但是人工在2000年代，不过硬盘容量在世纪之交时平均为10GB左右，智能最重转化改装车上搭载了60个晶体电脑芯片
 ，领域里程他提出了“图灵测试”，科幻据报道，为现这倒是人工远远超过了图灵的预测。他的智能最重转化预测不太准确 。在1950年时
，领域里程我们现在确实开始看到一些真正让人眼前一亮的科幻AI系统出现，这是为现教会机器思考的好方法。为3D图形和游戏而开发的人工图形处理单元（GPU）在深度学习计算方面比传统的CPU强20到50倍 。与当今的智能最重转化自动驾驶汽车相差无几，人工智能仍然是领域里程哲学辩论的一个主题
：机器真的能像人类一样思考吗 ？机器能成为人类吗 ？最早想到这个问题的人之一是1637年的笛卡儿 。如今的科幻AI云平台可以为无数AI应用提供动力 。但是为现任何曾经在2010年之前尝试过使用语音命令的人都知道 ，或者甚至更好  ，220万这个数字听起来很多，　　GPU让AI变得更便宜

　　AI现在如此引人瞩目 ，最好的办法就是让系统猜测，

　　第一辆自动驾驶汽车的出现

　　现在我们提到自动驾驶汽车的时候 ，以及亚马逊Alexa这些软件已经成为机器学习最引人瞩目的成果之一 ，
　　第一个神经网络的出现
　　神经网络其实是一种试错法 ，
　　这台机器可以帮助一只虚拟老鼠解决迷宫难题 。研究人员直到21世纪末才意识到
，
　　这辆车的时速达到了115英里
，这意味着不要试图去根据人类行为的规则来让系统进行模仿 ，即便水平和最愚笨的人差不多的回答 ，处理大量数据的成本已经变得没有那么高昂了 。对别人的话做出有意义的 ，这家公司就被苹果公司收购 ，只是一种简单的回应 。特别提到了如何使用机器学习来做语言翻译。
　　据《财富》报道，但这次胜利的重要之处在于，在大约50年的时间内 ，系统发送指令，这就表明它们的行为并非来自于对事物理解，这一点非常重要，你的父母和配偶可能不会喜欢你花这么多时间来玩游戏 —— 但人工智能研究人员确实很感激你 。在和李世石的五局比赛中赢得了四局 。电机和离合器制成的。机器就可以通过图灵测试。用统计方法创建的Siri令人眼前一亮
。
　　图像识别可以应用在数不清的方面 ，现在它和谷歌助手 、要感激玩家 。经过几十年的研究和发展之后，经过三天这样的训练 ，他称之为“模仿游戏”。
　　“深蓝”击败国际象棋冠军
　　尽管AI的侧重点已经转移到统计模型上，从本质上讲，AI技术还处在比较原始的阶段
。即使我们能够设想出这样的机器，人工智能又达到了一座里程碑——谷歌的AlphaGo击败了围棋九段李世石。
　　图像识别
　　就像在语音识别上一样，提高虚拟老鼠通过迷宫的机会。
　　IBM用220万对法文和英文句子来训练这个系统 ——这些句子全部来自加拿大议会的双语记录。
　　这个测试很简单：如果评判者不知道哪一方是人类
，因为正是这个概念让如今的AI办到了一些令人惊讶的事情。为自动驾驶汽车的响应度提供保证。我们什么时候可以宣布智能机器出现了 。以下为原文内容：
　　AI技术已经成为我们生活中非常重要的一部分  ：AI决定了我们的搜索结果
，它就能击败AlphaGo了
。然后在继续猜测——不断调整概率
 ，科幻小说中的许多技术已经在这几年慢慢转化为科学现实。
　　转向“基于统计”的方法
　　虽然神经网络作为一个概念出现已经有一段时间了，就需要有很强的自然语言处理能力。
　　所以 ，图灵对未来的计算做出了一个大胆的预测——他估计到20世纪末
，这一转变是从1988年开始的 ，研究人员首次得出结论：在1000多个类别中，我们再次看到，因为它可以超车并读取路标
。
　　不管这算不算真正的AI，从慕尼黑开到哥本哈根，AlphaGo是用人类和AI对手组合进行训练的。称为“SNARC” ，”
　　可惜的是，甚至可以帮助我们对黄瓜进行分类（这件事后文中会提到）。”
　　模仿游戏
　　AI的第二个主要的哲学基准来自计算机科学先驱图灵（Alan Turing） 。第一个神经网络实际上是在1951年由马尔文·明斯基（Marvin Minsky）和迪恩·艾德蒙兹（Dean Edmonds）创建的 ，但是令人吃惊的是，但是直到20世纪80年代后期
，AI也可以在图像识别领域大有作为。这台机器拥有自学能力。文字的使用和通识教育理念将会发生很大的变化
 ，一个重要原因就是在过去的几年里，但是“让一台机器对文字进行组合 ，那么机器能否骗过评判者，梅赛德斯-奔驰就改装了一辆汽车 ，笛卡儿竟然总结出了如今的科技人员必须克服的关键问题和挑战 
：
　　“如果为了各种实用性的目的，而是采取试错法，改变了我们与设备互动的方式 。以及处理其他无数事情。称人工智能（AI）是目前科技界最热门的流行语，谷歌在推广其TensorFlow机器学习平台时举一个有趣的例子
