人工智能一词“正式”起源于美国数学家约翰麦卡锡(1956 年)，并与他一起“推出”了第一批专门针对 AI 的编程语言(1958 年的 Lisp 和 1973 年的 Prolog)。从那时起，人工智能的历史一直在波动，其特点是在数学模型方面取得了重大进展(越来越复杂，旨在“模仿”一些大脑功能，如模式识别)，但在研究方面却有起有落。硬件和神经网络。后一条战线的第一次重大进步发生在 1990 年代，随着图形处理器进入“扩展”市场(即普通大众)，

　　最近的一波浪潮是在过去十年中随着所谓的“神经形态芯片”的发展而到来的，即在单个微组件中集成数据处理和存储的微芯片，这要归功于研究领域的加速。纳米技术，以模拟人脑的感觉和认知功能，这是许多初创公司也在关注的领域。

　　稍微回顾一下历史，第一个神经网络模型要追溯到 1950 年代末：它就是所谓的“感知器”，由美国著名心理学家和计算机科学家弗兰克·罗森布拉特在 1958 年提出，一个网络具有输入层和输出层以及基于“误差反向传播”算法(误差最小化)的中间学习规则;本质上，数学函数基于对给定输入的有效输出数据的评估，它改变了连接(突触)的权重，导致有效输出与所需输出之间存在差异。一些行业专家将控制论和人工智能的诞生追溯到 Rosenblatt 感知器，尽管在紧随其后的几年里，数学家 Marvin Minsky 和 Seymour Papert 证明了 Rosenblatt 神经网络模型的局限性：经过充分的“训练”，感知器只能识别线性可分的函数。也就是说，通过输入向量空间中的训练集(学习算法)，它设法将需要正输出的那些与需要负输出的那些分开。此外，单个感知器的计算能力是有限的，产量在很大程度上取决于输入的选择和“修改”突触从而“修改”输出的算法的选择。

　　从技术角度来看，第一个重要的转折点发生在 70 年代末和 80 年代之间，随着 GPU 的发展，大大减少了网络训练时间，减少了 10/20 倍。

　　在纯粹的计算意义上，人工智能可以被归类为包含理论和实用技术的学科，用于开发允许机器(尤其是“计算机”)至少在领域和领域中显示智能活动的算法。 .

　　从对定义的第一次尝试来看，很明显有必要对人类的推理、元推理和学习的综合/抽象功能进行正式分类，以便在它们的基础上建立能够指定此类形式的计算模型。推理和学习是一项艰巨的任务，因为即使在今天，人类大脑的真正功能还没有被完全理解。

　　另外，当我们谈到推理能力和从观察中自动学习的时候，我们经常会碰到认知计算，它应该被理解为基于人工智能(包括机器学习和深度学习)和信号科学学科的一组技术平台。处理(处理信号的能力)。