人工智慧的現代概念已經伴隨我們走過了幾十年，但直到最近，人工智慧才抓住了日常生活、商業和社會的集體心理。
人工智慧是指計算機和系統執行通常需要人類認知才能完成任務的能力。人工智慧與人的關係是共生的，其「觸角」觸及人類生產、生活的方方面面，從疾病患者的早期檢測和更好的治療，到各種形式和各種規模企業新的收入來源和更好的運營管理，如今已是無處不在。
自1950年圖靈測試以來，人工智慧工具和技術已經取得了令人難以置信的進步，其中許多突破性進展一直在業界的關注下被頻繁發掘。儘管如此，直到過去十年，人工智慧才真正應用於滿足大眾需求的場景，智慧語言助理、自動駕駛汽車、生成式AI等等徹底改變了大眾市場的需求格局。
我們或許可以透過人工智慧發展迄今為止的歷史時間表來思考AI的未來，以及對大眾生活的影響：
1950年
艾倫•圖靈發表了《計算機器與智慧》，圖靈測試打開了通向人工智慧的大門。
1951年
Marvin Minsky 和 Dean Edmonds 使用3000個真空管來模擬由40個神經元組成的網路，開發了第一個名為SNARC的人工神經網路(ANN)。
1952年
Arthur Samuel開發了Samuel Checkers-Playing Program，這是世界上第一個自學遊戲的程式。
1956年
約翰•麥卡錫、馬文•明斯基、納撒尼爾•羅切斯特和克勞德•夏農在一項研討會提案中創造了「人工智慧」一詞，該研討會被廣泛認為是人工智慧領域的創始活動。
1958年
弗蘭克•羅森布拉特開發了感知器，這是一種可以從資料中學習的早期人工神經網路，可以看成是現代神經網路的基礎。
約翰•麥卡錫開發了Lisp程式語言，該語言很快被人工智慧行業採用，並受到開發人員歡迎。
1959年
亞瑟•塞繆爾在一篇開創性論文中創造了「機器學習」一詞，解釋說明計算機可以透過程式設計來超越程式設計師。
Oliver Selfridge發表了《Pandemonium：學習正規化》，這是對機器學習的里程碑式貢獻，它描述了一種可以自適應改進自身以發現事件模式的模型。
1964年
Daniel Bobro在麻省理工學院攻讀博士期間開發了STUDENT，這是一個早期的自然語言處理NLP程式，旨在解決代數相關問題。
1965年
Edward Feigenbaum、Bruce G. Buchanan、Joshua Lederberg和Carl Djerassi開發了第一個專家系統Dendral，該系統幫助有機化學家識別未知的有機分子。
1966年
Joseph Weizenbaum建立了Eliza，這是有史以來最著名的計算機程式之一，它能夠與人類進行對話，並使人相信該軟體具有人類情感。
斯坦福研究院開發了首款結合人工智慧、計算機視覺、導航和自然語言處理的移動智慧機器人Shakey。它是自動駕駛汽車和無人機的鼻祖。
1968年
Terry Winograd建立了SHRDLU，這是第一個多模態人工智慧，可以根據使用者指令操作並推理出一個由塊組成的世界。
1969年
Arthur Bryson和Yu-Chi Ho描述了一種可實現多層人工神經網路的反向傳播學習演算法，它是感知器的技術的延伸，也是深度學習的基礎。
Marvin Minsky和Seymour Papert出版了《感知器》一書，描述了簡單神經網路的侷限性，這導致了神經網路研究的衰落，符號人工智慧研究得以蓬勃發展。
1973年
詹姆斯•萊特希爾釋出的《人工智慧：綜合調查》報告導致英國大幅減少對人工智慧研究的支援。
1980年
符號Lisp機器商業化，標誌著人工智慧研究復興。但幾年後，Lisp機器市場崩潰了。
1981年
Danny Hillis為人工智慧和其他計算任務設計了平行計算機，其架構類似於現代GPU。
1984年
馬文•明斯基和羅傑•尚克在人工智慧促進協會的一次會議上創造了「人工智慧冬天」一詞，警告商界人工智慧炒作將導致大眾失望和行業崩潰，這在三年後發生了。
1985年
Judea Pearl引入了貝葉斯網路因果分析，它提供了表示計算機中不確定性的統計技術。
1988年
彼得•布朗等人發表了「語言翻譯的統計方法」，為機器翻譯方法的更廣泛的研究鋪平了道路。
1989年
Yann LeCun、Yoshua Bengio和Patrick Haffner演示瞭如何使用卷積神經網路(CNN) 來識別手寫字元，表明神經網路可以應用於現實世界的問題。
1997年