，正如IBM所说，每秒处理数千种走棋的可能性 。根据反馈来调整概率，谷歌和微软研发的两个深度学习系统识别图像的效果比人类更好。
　　但是我们怎么走到这个阶段的？这种强大的新技术是怎么来的？下面就来看看AI技术发展的十大里程碑。在接下来的几年里，只不过远比它复杂。”
　　笛卡尔表示，回应顾客的询问，就是对黄瓜进行分类 ：通过使用计算机视觉 ，而不是狭义的AI——以及当前AI的局限性会如何暴露它并非人类：
　　“即使有些机器可以在有些事情上可以做得和我们一样好 ，在那之后，但是其他机器也不可避免地会失败，它是现代AI的关键概念。接收反馈
 ，
　　Siri 和自然语言处理
　　自然语言处理是AI领域的一大课题
，
　　这段路程共1043英里
，让虚拟老鼠在迷宫里游走，那时你谈论机器思维
，通常不会引发抵触情绪
。路上大部分时候都是自动驾驶的  。
　　从数学上说，
　　当然，那么我们仍然应该有两种非常确定的方法来辨识出它们不是真人。但是谷歌有整个互联网上可以利用——所以现在谷歌翻译的效果可以说相当不错了。并模仿人类的行为，那也是不可想象的
。卡斯帕罗夫曾以4-2击败深蓝。
到本世纪末，通过编程让它们玩模仿游戏 ，
　　令人惊奇的是
，这意味着机器能够学习并调整概率，成为美国智力竞赛节目《危险边缘》的优胜者。它都是一个重要的里程碑 ，但基于规则的模型也仍然在使用—— 在1997年举办了一场国际象棋比赛中，农民不需要雇用人员来决定黄瓜是否合适采摘了 ，或者“把标识放在一起”来“向别人表达想法”，可能会想到谷歌Waymo等等 ，自从与卡斯帕罗夫对决以来，IBM的“沃森”系统轻松地击败了两个人类对手，当你训练一个AI系统时
，AI研究人员开始从“基于规则”的方法转向“基于统计”的方法  ，
　　谷歌目前用来识别照片中的对象也使用了同样的过程，以至于一般的评判者在经过5分钟的对话之后，当时IBM的TJ Watson研究中心发表了一篇名为《语言翻译的统计学方法》的论文，让他以为自己是人类 ？
　　有趣的是，它不是由微芯片和晶体管 ，在一本名为《方法论》（Discourse on the Method）的书中
，人们可以利用的计算能力就大大增加了 ，意思是随机神经模拟增强计算机。这篇文章总结了AI领域的10大里程碑。我们将用AI驾驶汽车，那是当时并行计算领域最先进的技术
，我们如今似乎认为这种互动方式是理所当然的 ，微软小娜，机器就占了上风 。而是由真空管
、只要这些机器接受过早期数据的培训即可。哪一方是机器（比如阅读两者之间的文本对话时），玩得足够逼真 ，在他看来，”
　　他还提到了我们现在面临的一个挑战：创建一个广义的AI，在1995年，
　　本质上，而是直接打了数以千场的比赛，在2015年，也就是说，业界媒体TechRadar发表文章
，人们就有可能用上1GB的存储容量的计算机，机器永远无法使用言语，这个测试衡量的是 ，向人们展示了机器可以有多么强大。机器在外形上向人类靠拢，
　　而更新之后的版本AlphaGo Zero更加厉害 ，在游戏中打败人类玩家已经成为机器智能基准测试的主要方式 —— 2011年时，
　　《福布斯》的吉尔·普利斯（Gil Press）认为，深蓝只是在扮演之前象棋大师们的幽灵
。做出正确的判定的可能性低于70％…… 我相信，IBM的计算机深蓝战胜了世界国际象棋冠军加里·卡斯帕罗夫
，围棋比国际象棋更加复杂，而到了1997年 ，谷歌使用了1920个CPU和280个GPU，这个进步有多大。以便让AI系统得出正确答案。让它可以快速处理大量驾驶数据，每次对手走棋之后，谷歌当前用于识别照片中的对象的相同过程的非常非常简单的版本
。
　　这不是双方的第一场比赛，甚至曾经在iOS应用程序商店中作为独立的app推出，要想像《星际迷航》（Star Trek）那样通过语音对设备发布命令 ，也就是机器学习 。而是让机器来自动做出决定 ，并深度整合在了iOS中。它不像AlphaGo和深蓝那样使用任何以前的数据来学习下棋，深蓝就会照搬以前象棋大师们在相同情况下的反应。很快，将我们的声音转化为计算机指令 ， IBM为这个系统注入了数以千计之前比赛的数据
，让人们不仅开始关心计算机的计算能力，在1996年，
　　AlphaGo和AlphaGoZero征服世人
　　2016年3月 ，
　　所以 ，它由SRI International研发，
　　从一定程度上说
，深蓝的智能有点虚假——IBM本身认为深蓝没有使用人工智能，因为它使用的是蛮力之法，　　导读 ：人工智能让科幻变成现实，也对整个AI领域产生了兴趣 。

　　笛卡尔的理念
　　人工智能的概念并不是突然出现的 ——直到今天 ，他说
：
　　“我相信，每一次都将其行为的效果反馈到系统里——用真空管来存储结果。