一门新技术的产生与成熟，会经历下面一条叫做“Gartner曲线”过山车式发展轨迹，如下图所示。但，人工智能的发展轨迹，却比这个要销魂地多，到目前可以说是三起三落，当然，这个第三落还没有到来，也未必一定会到来。
“人工智能”这一术语自1956年被提出，到电子计算机作为一种可以模拟人类思维的工具出现，使人工智能这一技术有了一个展现的平台，开始了探索与发展。六十多年前的达特茅斯会议，提出了“Artifitial Intelligence”的课题，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。这样一个课题是如此令人神往，也迅速吸引了大量学者的眼球，相关的研究也如火如荼地开展了起来。是为第一起。
1997年，IBM公司的“深蓝Ⅱ”超级计算机，击败了国际象棋卫冕冠军Gary·Kasparov，这一现象，标志了人工智能技术的一个完美表现，再到近些年的Alpha Go，人工智能的发展似乎已经到了一个比较高端的程度。
人工智能的发展历程中，慢慢引起了人们对于人工智能的一些恐惧，艾萨克·阿西莫夫（Isaac Asimov）曾在自己科幻小说中描绘出的一些担忧，随着如今科技的神速进步，好像真的会在不远的未来变成真实。
但那些都太遥远了，在现如今的世界背景之下，各国都把人工智能列为一项备受重视的技术，我们国家也不例外。
人工智能技术是引领未来的创新性技术，且在国家经济以及互联网、大数据及超级计算机的发展之下，AI技术的发展也进入了具有深度学习，跨界融合，人机协同，群智开发自主操控等特性的新阶段。这些具有新特性的AI技术将对人类的生产、生活乃至思维模式都产生重大的影响。
国内现有的以BAT为首，外加科大讯飞四所公司所构筑的的人工智能平台，基本成为了我国人工智能领域的四大支撑，此外，国家还鼓励企业作为人工智能发展的主体，并坚持以市场作为发展的主导。
由此足可以想见，人工智能领域的发展在国家策略的支持下，拥有着相当光明的前景。
此外，人工智能领域的知名科学家，原IBM WostonGroup的首席科学家周伯文博士他借用当初开发C语言的科学家在第一行代码中所用的“Hello World”表明了这次京东AI技术所怀揣的抱负。接着提出了今后人工智能的发展拥有三个阶段，而现在我们仅处于最初级的阶段，如果将人工智能做好做完全，其规模将比现在要大十倍甚至百倍。
他所认为的人工智能发展的三个阶段分别为：
1，目前我们所处的阶段，人工智能依然依赖于专家设置的体系结构，学习性也依赖于人工设计的算法。
2，广义性的人工智能，广义性的人工智能可以选择性的通过不同的来源，而不是像现在一样依赖于标准的数据学习，并且由此它可以进行长久性的终身学习，因为它的特性给了它一个适应环境的能力，拥有自适应的构架来进行终身学习。
3，就是现在大部分公司所说自己在做的通用人工智能，在他的研究中认为所谓的通用人工智能是一个长期目标，这个长期还用了非常两个字形容，并需要长期的努力才能去实现。所以通用人工智能在目前是没有一个具体严格的定义的，他给通用人工智能的定义是具有高度且极其强大的自主性。
因为第三阶段是一个无法具体严格去定义的庞大概念，所以周伯文博士着重讲了对于广义性人工智能的七个研究课题，毕竟广义性人工智能是人工智能领域发展的下一个关键阶段。这七个课题分别为：
1，针对这方面的发展，首先要解决的问题是让人工智能的学习从现有的单任务学习变成广泛的终身学习。
2，要去研究相对于单任务学习的多任务学习。
3，抛开如今所依赖的大量被标注的数据学习，需要让人工智能的学习保证一个无间隔且不受“信号”影响的学习状态。
4，要让人工智能摆脱如今依然需要人工构架的现状，逐步实现其自适应的构架。
5，让人工智能可以去运用一些已学习过的去解决一些其它可以解决的问题。
6，让目前的人工智能，尤其是基于深度学习的人工智能在针对某些工作时可以避免黑盒子理论
7，优化人工智能的算法问题。
国内人工智能领域的发展起到至关重要的作用，我们知道，深度神经网络是目前我们对于深度学习的一个解释，几乎可以在两者之间画个等号，现如今的科技发展水平，我们拥有了大数据，还有着超强性能的计算机，以及在长久的发展中我们掌握了更大量更优秀的训练方法，导致我们更能利用深度神经网络以发展人工智能，但深度神经网络依然有着很多缺陷，需要对相应的参数进行耗费大量精力的调整，可这些调整的经验很难共享，就导致了结果的可重复性大大降低，于是需要一个深度神经网络之外的模型来优化这些已经发现的问题。
人工智能是一种思维方式的解读，并将探索企业将如何利用AI去适应新的环境、新的社会、与新的规划，以及如何将AI应用于物流、金融、电商及公共事业，又或者是探索更为立体的将AI应用于城市到农村。
初学者们解决人工智能问题的思路，是以人为师，通过专家编制规则的方法，教机器下棋、认字乃至语音识别。在今天看来，这样的方法是完全南辕北辙的——人类的视听器官虽然很发达，却并没有能力总结提炼其中的规律。于是，人工智能的美好憧憬中迎来了残酷的现实，学者们发现解决问题是如此遥远，围观群众也一度认为人工智能的学者都是骗子。
随着技术发展，祭出了“实事求是”的法宝，从数据里统计规律。在这样数据+统计的方法论下，诸如人脸识别、手写识别等一些较为简单的问题取得了重大进展，而在当时最困难的问题——大词表连续语音识别上，统计方法也是史无前例地造就了实验室中“基本可用”的系统。到此时，我们感觉找到了解决人工智能问题的基本思路。
数据+统计模型的方法盛行以后，也很快遇到了瓶颈：数据量的提升并不总能带来识别率的提高。当然，我们很早就知道“深度模型”比“浅层模型”学习数据的能力强，无奈这种模型的计算代价极高，只能望洋兴叹。拿语音识别为例，在“基本可用”到“实用”之间的鸿沟，十几年都没有跨过去，于是大家又转向悲观，觉得人工智能还只是个梦。
继续坚持在“深度神经网络”这条战线上的学者很少，因为做这个是拿不到funding的。其中有一位老前辈Jeffrey Hinton，和他的学生Alex一起，发现用GPU算神经网络，能大幅提高速度，于是这种模型居然可能实用了。一旦实用，深度模型可以疯狂吸收数据的优势就发挥出来了，于是在语音识别、图像识别等领域带来了飞跃式的进展。
而人工智能的行业发展趋势，由于大规模数据+大规模算力的基本方法论已经成熟，今后的发展路径是十分清楚的：在那些数据储备充分、商业价值清晰的场景，人工智能会迅猛发展，投身于这样的行业中期发展会非常好；而医疗、教育这类领域，由于电子化数据的整理与积累尚需时日，可以需要一个较为漫长的发展过程。
总体而言，人工智能领域的发展是有着相当的前景的，世界各国争相发展相关产业的大环境之下，整个产业都得到了国家的重视与支持。
閱讀更多 科技創造力 的文章
