅助工具呢？
2012年秋天，项目到了一个十字路口。当时的无人车仍有方向盘。测试中，当无人车无法确定下一步行驶方案时，它就发出警告，把驾驶权交给测试者。出于为残障人士和谷歌的利益考虑，尤姆森决定把团队的研发重点放在全自动驾驶上。
2013年，他们设计了一辆没有方向盘的无人车。为了安全，车的最高时速只有25公里。现在，谷歌无人车每周行驶1万公里以上，累计行程已经超过了1百万公里。尤姆森表示，他们目前的任务是让无人车能应对更复杂的路况——地图中没有的路段、有人突然出现在车前方等情况。很多情况是无人车很难处理的。这些情况涉及到情感和法律。比如，周围车辆因违法驾驶导致了无法避免的事故时，无人车很难决定该怎样做。这些情况人类都很难下判断。无人车曾在变道过程中出过事，并成了舆论焦点。无人车不仅是技术不成熟，人类也没做好准备。但大多数AI专家认为，未来必然会出现城市无人车，人类将依靠无人车进行交通运输。无人车的还提出了人类该如何与高科技共处的问题。人类应该让机械承担哪些任务？并愿意为此承担多少风险？电脑可能犯错，并引发事故？车辆该怎样避免被黑客入侵？这些问题都需要被认真考虑。
目前的AI应用有五个领域：一、问题求解：该领域中，AI最大成就是下棋，在下棋中应用AI算法，把难题分解成较容易的子问题，然后运用搜索和归纳这样的AI算法完成博弈。下棋程序已超出了世界锦标赛水平。二、逻辑推理与定理证明：逻辑推理是AI最早研究的领域，人们找到一些算法，分析大型数据库中的数据，以此来进行逻辑推理，并用新信息实时修正其推理。人们运用AI来证明数学猜想，找出证明或反证，这需要一个根据假设进行演绎的程序。一些貌似非形式的工作，像医疗诊断和信息检索也可以和定理证明一样形式化，并运用和定理证明相同的方法来解决。三、自然语言处理：这是AI的实用典型，经过多年努力，已获得了很好的成果。目前该领域的研究重心是：电脑如何以主题和对话情境为基础，生成并理解自然语言。这是极其复杂的编码和解码问题。四、智能信息检索：信息获取和精确化是计算机科学研究中极重要的课题，AI是该领域最有效的工具。五、专家系统：专家系统是目前最活跃、最有效的领域。这是一个在特定领域内由大量知识与经验建立的程序系统。专家系统中，AI是最有效的工具。人类专家因其知识丰富，达成了强大的解决问题能力。若电脑能同样运用这些知识，就该有人类专家解决问题的能力，还能帮助人类专家发现差错。在矿物勘测、化学分析、和医学诊断中，专家系统已达到了人类专家的水平。地质学专家系统PROSPECTOR发现了一个价值超过1亿美元的钼矿。化学结构分析专家系统DENDRL的性能超过了一般人类专家。MY CIN系统对血液传染病的诊断治疗方案为医生提供专业的咨询意见，其对细菌血液病、脑膜炎方面的诊断和治疗方案已超过了这方面的人类专家。
