文章将带领大家回顾计算机科学家们是如何将人工智能从最初的萌芽状态发展到今天，支撑起那些每天被数亿用户使用的应用。

人工智能是最早出现的领域之一，也是最大、最外侧的领域；其次是机器学习，稍晚一些；最内侧则是深度学习，它是推动人工智能发展的核心动力。

20世纪50年代，人工智能一度备受瞩目。随后，人工智能的一些分支逐渐发展起来，首先是机器学习，然后是深度学习。深度学习是机器学习的一部分，它带来了前所未有的巨大影响。

从概念到繁荣

1956年的达特茅斯会议首次提出了“人工智能”的概念。此后，人工智能的概念一直吸引着人们的关注，并在科研实验室中逐步实现。接下来的几十年里，人们对人工智能的看法经历了起伏，有时将其视为人类未来的希望，有时则认为它不过是技术狂热者的幻想。直到2012年之前，这两种观点依然共存。

近年来，尤其是在2015年后，人工智能迎来了爆发式增长。这很大程度上得益于GPU的广泛应用，使并行计算变得更加高效、快速和经济。此外，存储能力和海量数据的结合，推动了图像数据、文本数据、交易数据和地图数据的大规模爆发。

接下来，我们将探讨计算机科学家们是如何将人工智能从最初的萌芽状态发展到支撑起那些每天被数亿用户使用的应用的。

1. 人工智能（Artificial Intelligence）——赋予机器人的智能

人工智能的目标是赋予机器人类的智能。早期的一个典型应用是国际跳棋程序，它在20世纪50年代引起了广泛关注。人们期望通过计算机创造出拥有与人类相同智能的机器，即所谓的“通用人工智能”。然而，这类机器目前只存在于科幻小说和电影中。现阶段，我们主要实现了“狭义人工智能”，即机器可以在特定任务上表现出色，比如Pinterest的图像分类和Facebook的人脸识别。

这些技术展现了人类智能的某些方面，但它们是如何实现的呢？这就要谈到机器学习。

2. 机器学习——实现人工智能的一种方法

机器学习是一种通过算法分析数据、学习规律并做出决策的方法。与传统软件不同，机器学习是通过大量数据训练而成的。早期的人工智能领域已经发展出多种算法，如决策树学习、逻辑推理、聚类、强化学习和贝叶斯网络等。尽管如此，我们目前只能实现狭义人工智能。

机器学习最成功的应用之一是计算机视觉，尽管仍然需要大量人工编码来完成工作。人们需要手动编写分类器、边缘检测器等，以便让程序识别物体的形状和特征。虽然这种方法取得了一些进展，但在复杂环境下表现不佳，比如在雾天或部分遮挡的情况下。

近年来，学习算法的发展显著提升了机器学习的效果。

3. 深度学习——实现机器学习的一种技术

深度学习是一种特殊的机器学习技术，它受到人脑神经网络结构的启发。人工神经网络通过多层结构处理信息，每一层都对输入数据进行加工，最终生成结果。例如，将一张图像分割成多个小块，输入到神经网络的不同层，每层都对数据进行处理，直至最后一层得出结论。

以识别停止标志为例，神经网络通过对图像的各种特征进行学习，从而判断是否为停止标志。这一过程需要大量的训练数据和多次迭代，以确保神经网络能够准确识别各种情况下的停止标志。

深度学习的应用已经扩展到了许多领域，如图像识别、医学诊断和游戏AI。谷歌的AlphaGo就是一个典型案例，它通过自我对弈不断学习和提升自己的能力。

深度学习带来的未来

深度学习极大地拓展了人工智能的应用范围，使得无人驾驶汽车、预防性医疗和个性化推荐等技术成为可能。未来，深度学习将继续引领人工智能的发展，为人类带来更多的便利和创新。