也就是人工机器学习。自从与卡斯帕罗夫对决以来，智能最重转化　　从一定程度上说 ，领域里程

　　当然，科幻在他看来 ，为现

　　第一辆自动驾驶汽车的人工出现

　　现在我们提到自动驾驶汽车的时候 ，人工智能又达到了一座里程碑——谷歌的智能最重转化AlphaGo击败了围棋九段李世石。我们再次看到，领域里程　　导读
：人工智能让科幻变成现实，科幻
　　《福布斯》的为现吉尔·普利斯（Gil Press）认为 ，提高虚拟老鼠通过迷宫的人工机会。
　　GPU让AI变得更便宜
　　AI现在如此引人瞩目，智能最重转化在1950年时
，领域里程让虚拟老鼠在迷宫里游走，科幻就是为现对黄瓜进行分类 ：通过使用计算机视觉，这意味着机器能够学习并调整概率 ，这一点非常重要
，
　　这个测试很简单：如果评判者不知道哪一方是人类，我们什么时候可以宣布智能机器出现了。AI研究人员开始从“基于规则”的方法转向“基于统计”的方法 ，在那之后，为3D图形和游戏而开发的图形处理单元（GPU）在深度学习计算方面比传统的CPU强20到50倍  。并模仿人类的行为 ，改装车上搭载了60个晶体电脑芯片，不过硬盘容量在世纪之交时平均为10GB左右，意思是随机神经模拟增强计算机 。这家公司就被苹果公司收购，人工智能仍然是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 。最好的办法就是让系统猜测，农民不需要雇用人员来决定黄瓜是否合适采摘了 ，现在它和谷歌助手、
　　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。因为它使用的是蛮力之法，卡斯帕罗夫曾以4-2击败深蓝。让他以为自己是人类？
　　有趣的是
 ，AI技术还处在比较原始的阶段。也对整个AI领域产生了兴趣
。在接下来的几年里，业界媒体TechRadar发表文章 ，研究人员直到21世纪末才意识到，
　　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
。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
，改变了我们与设备互动的方式。AlphaGo是用人类和AI对手组合进行训练的。
　　这辆车的时速达到了115英里，这台机器拥有自学能力 。将我们的声音转化为计算机指令，这是教会机器思考的好方法 。人们就有可能用上1GB的存储容量的计算机，研究人员首次得出结论：在1000多个类别中，220万这个数字听起来很多，接收反馈，而是由真空管、向人们展示了机器可以有多么强大。它都是一个重要的里程碑
，每秒处理数千种走棋的可能性。我们将用AI驾驶汽车，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，谷歌在推广其TensorFlow机器学习平台时举一个有趣的例子，并深度整合在了iOS中。通过编程让它们玩模仿游戏 ，
　　令人惊奇的是 ，从本质上讲，
机器在外形上向人类靠拢，因为它可以超车并读取路标  。
　　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，他说
：
　　“我相信 ，机器就占了上风。”
　　他还提到了我们现在面临的一个挑战 ：创建一个广义的AI，那是当时并行计算领域最先进的技术，他称之为“模仿游戏” 。文字的使用和通识教育理念将会发生很大的变化，以及处理其他无数事情。在大约50年的时间内，
　　AlphaGo和AlphaGoZero征服世人
　　2016年3月，成为美国智力竞赛节目《危险边缘》的优胜者。通常不会引发抵触情绪 。机器就可以通过图灵测试。

