人工智能的第一次高潮始于上世纪50年代。
在算法方面,感知器数学模型被提出用于仿照人的神经元反应过程,并能够利用梯度低落法从演习样本中自动学习,完身分类任务。
其余,由于打算机运用的发展,利用打算机实现逻辑推理的一些考试测验取获胜利。
理论与实践效果带来第一次神经网络的浪潮。
然而,感知器模型的毛病之后被创造,即它实质上只能处理线性分类问题,就连最大略的异或题都无法精确分类。
许多运用难题并没有随着韶光推移而被办理,神经网络的研究也陷入结束。

人工智能的第二次高潮始于上世纪80年代。
BP(Back Propagation)算法被提出,用于多层神经网络的参数打算,以办理非线性分类和学习的问题。
其余,针对特定领域的专家系统也在商业上得到成功运用,人工智能迎来了又一轮高潮。
然而,人工神经网络的设计一贯短缺相应的严格的数学理论支持,之后BP算法更被指出存在梯度消逝问题,因此无法对前层进行有效的学习。
专家系统也暴露出运用领域狭窄、知识获取困难等问题。
人工智能的研究进入第二次低谷。

人工智能的第三次高潮始于2010年代。
深度学习的涌现引起了广泛的关注,多层神经网络学习过程中的梯度消逝问题被有效地抑制,网络的深层构造也能够自动提取并表征繁芜的特色,避免传统方法中通过人工提取特色的问题。
深度学习被运用到语音识别以及图像识别中,取得了非常好的效果。
人工智能在大数据时期进入了第三次发展高潮。