AI发展的历史，现在了解不算太晚( 三 ) 20世纪40年代

2005年，斯坦福大学开发的一台机器人在一条沙漠小路上成功自行行走了131公里。
2006年， Hiton提出了深度置信网络。这是一种深层次神经网络，是深度学习的前驱。它使用贪心无监督的方法来学习并解决问题，取得了良好的效果。
2009年，蓝脑计划声称已经成功模拟部分人脑功能。
2012年， Andrew Ng与Jeff Dean搭建Google大脑。 Google大脑使用超过16000个CPU ，用以模拟10亿个神经元，在语言和图像识别上都取得了突破。
2015年，微软使用深度学习网络残差学习法，将lmageNet的分类错误率降低到3.57% ，这已经低于了人眼识别率。而采用的神经网络深度已经达到152层。
2016年，拥有1920个CPU集群和280个GPU的深度学习系统AlphaGo击败李世石，成为第一个不让子击败职业围棋棋手的程序。
以“深蓝"为例， “深蓝”比20世纪50年代的计算机至少要快1000万倍。工程上的突破，让人们得以将以前只能停留在理论上的模型实际运行起来并进行测试，这大大加快了人工智能的发展并使之商业化。
人工智能在国内百花齐放
目前，中国已经成为人工智能发展最迅速的国家之一，截至2018年，中国在人工智能领域投融资总额超过700亿元，占全球的30%以上，而人工智能技术与产业的加速融合所带来对生产和生活效率的提升也极为迅速，从工业生产到消费服务等各个方面改变人类生活。
在政务服务领域，人工智能技术已经得到广泛应用，包括采用人脸识别、声纹识别等生物识别技术进行的身份验证，采用对话式AI提供智能化政务服务，采用语义理解、运用情感分析算法判断网络观点的正负面、群众情绪的舆情，采用“文本分析+知识图谱＋搜索”技术辅助刑侦、技侦工作，采用计算机视觉类技术识别并追踪监控中的重点嫌疑人员。
在金融行业，人工智能的应用场景逐步由以交易安全为主向变革金融经营全过程扩展。人在这一领域的应用可分为服务智能、认知智能和决策智能三个层面。服务智能得益于算力的提升，进行监督式机器学习。例如，利用人脸识别、语音识别和智能客服等，提升金融领域的交互水平和服务质量。认知智能以监督式机器学习为主，辅以无监督式挖掘特征变量，进而使风险识别和定价更为精细。决策智能以无监督学习为主，通过预测人脑无法想象、尚未发生的情境，指导和影响当前决策。
在医疗健康领域，医疗行业人工智能应用发展迅速，我国医疗人工智能的应用领域相对集中，应用场景多侧重于医疗健康产业链后端的病中诊疗阶段。腾讯、阿里巴巴等互联网平台企业，推想科技、汇医慧影、依图医疗等创业企业，以及西门子等传统医药企业,均将医学影像作为现阶段AI技术产品化的重点方向，开发了一批食管癌、肺癌、乳腺癌、结直肠癌筛查以及糖尿病视网膜病变AI辅助医学影像产品。
在自动驾驶领域，以无人驾驶技术为主导的汽车行业将迎来产业链的革新。传统车企的生产、渠道和销售模式将被新兴的商业模式所替代。新兴的无人驾驶解决方案技术公司和传统车企的行业边界将被打破。随着共享汽车概念的兴起，无人驾驶技术下的共享出行将替代传统的私家车的概念。随着无人驾驶行业规范和标准的制定，更加安全、快捷的无人货运和无人物流等新兴行业将不断涌现。
在制造业领域，人工智能的应用潜力巨大。面向研发设计环节，利用人工智能算法开发数字化自动研发系统，大幅度降低制药、化工、材料等周期长、成本高、潜在数据丰富的领域的研发不确定性，推动高风险、高成本的实物研发设计，向低成本、高效率的数字化自动研发设计转变。
面向生产制造环节，利用人工智能技术提升柔性生产能力，实现大规模个性化定制，提升制造业企业对市场需求变化的响应能力；
面向质量控制环节，利用人工智能技术在材料、零配件、精密仪器等产量大、部件复杂、工艺要求高的制造业细分领域，率先实现产品快速质检和质量保障，提升人工智能技术与物联网和大数据技术的融合水平，构建面向生产全流程的质量自动检测体系;
面向供应链管理环节，利用人工智能技术实现对供需变化的精准掌握，建立实时、精准匹配的供需关系，着重提升市场需求变动大、供应链复杂领域的供应链效能;面向运营维护环节，建立基于人工智能算法的设备产品运行状态模型，监测运行状态指标的变化情况，提前预测和解决设备、产品、生产线的故障风险问题。