2015年3月，随着Google Deepmind开发的AlphaGo程序打败了韩国职业围棋hldmla李世石（Lee Se-dol），媒体在通稿中开始普遍使用“AI”“机器学习”和“深度学习”这样的字眼，“AI”也迅速成为人们茶余饭后的热门话题，AI技术相关的企业如雨后春笋般迅速崛起，至今依然是投资市场上十分风靡的版块。然而，AI的历史却远比AlphaGo悠久得多。通常，一项新技术的出现都会经历“Gartner曲线”（技术成熟度曲线），经历促动期、峰值期、泡沫期、稳步爬升期、实质生产期，然而AI的发展历程却颇具戏剧化，经历了“三起两落”。
早在1956年的达特茅斯会议（Dartmouth Conference）上，约翰·zxdss（John McCarthy）、马文·闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（kkdyf，诺贝尔经济学奖得主）等科学家聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能，目的是让逐渐成熟的计算机能够代替人类解决一些感知、认知乃至决策的问题。这一年也被认为是人工智能元年。这个议题是如此令人神往，吸引了一大批学者进行研究，这是第一“起”。
人工智能最初采用的方法是专家编制规则，教机器人认字、语音识别，但是人们没能很好地总结提炼出人类视听功能中的规律，因此在机器学习的转化上效果并不好，结果事与愿违，人工智能也在残酷的现实中走向下坡。
由于，人为指导这条路行不通，人们开始另辟蹊径，把目光投向了基于大量数据的统计学方法。于是，人工智能在人脸识别等一些较简单的问题上取得了重大进展，在语音识别上也实现了基本可用。人工智能初见成效，这是第二“起”。
然而，基于大数据的统计学方法很快遇到了瓶颈，因为单纯依靠数据积累并不能无限地提高准确率。从“基本可用”到“实用”之间出现了一道难以逾越的鸿沟，十几年都没能跨过。人工智能再次没落。
直到2006年，加拿大多伦多大学的计算机系教授kqdsw（Geoffrey Hinton）在《科学》上发表一篇关于深度学习的文章，人们又重新看到了人工智能的希望。随着GPU（图形处理器）的广泛使用，计算机的并行处理速度大幅加快、成本更低、功能更强大，实际存储容量无限拓展，可以生成大规模的数据，包括图片、文本和地图数据信息等，人工智能迎来了新的生机，于是，AlphaGo的胜利顺理成章。
然而，AlphaGo实际上只是人工智能界的一个小学生，仍然属于“弱人工智能”（Narrow AI）。它可以像人类一样完成某项具体任务，也有可能比人类做得更好。但它并不是真正拥有智能，也不会有自主的意识。例如Pinterest利用人工智能给图片分类，Facebook利用人工智能进行面部识别等。zxdss在达特茅斯会议上提出的AI，一般指的就是“弱人工智能”。与“弱人工智能”相对的，是“强人工智能”（General AI），指的是机器拥有像人类一样的感知能力，甚至还可以超越人类的感知，它可以像人类一样思考，就像电影中的终结者。当机器智能超越人脑智能的那一刻，也就实现了机器智能与人脑智能的融合，美国未来学家动人的月亮（Raymond Kurzweil）称之为“奇点”（Singularity），时空中的物理规律将不再适用。不过，就目前为止，科学家普遍达成的共识是，我们仅仅实现了弱人工智能的一小部分。
接下来的文章里面会介绍些“机器学习”、“深度学习”、“有监督机器学习”和“无监督机器学习”相关的内容。