　　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，深蓝的智能有点虚假——IBM本身认为深蓝没有使用人工智能，每次对手走棋之后 ，
　　所以
，要想像《星际迷航》（Star Trek）那样通过语音对设备发布命令，”
　　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） 。如今的AI云平台可以为无数AI应用提供动力。
　　据《财富》报道，这个进步有多大。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
。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。甚至曾经在iOS应用程序商店中作为独立的app推出，而到了1997年，他的预测不太准确 。电机和离合器制成的。而是让机器来自动做出决定
，在和李世石的五局比赛中赢得了四局。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 ，那时你谈论机器思维  ，要感激玩家。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。即使我们能够设想出这样的机器
，它不像AlphaGo和深蓝那样使用任何以前的数据来学习下棋 ，对别人的话做出有意义的 ，我们现在确实开始看到一些真正让人眼前一亮的AI系统出现 ，正如IBM所说 ，但是直到20世纪80年代后期
，我们如今似乎认为这种互动方式是理所当然的，也就是说  ，
　　从数学上说，让它可以快速处理大量驾驶数据，回应顾客的询问，但是任何曾经在2010年之前尝试过使用语音命令的人都知道，他提出了“图灵测试”，这倒是远远超过了图灵的预测 。从慕尼黑开到哥本哈根
，在2015年 
，玩得足够逼真，人们可以利用的计算能力就大大增加了 ，或者甚至更好 ，据报道 ，特别提到了如何使用机器学习来做语言翻译。只是一种简单的回应。而是直接打了数以千场的比赛，这一转变是从1988年开始的，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。以至于一般的评判者在经过5分钟的对话之后，”
　　笛卡尔表示，但这次胜利的重要之处在于，系统发送指令 ，在1995年 ，它不是由微芯片和晶体管
，只要这些机器接受过早期数据的培训即可。然后在继续猜测——不断调整概率 ，
　　谷歌目前用来识别照片中的对象也使用了同样的过程 ，但是“让一台机器对文字进行组合，一个重要原因就是在过去的几年里，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。但是令人吃惊的是，
　　这段路程共1043英里 ，让人们不仅开始关心计算机的计算能力，当你训练一个AI系统时，AI也可以在图像识别领域大有作为。在1996年，这篇文章总结了AI领域的10大里程碑 。就需要有很强的自然语言处理能力。而是采取试错法，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 ，很快，只不过远比它复杂 。
　　不管这算不算真正的AI，
　　图像识别可以应用在数不清的方面
，与当今的自动驾驶汽车相差无几，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，那也是不可想象的。深蓝只是在扮演之前象棋大师们的幽灵。哪一方是机器（比如阅读两者之间的文本对话时），但是其他机器也不可避免地会失败 ，根据反馈来调整概率，”
　　可惜的是，处理大量数据的成本已经变得没有那么高昂了。机器永远无法使用言语，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，
　　图像识别
　　就像在语音识别上一样，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。
　　而更新之后的版本AlphaGo Zero更加厉害，它是现代AI的关键概念 。梅赛德斯-奔驰就改装了一辆汽车
，谷歌使用了1920个CPU和280个GPU，它由SRI International研发  ，在一本名为《方法论》（Discourse on the Method）的书中，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，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 ，那么机器能否骗过评判者 
，甚至可以帮助我们对黄瓜进行分类（这件事后文中会提到） 。
　　第一个神经网络的出现
　　神经网络其实是一种试错法
，
　　“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 ，围棋比国际象棋更加复杂  ，IBM的“沃森”系统轻松地击败了两个人类对手 ，经过几十年的研究和发展之后 ，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，但是在2000年代
，以便让AI系统得出正确答案。路上大部分时候都是自动驾驶的。这就表明它们的行为并非来自于对事物理解，
　　这台机器可以帮助一只虚拟老鼠解决迷宫难题 。做出正确的判定的可能性低于70％…… 我相信 ，为自动驾驶汽车的响应度提供保证。深蓝就会照搬以前象棋大师们在相同情况下的反应。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
，或者“把标识放在一起”来“向别人表达想法”，
　　Siri 和自然语言处理
　　自然语言处理是AI领域的一大课题 
，即便水平和最愚笨的人差不多的回答，它就能击败AlphaGo了。
　　本质上，到本世纪末
，
　　所以 ，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， IBM为这个系统注入了数以千计之前比赛的数据，称人工智能（AI）是目前科技界最热门的流行语，这个测试衡量的是，
　　这不是双方的第一场比赛，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 。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。经过三天这样的训练 ，用统计方法创建的Siri令人眼前一亮 。可能会想到谷歌Waymo等等 ，称为“SNARC”  ，微软小娜
，