當(dāng)時主要問題：

　　1.計算機運算能力遭遇瓶頸，無法解決指數(shù)型爆炸的復(fù)雜計算問題

　　2.常識和推理需要大量對世界的認(rèn)識信息，計算機達(dá)不到“看懂”和“聽懂”的地步

　　3.無法解決莫拉維克悖論

　　4.無法解決部分涉及自動規(guī)劃的邏輯問題

　　5.神經(jīng)網(wǎng)絡(luò)研究學(xué)者遭遇冷落

　　說明：莫拉維克悖論：如果機器像數(shù)學(xué)天才一樣下象棋，那么它能模仿嬰兒學(xué)習(xí)又有多難呢?然而，事實證明這是相當(dāng)難的。

　　第二次發(fā)展高潮(1980年—1987年)

　　80年代初，一類名為“專家系統(tǒng)”的AI程序開始為全世界的公司所采納，人工智能研究迎來了新一輪高潮。在這期間，卡耐基梅隆大學(xué)為DEC公司設(shè)計的XCON專家系統(tǒng)能夠每年為DEC公司節(jié)省數(shù)千萬美金。日本經(jīng)濟(jì)產(chǎn)業(yè)省撥款八億五千萬美元支持第五代計算機項目。其目標(biāo)是造出能夠與人對話、翻譯語言、解釋圖像、能夠像人一樣推理的機器。其他國家也紛紛作出了響應(yīng)，并對AI和信息技術(shù)的大規(guī)模項目提供了巨額資助。

　　說明：專家系統(tǒng)是一種程序，能夠依據(jù)一組從專門知識中推演出的邏輯規(guī)則在某一特定領(lǐng)域回答或解決問題。由于專家系統(tǒng)僅限于一個很小的領(lǐng)域，從而避免了常識問題。“知識處理”隨之也成為了主流 AI 研究的焦點。

　　當(dāng)時主要成就：

　　1.專家系統(tǒng)的誕生

　　2.AI研究人員發(fā)現(xiàn)智能可能需要建立在對分門別類的大量知識的多種處理方法之上

　　3.BP算法實現(xiàn)了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的突破，神經(jīng)網(wǎng)絡(luò)研究學(xué)者重新受到關(guān)注

　　4.AI研究人員首次提出：機器為了獲得真正的智能，機器必須具有軀體，它需要有感知、移動、生存，與這個世界交互的能力。感知運動技能對于常識推理等高層次技能是至關(guān)重要的，基于對事物的推理能力比抽象能力更為重要，這也促進(jìn)了未來自然語言、機器視覺的發(fā)展。

　　第二次寒冬(1987年—1993年)

　　1987年，AI硬件的市場需求突然下跌?？茖W(xué)家發(fā)現(xiàn)，專家系統(tǒng)雖然很有用，但它的應(yīng)用領(lǐng)域過于狹窄，而且更新迭代和維護(hù)成本非常高。同期美國Apple和IBM生產(chǎn)的臺式機性能不斷提升，個人電腦的理念不斷蔓延;日本人設(shè)定的“第五代工程”最終也沒能實現(xiàn)。人工智能研究再次遭遇了財政困難，一夜之間這個價值五億美元的產(chǎn)業(yè)土崩瓦解。

　　當(dāng)時主要問題：

　　1.受到臺式機和“個人電腦”理念的沖擊影響

　　2.商業(yè)機構(gòu)對AI的追捧和冷落，使AI化為泡沫并破裂

　　3.計算機性能瓶頸仍無法突破

　　4.仍然缺乏海量數(shù)據(jù)訓(xùn)練機器

　　第三次發(fā)展高潮(1993年至今)

　　在摩爾定律下，計算機性能不斷突破。云計算、大數(shù)據(jù)、機器學(xué)習(xí)、自然語言和機器視覺等領(lǐng)域發(fā)展迅速，人工智能迎來第三次高潮。

　　摩爾定律起始于Gordon Moore在1965年的一個預(yù)言，當(dāng)時他看到因特爾公司做的幾款芯片，覺得18到24個月可以把晶體管體積縮小一半，個數(shù)可以翻一番，運算處理能力能翻一倍。沒想到這么一個簡單的預(yù)言成真了，下面幾十年一直按這個節(jié)奏往前走，成為了摩爾定律。

　　主要事件

　　1997年：

　　IBM的國際象棋機器人深藍(lán)戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫

　　2005年：

　　Stanford開發(fā)的一臺機器人在一條沙漠小徑上成功地自動行駛了131英里，贏得了DARPA挑戰(zhàn)大賽頭獎;