Sepp Hochreiter和Jürgen Schmidhuber提出了長短期記憶遞迴神經網路，它可以處理整個資料序列，例如語音或影片。
IBM的「深藍」在一場歷史性的國際象棋複賽中擊敗了加里•卡斯帕羅夫，這是國際象棋衛冕世界冠軍在錦標賽上首次被計算機打敗。
2000年
蒙特利爾大學的研究人員發表了「神經機率語言模型」，提出了一種使用前饋神經網路來建模語言的方法。
2006年
李飛飛開始研究（後來於2009年推出）ImageNet視覺資料庫，該資料庫成為了人工智慧熱潮的催化劑，也是影像識別演算法年度競賽的基礎。
2009年
Rajat Raina、Anand Madhavan和Andrew Ng發表了《使用圖形處理器進行大規模深度無監督學習》，提出了使用GPU訓練大型神經網路的想法。
2011年
Jürgen Schmidhuber、Dan Claudiu Cireşan、Ueli Meier和Jonathan Masci開發了第一個CNN，並贏得了德國交通標誌識別競賽，從而實現了「超人」的效能。
同年，蘋果釋出了Siri語音助理。
2012年
Geoffrey Hinton、Ilya Sutskever和Alex Krizhevsky介紹了一種深度CNN架構，該架構贏得了ImageNet 挑戰並引發了深度學習研究和實現的爆炸式增長。
2013年
天河二號以33.86petaflops的速度將世界頂級超級計算速度提高了一倍，連續第三次蟬聯世界最快系統的稱號。
DeepMind引入深度強化學習，這是一種基於獎勵和重複學習的CNN，抵達了人類專家的水平。
谷歌研究員Tomas Mikolov及其同事引入了Word2vec，以自動識別單詞之間的語義關係。
2014年
Ian Goodfellow及其同事創造了生成對抗網路，這是一類用於生成照片、轉換影像和深度模擬的機器學習框架。
Diederik Kingma和Max Welling引入了變分自動編碼器來生成影像、影片和文字。
Facebook開發了深度學習面部識別系統DeepFace，能夠以接近人類的準確度識別數字影像中的人臉。
2016年
DeepMind的AlphaGo在韓國首爾擊敗了圍棋頂尖選手李世石。
優步在匹茲堡針對特定使用者群體啟動了自動駕駛汽車試點計劃。
2017年
斯坦福大學研究人員在論文《使用非平衡熱力學的深度無監督學習》中發表了有關擴散模型的研究成果。該技術提供了一種向影像新增噪聲的過程進行逆向工程的方法。
谷歌研究人員在論文Attention Is All You Need中提出了Transformer的概念，啟發了後續對能夠自動將未標記文字解析為大型語言模型 (LLM) 的工具的研究。
英國物理學家史蒂芬•霍金警告說：「除非我們學會如何為潛在風險做好準備，否則人工智慧可能成為人類文明史上最糟糕的事件。」
2018年
Cimon由IBM、空客公司和德國航空航天中心DLR開發，這是一個被送入太空協助宇航員的機器人。
OpenAI釋出了GPT（Generative Pre-trained Transformer），為後續的LLM鋪平了道路。
Groove X推出了一款名為Lovot的家用迷你機器人，它可以感知並響應人類的情緒變化。
2019年
微軟推出了Turing Natural Language Generation生成語言模型，該模型擁有170億個引數。
谷歌人工智慧和朗格醫學中心的深度學習演算法表明在檢測潛在肺癌方面優於放射科醫生。
2020年
Open AI釋出了由1750億個引數組成的GPT-3 LLM，用於生成式AI文字。
英偉達宣佈推出Omniverse平臺測試版，用於在增強現實AR中建立3D模型。
2021年
OpenAI推出了Dall-E多模態AI系統，可以根據文字提示生成影像。
2022年
谷歌軟體工程師Blake Lemoine洩密Lamda架構並聲稱其具有感知能力。
DeepMind推出用於為矩陣乘法等數學問題發現新型、高效且可驗證的演算法的AI系統AlphaTensor。
英特爾聲稱其FakeCatcher即時Deepfake檢測器的準確度為 96%。
OpenAI於11月釋出了ChatGPT，基於GPT-3.5 LLM並提供終端使用者使用的UI聊天介面。
2023年
OpenAI宣佈推出GPT-4多模態LLM，可接收文字和影像輸入。
埃隆•馬斯克、史蒂夫•沃茲尼亞克與數千位簽名者敦促業界暫停訓練「比GPT-4更強大的人工智慧系統」六個月。
2023年之後
AI的歷史仍在繼續……
