一、初級階段：聊天機器人
1956年的達特茅斯會議上，“人工智慧”一詞登上了歷史的舞臺。之後，各種人工智慧程式陸續登場，人工智慧迎來了第1次發展熱潮。在這個時期，人工智慧軟體“Eliza（伊莉莎）”引起了很大的反響。Eliza，是最早的與人對話程式，從1964年開始，由德國科學家約瑟夫魏澤堡主持編寫。當時，使用了專門的編目處理語言“SLIP”進行程式開發，之後的程式開發則是由LISP主導進行的。
二、第一次熱潮：弱人工智慧階段
在第1次人工智慧發展熱潮中誕生的各種人工智慧程式，只是進行簡單推理的程式較多，在發展過程中，瓶頸也就逐漸地顯現出來了。
早在第1次發展熱潮之前，馬文明斯基和西摩爾派普特著手的人工神經網路研究就指出了人工智慧發展可能出現的瓶頸問題。具體來說，由輸入系統和輸出系統組成的簡單感知器，作為人工神經網路的一種形式，無法解決“不可分的問題”。
在這裡我們不做詳細說明，但是線性不可分問題的確在很多地方都存在，它也顯示出只是匯入了簡單感知器的人工智慧的弊端，這也導致了世人對人工神經網路的期待急速地降低。
最近流行的多層人工神經網路（深度學習模型），隨著學習運演算法則的不斷進化，線性不可分的問題也逐漸被解決。這一點我們將在後面的篇章裡做詳細解釋。
三、人工智慧的瓶頸初現端倪
四、經歷“低谷時代”，進入第2次發展熱潮
人工智慧發展的第1次熱潮，從1956年一直持續到70年代前期。這一時期研發的專家系統等人工智慧系統，因受到計算機處理效能的制約，只能處理一定數量的規則，並且是在特定的領域、特定的環境下才能夠發揮作用。
人們在對人工智慧充滿期待的同時，對研發出來的缺乏實用性的系統也充滿了失望，因此，國家以及企業在人工智慧方面的預算也越來越少。這一時期，也就是20世紀70年代後期被稱為人工智慧發展的“ 第1次低谷”。
但是，進入20世紀80年代後，人工智慧很快再次迎來了新的發展熱潮。
本次發展熱潮的主角是在第1次發展熱潮時誕生的專家系統。因處理美國迪吉多公司（DEC）的VAX系統的各種訂單並取得非常成功的專家系統受到廣泛關注，各IT供應商迅速匯入專家系統。
人工智慧發展迎來第2次熱潮，最大的一個原因在於計算機效能的大幅提高。進入20世紀80年代，基於複雜規則的專家系統也可以在計算機上執行。由此，逐漸實現了專家系統的商業性使用。
隨著專家系統的興盛，制定專家系統執行規則的工程師也被稱為“知識工程師”，並且一時間成為炙手可熱的職業，就像在今天，資料科學家這個職業相當流行，受到人們的追捧。
知識工程師的主要工作是聽取使用者的業務內容並對其進行分析，從中抽出明顯的規則與隱藏的規則，然後進行分類。
當時，科學家們研發出了各種專家系統。初期的各種專用專家系統大都是利用LISP程式設計，隨著技術的革新，慢慢地發生了變化，通用的引擎部分依然利用LISP程式設計，規則部分則是知識工程師利用外部資料進行程式設計。並且，用LISP程式設計的引擎部分，利用C語言進行程式設計的開發研究也已經展開了。
專家系統的程式設計由專用LISP語言向普通的C語言過渡，該系統也變成了一般的程式設計師編寫的一般系統，其新意也就逐漸淡化了。
由此，專家系統也就從人工智慧程式變成了決定論式的普通程式。隨著這一變化，專家系統的作用效果也變得非常明確，但是其發展瓶頸也開始顯現出來。
一、初級階段：聊天機器人
1956年的達特茅斯會議上，“人工智慧”一詞登上了歷史的舞臺。之後，各種人工智慧程式陸續登場，人工智慧迎來了第1次發展熱潮。在這個時期，人工智慧軟體“Eliza（伊莉莎）”引起了很大的反響。Eliza，是最早的與人對話程式，從1964年開始，由德國科學家約瑟夫魏澤堡主持編寫。當時，使用了專門的編目處理語言“SLIP”進行程式開發，之後的程式開發則是由LISP主導進行的。
