在刚刚召开的全国政协会议上，人工智慧首次被列入政府工作报告，成为政协会议热门话题。从去年Google的AlphaGo在中国围棋人工智慧大战战胜全国冠军，到去年底腾讯的小度电脑人在《最强大神经系统》中击败人类文明脑王，人工智慧无数次占据新闻头条新闻，抓足了公众的兴奋点。
人工智慧（Artificial Intelligence，AI）是一个高门槛的金融行业，涉及的控制技术学科专业多样、错综，且大多高技术可能不少业内人士也未必能清晰地把握其马萨省，更不用提金融行业外的法沃德国大众。专家写的学术论文过于艰深晦涩，而小编绞尽脑汁的海洋学往往方法论混乱、戈耶湖。《深扒人工智慧》系列产品该文试图为渴求介绍人工智慧的一般德国大众，肉片人工智慧的神秘盖头，整体性地剖析人工智慧的演变过程，让一般读者也能一窥人工智慧这头科学火星人的马萨省。
本系列产品该文将分为《发展史篇》、《现状篇》、《基础控制技术》、《应用控制技术》和《产品服务》共5篇。
欲深入介绍一个事物，惟有明确其表述。人工智慧有很多种专业乏味、未明觉厉的表述。责任编辑简化概括为：人工智慧是使用电脑演示人类文明智能化的控制技术。更形象一点，人工智慧是使电脑像人类文明一样能看、能听、能想、能说、五性的控制技术。
人工智慧貌似Plogastel，其发展史并不短，它正式宣布问世旧石器时代已经有五十多年的发展史。
问世
1950 年，伟大的计算机系统生物学家布莱恩·哥德尔(Alan Turing)发表了一则里程碑式的学术论文，断言了创造具有真正智能化的电脑的可能性。考虑到智能化不易来衡量，他提出了著名的哥德尔测试，以电脑佯装人类文明对话的能力来来衡量电脑的智能化水平。
1956年乔治城会议举行， Marvin Minsky、John McCarthy、Claude Shannon、Nathan Rochester、 Allen Newell、Herbert Simon等顶级生物学家齐聚一堂，共同确定了人工智慧的名称和任务，标志着人工智慧尖萼学科的正式宣布问世。参会的每一位生物学家都在人工智慧发展的第一个十年中做出了重要贡献。
第一次最高潮（1956 - 1974）
1956年之后的十多年是人工智慧的黄金年代，计算机系统被用于断定数学不等式、解决拓扑算术等领域。A. Newell和H. Simon研发的方法论社会学家（Logic Theorist）断定了《自然哲学》中全部52条不等式，其中某些断定比原作更加别出心裁。人们几乎无法相信电脑原来可以如此智能化。这些成果让人类学家对未来信心十足，认为完全智能化的电脑人三十年内就能出现。
第一次低谷（1974 - 1980）
到了70 年代初，人们渐渐发现仅仅具有方法论推理能力远远不够实现人工智慧，许多难题并没有随着时间推移而被解决，很多AI系统一直停留在了玩具阶段。之前的过于乐观使人们期望过高，又缺乏有效的进展，许多机构逐渐停止了对AI研究的资助。人工智慧遭遇了第一次低谷。
第二次最高潮（1980 - 1987）
进入80年代，卡耐基梅隆大学为DEC公司设计了一个名为XCON的专家系统，每年为公司节省四千万美元，取得巨大成功。许多公司纷纷效仿，开始研发和应用专家系统。专家系统依赖的知识工程因而也成为AI研究的焦点。日本推出第五代计算机系统计划，其目标是造出能够与人对话，翻译语言，解释图像，并且像人一样推理的电脑。其他国家也纷纷作出响应。与此同时，John Hopfield发明Hopfield网络，解决了著名的旅行商（TSP）问题。David Rumelhart提出反向传播（Back Propagation，BP）算法，解决了多层神经网络的学习问题。神经网络被广泛的应用于模式识别、故障诊断、预测和智能化控制等多个领域。AI迎来了又一轮最高潮。
