人工智能的起源与兴起：从符号推理到深度学习71

人工智能（Artificial Intelligence，AI）并非一日之功，其兴起并非一个特定时刻的爆发，而是一个持续积累、迭代发展的过程。追溯其起源，需要回到更早的时代，从哲学和数学的思考中寻找最初的萌芽，再到计算机科学的诞生及其蓬勃发展，最终才催生出今天蓬勃发展的人工智能技术。与其问人工智能兴起于什么时代，不如探讨其发展历程中各个关键时期的贡献。

早期思想与奠基阶段 (20世纪40年代-50年代): 人工智能的最初概念并非源于计算机技术，而是哲学和数学领域对思维和智能的探索。早在古希腊时期，就有人类试图创造人工生命或智能机器的设想。然而，真正意义上的AI萌芽则要追溯到20世纪40年代末期。当时，图灵测试的提出，为人工智能的研究提供了一个重要的评价标准，即机器是否能够表现出与人类等同的智能行为。 同时期，香农的信息论以及维纳的控制论也为人工智能的发展奠定了理论基础。这些理论为研究如何用机器模拟人类智能提供了新的思路，例如利用逻辑和符号来表示知识，并进行推理。

符号主义的黄金时代 (20世纪50年代-70年代): 20世纪50年代被广泛认为是人工智能的“黄金时代”。达特茅斯会议 (1956年) 通常被认为是人工智能正式诞生的标志性事件，会上，麦卡锡、明斯基、香农和罗切斯特等科学家正式提出了“人工智能”的概念，并制定了该领域的研究目标和方向。这个时期，研究人员主要关注的是符号推理和知识表示。例如，早期的专家系统，例如DENDRAL和MYCIN，能够在特定领域内模拟人类专家的知识和推理能力，取得了一定的成功。然而，符号主义也面临着一些局限性，例如知识获取的困难和推理能力的局限性，导致人工智能研究在70年代后期陷入了低谷——“AI寒冬”。

连接主义的兴起 (20世纪80年代-90年代): 为了克服符号主义的局限性，连接主义（或称之为神经网络）重新受到关注。连接主义模拟人类大脑神经元的结构和工作方式，通过学习数据来获得知识和能力。虽然神经网络的概念在更早时期就已经提出，但由于计算能力的限制和学习算法的不足，其发展一度缓慢。随着计算机技术的进步以及反向传播算法的提出，神经网络在图像识别、语音识别等领域取得了显著的进展。然而，当时的计算能力仍然有限，限制了神经网络的规模和深度，其应用范围也相对较窄。

机器学习的突破与深度学习的崛起 (20世纪90年代-至今): 20世纪90年代，机器学习作为人工智能的一个重要分支，得到了快速发展。支持向量机(SVM)、决策树等算法在各种应用中取得了成功。 与此同时，大数据时代的到来以及计算能力的飞速提升，为深度学习的兴起提供了肥沃的土壤。深度学习是连接主义的一个分支，它通过构建具有多层结构的神经网络，能够学习更加复杂和抽象的特征。深度学习的突破性进展，特别是卷积神经网络(CNN)在图像识别领域的成功，以及循环神经网络(RNN)在自然语言处理领域的应用，标志着人工智能进入了一个新的时代。

人工智能的当代发展 (21世纪至今): 如今，人工智能已经渗透到社会的各个领域，从自动驾驶、医疗诊断到金融预测、智能家居，人工智能技术正在深刻地改变着我们的生活。深度学习技术在不断发展和完善，新的算法和模型不断涌现，例如生成对抗网络(GAN)、Transformer等。同时，人工智能伦理也越来越受到关注，如何确保人工智能的安全、可靠和公平，成为一个重要的研究课题。

总结： 人工智能的发展并非一个线性过程，而是经历了多次兴衰起伏。从最初的符号推理到如今的深度学习，人工智能的发展始终与计算能力的进步、算法的创新以及数据的积累密切相关。 没有一个单一的时代可以概括人工智能的兴起，它是一个持续演进的过程，而当下，正处于人工智能蓬勃发展的时代，其未来发展充满无限可能，但同时，也需要我们谨慎对待其带来的挑战。

因此，回答“人工智能兴起于什么时代”这个问题，需要根据不同的标准和视角做出不同的判断。如果从提出“人工智能”概念的角度看，则应是20世纪50年代；如果从取得显著应用成果的角度看，则应是21世纪初至今；而如果从其思想萌芽的角度看，则要追溯到更早的时代。人工智能的发展是一个持续的、渐进的过程，它与科技进步、社会发展以及人类对智能的探索密不可分。

2025-06-01

上一篇：CED区块链技术：一种面向能源领域的去中心化解决方案

下一篇：新西兰区块链技术：发展现状、应用案例及未来展望