二、第一次熱潮：弱人工智慧階段
在第1次人工智慧發展熱潮中誕生的各種人工智慧程式，只是進行簡單推理的程式較多，在發展過程中，瓶頸也就逐漸地顯現出來了。
早在第1次發展熱潮之前，馬文明斯基和西摩爾派普特著手的人工神經網路研究就指出了人工智慧發展可能出現的瓶頸問題。具體來說，由輸入系統和輸出系統組成的簡單感知器，作為人工神經網路的一種形式，無法解決“不可分的問題”。
在這裡我們不做詳細說明，但是線性不可分問題的確在很多地方都存在，它也顯示出只是匯入了簡單感知器的人工智慧的弊端，這也導致了世人對人工神經網路的期待急速地降低。
最近流行的多層人工神經網路（深度學習模型），隨著學習運演算法則的不斷進化，線性不可分的問題也逐漸被解決。這一點我們將在後面的篇章裡做詳細解釋。
三、人工智慧的瓶頸初現端倪
在第1次人工智慧發展熱潮中誕生的各種人工智慧程式，只是進行簡單推理的程式較多，在發展過程中，瓶頸也就逐漸地顯現出來了。
早在第1次發展熱潮之前，馬文明斯基和西摩爾派普特著手的人工神經網路研究就指出了人工智慧發展可能出現的瓶頸問題。具體來說，由輸入系統和輸出系統組成的簡單感知器，作為人工神經網路的一種形式，無法解決“不可分的問題”。
在這裡我們不做詳細說明，但是線性不可分問題的確在很多地方都存在，它也顯示出只是匯入了簡單感知器的人工智慧的弊端，這也導致了世人對人工神經網路的期待急速地降低。
最近流行的多層人工神經網路（深度學習模型），隨著學習運演算法則的不斷進化，線性不可分的問題也逐漸被解決。這一點我們將在後面的篇章裡做詳細解釋。
四、經歷“低谷時代”，進入第2次發展熱潮
人工智慧發展的第1次熱潮，從1956年一直持續到70年代前期。這一時期研發的專家系統等人工智慧系統，因受到計算機處理效能的制約，只能處理一定數量的規則，並且是在特定的領域、特定的環境下才能夠發揮作用。
人們在對人工智慧充滿期待的同時，對研發出來的缺乏實用性的系統也充滿了失望，因此，國家以及企業在人工智慧方面的預算也越來越少。這一時期，也就是20世紀70年代後期被稱為人工智慧發展的“ 第1次低谷”。
但是，進入20世紀80年代後，人工智慧很快再次迎來了新的發展熱潮。
本次發展熱潮的主角是在第1次發展熱潮時誕生的專家系統。因處理美國迪吉多公司（DEC）的VAX系統的各種訂單並取得非常成功的專家系統受到廣泛關注，各IT供應商迅速匯入專家系統。
人工智慧發展迎來第2次熱潮，最大的一個原因在於計算機效能的大幅提高。進入20世紀80年代，基於複雜規則的專家系統也可以在計算機上執行。由此，逐漸實現了專家系統的商業性使用。
隨著專家系統的興盛，制定專家系統執行規則的工程師也被稱為“知識工程師”，並且一時間成為炙手可熱的職業，就像在今天，資料科學家這個職業相當流行，受到人們的追捧。
知識工程師的主要工作是聽取使用者的業務內容並對其進行分析，從中抽出明顯的規則與隱藏的規則，然後進行分類。
當時，科學家們研發出了各種專家系統。初期的各種專用專家系統大都是利用LISP程式設計，隨著技術的革新，慢慢地發生了變化，通用的引擎部分依然利用LISP程式設計，規則部分則是知識工程師利用外部資料進行程式設計。並且，用LISP程式設計的引擎部分，利用C語言進行程式設計的開發研究也已經展開了。
專家系統的程式設計由專用LISP語言向普通的C語言過渡，該系統也變成了一般的程式設計師編寫的一般系統，其新意也就逐漸淡化了。
由此，專家系統也就從人工智慧程式變成了決定論式的普通程式。隨著這一變化，專家系統的作用效果也變得非常明確，但是其發展瓶頸也開始顯現出來。