人工智能什么時(shí)候被發(fā)明？一.起源說到人工智能的歷史，所有的書都會提到1956年的達(dá)特茅斯會議。在這次大會上，人工智能的鼻祖約翰·麥卡錫是發(fā)起者，明斯基也積極參與其中，包括香農(nóng)本人，他因?yàn)樘岢鲂畔⒄摱?/p>

人工智能什么時(shí)候被發(fā)明？

一.起源

說到人工智能的歷史，所有的書都會提到1956年的達(dá)特茅斯會議。在這次大會上，人工智能的鼻祖約翰·麥卡錫是發(fā)起者，明斯基也積極參與其中，包括香農(nóng)本人，他因?yàn)樘岢鲂畔⒄摱谖覀兊慕炭茣蟹浅Ｓ忻?/p>

麥卡錫和明斯基曾在貝爾實(shí)驗(yàn)室為香農(nóng)工作。當(dāng)時(shí)他們研究的核心是圖靈機(jī)，被視為智能活動的理論基礎(chǔ)。

后來麥卡錫去IBM工作，認(rèn)識了研究神經(jīng)網(wǎng)絡(luò)的羅切斯特，并得到洛克菲勒基金會的資助。他決定第二年在達(dá)特茅斯舉辦一個(gè)關(guān)于人工智能的夏季研討會，這就是人工智能這個(gè)名字的由來。

從1955年到1965年，人工智能進(jìn)入快速發(fā)展期。在機(jī)器學(xué)習(xí)領(lǐng)域，a "跳棋程序和出現(xiàn)了，1959年人工智能打敗人類的事件，打敗了當(dāng)時(shí)設(shè)計(jì)他的設(shè)計(jì)師塞繆爾，1962年打敗了州跳棋冠軍。

在模式識別領(lǐng)域，Oliver selfridge于1956年開發(fā)了第一個(gè)字符識別程序，并于1963年發(fā)明了符號整合程序SAINT。1967年，圣之罪的升級版達(dá)到了專家級。

同時(shí)，美國也投入了2000萬美元作為機(jī)器翻譯的研究經(jīng)費(fèi)。參與達(dá)特茅斯的專家們紛紛發(fā)表評論。不出十年，計(jì)算機(jī)將成為世界象棋冠軍，可以證明數(shù)學(xué)定理和譜寫優(yōu)美的音樂，并能在2000年超越人類。

二、第一個(gè)寒冷的冬天

然而，1965年人工智能迎來小后，質(zhì)疑的聲音也隨之而來。塞繆爾設(shè)計(jì)的跳棋程序停留在擊敗周的冠軍。因?yàn)闄C(jī)器翻譯領(lǐng)域一直無法突破NLP，1966年，美國發(fā)表了一份名為 "語言與機(jī)器，完全否定了機(jī)器翻譯的可行性。

1969年，創(chuàng)始人之一明斯基表示，第一代神經(jīng)網(wǎng)絡(luò)(感知器)無法學(xué)習(xí)任何問題，美國和美國自然基金會大幅削減了人工智能領(lǐng)域的研究經(jīng)費(fèi)。上世紀(jì)70年代，人工智能經(jīng)歷了近10年的寒冬期。

第三，第二次和寒冬

直到20世紀(jì)80年代，人工智能才進(jìn)入第二次發(fā)展?？▋?nèi)基梅隆大學(xué)為日本DEC公司設(shè)計(jì)的XCON專家規(guī)則系統(tǒng)(專注于解決某個(gè)有限領(lǐng)域的問題，有2500條規(guī)則專門用于選擇電腦配件，從而避免了常識性問題)每年可以為公司節(jié)省數(shù)千萬美元。

同期，日本撥款8.5億美元支持人工智能領(lǐng)域的科學(xué)研究。主要目標(biāo)包括能夠與人交流、翻譯語言、理解圖像和像人一樣進(jìn)行推理的機(jī)器。

但是后來發(fā)現(xiàn)專家系統(tǒng)不是通用的，沒有隨著概率論和神經(jīng)網(wǎng)絡(luò)的融合，它不具備自學(xué)習(xí)能力，維護(hù)專家系統(tǒng)的規(guī)則越來越復(fù)雜，日本制定的目標(biāo)沒有實(shí)現(xiàn)。人工智能研究領(lǐng)域再次遭遇資金困境，人工智能發(fā)展進(jìn)入第二個(gè)冬天。

第四，第一次計(jì)算能力和算法爆發(fā)

20世紀(jì)90年代，計(jì)算機(jī)的計(jì)算能力表現(xiàn)在摩爾 美國的法律不斷被打破。每18-24個(gè)月，英特爾 s處理器可以翻倍，同樣大小的集成電路密度可以翻倍，同一臺計(jì)算機(jī)的處理能力也可以翻倍。

1989年，還在貝爾實(shí)驗(yàn)室的楊麗坤通過CNN實(shí)現(xiàn)了人工智能對手寫編碼數(shù)字圖像的識別。

1992年，當(dāng)時(shí)還在蘋果工作的李開復(fù)設(shè)計(jì)了Casp《learning of multiple layers of representation》為當(dāng)代神經(jīng)網(wǎng)絡(luò)奠定基礎(chǔ)的全新架構(gòu)。

2007年也在斯坦福任教的女科學(xué)家李菲菲教授發(fā)起了Imag《新一代人工智能發(fā)展規(guī)劃》明確了新一代人工智能發(fā)展的戰(zhàn)略目標(biāo):到2020年，人工智能整體技術(shù)和應(yīng)用與世界同步 美國先進(jìn)水平，人工智能產(chǎn)業(yè)將成為新的重要經(jīng)濟(jì)增長點(diǎn)，人工智能技術(shù)的應(yīng)用將成為提高生活水平的新途徑。;的生計(jì)。

到2025年，人工智能基礎(chǔ)理論將實(shí)現(xiàn)重大突破，部分技術(shù)和應(yīng)用將走向世界 的領(lǐng)先水平。人工智能將成為發(fā)展的主要驅(qū)動力。;產(chǎn)業(yè)升級和經(jīng)濟(jì)轉(zhuǎn)型，智能社會建設(shè)將取得積極進(jìn)展；到2030年，人工智能的理論和技術(shù)其應(yīng)用已達(dá)到世界領(lǐng)先水平，成為世界 美國主要的人工智能創(chuàng)新中心。

高斯牛頓迭代法？

高斯-牛頓迭代法是一種在非線性回歸模型中尋找回歸參數(shù)并進(jìn)行最小二乘的迭代方法。該方法利用泰勒級數(shù)展開近似代替非線性回歸模型，然后通過多次迭代對回歸系數(shù)進(jìn)行多次修正，使回歸系數(shù)不斷逼近非線性回歸模型的最優(yōu)回歸系數(shù)，最后使原模型的殘差平方和最小。

直觀的思路是先選取一個(gè)參數(shù)向量的參數(shù)值β。如果函數(shù)ft(Xt，β)在β0附近有連續(xù)的二階偏導(dǎo)數(shù)，則在β0的鄰域內(nèi)可近似視為線性，因此可用線性最小二乘法近似求解。