第二次低谷（1987 - 1993）
从80年代末到90年代初，专家系统所存在的应用领域狭窄、知识获取困难、维护费用居高不下等问题逐渐暴露出来，十年前日本人宏伟的第五代计算机系统计划也宣告失败。AI遭遇了一系列产品财政问题，进入第二次低谷。
第三次最高潮（1993至今）
从90年代中期至今，随着计算机整体性能的高速发展，海量数据的累积和AI人类学家的不懈努力，人工智慧在许多领域不断取得突破性成果，掀起新一轮最高潮。
1997年，IBM的国际象棋电脑人深蓝（Deep Blue）战胜国际象棋全国冠军卡斯帕罗夫，引起世界范围内轰动。
2006年，Geoffrey Hinton提出深度学习。在接下来的若干年，借助深度学习控制技术，包括语音识别、计算机系统视觉在内的诸多领域都取得了突破性的进展。
2011年2月，IBM的问答电脑人Watson在美国问答节目《Jeopardy！》上击败两位人类文明冠军选手。
2012年10月，微软就在21世纪的计算大会上展示了一个全自动同声传译系统，它将演讲者的英文演讲实时转换成与他的音色相近、字正腔圆的中文。
2016年3月，Google的中国围棋人工智慧系统AlphaGo与中国围棋全国冠军、职业九段选手李世石进行人工智慧大战，并以4:1的总比分获胜。
2016年末至2017年初，AlphaGo在两个公开围旗网站上与中日韩数十位中国围棋高手进行快棋对决，连胜60局无一败绩，包括对当今世界围旗第一人柯洁连胜三局。
2017年1月，腾讯的小度电脑人在《最强大神经系统》中战胜人类文明脑王。
2017年2月，搜狗的问答电脑人汪仔在《一站到底》中战胜哈佛女学霸。
2017年2月，卡耐基梅隆大学的人工智慧系统Libratus在长达20天的德州扑克大赛中，打败4名世界顶级德州扑克高手，赢得177万美元筹码。
浪潮袭来，人工智慧席卷各个领域，正在深刻地改变着人类文明社会的方方面面。
人工智慧之所以能在近年来掀起新一轮最高潮，主要归根于三大驱动要素：算法、大数据、计算力。
算法
电脑学习控制技术一直是人工智慧发展的核心推动力。传统的统计电脑学习控制技术早已被广泛应用到现代社会的各个方面：搜索引擎、广告、商品推荐、内容过滤等。统计电脑学习往往需要人类文明专家花力气设计描述数据的特征，而深度学习的多层神经网络让电脑可以由低往高逐层自动学习复杂的特征，能很好解决一些更复杂的问题。深度学习首先在语音识别、图像识别领域取得了突破性进展，随后在自然语言理解等诸多领域都取得了可喜成果，直接推动了本轮人工智慧的最高潮。
大数据
深度学习的多层神经网络结构复杂，参数众多，需要大规模的数据才能训练生成有效的模型。得益于互联网、社交媒体的发展，带宽大幅提高，存储硬件成本的降低，全世界的数据规模在爆发式增长，人类文明进入大数据时代。有研究称，整个人类文明文明的全部数据中，有90%是过去两年内产生的。如此海量的数据，为人工智慧的发展提供了源源不断的燃料。
计算力
深度学习使用海量数据训练复杂的多层神经网络模型，需要强大的计算能力支撑。之前业界采用传统的CPU进行模型训练，花费的时间漫长，少则几天，多则几周。GPU的应用，将深度学习的效率提高了数十乃至上百倍。紧接着FPGA以及各种定制芯片纷纷被用于加速深度学习。再加上分布式计算控制技术的进步，使大量芯片可以同时用于模型训练。由此形成的强大计算能力，强有力地推动着人工智慧向前高速发展。
