ذهن‌های اولیه پشت ماشین: بنیان‌گذاران هوش مصنوعی
پیش از اینکه اصطلاح هوش مصنوعی در سال ۱۹۵۵ ابداع شود، در افسانه‌ها، داستان‌ها و دستاوردهای مهندسی قرن ۱۹ و اوایل قرن ۲۰ نشانه‌هایی از پتانسیل هوش مصنوعی دیده می‌شد. این افزونه‌ها نشان می‌دهند که دستگاه‌های مکانیکی یا برنامه‌ریزی‌شده می‌توانند روزی وظایفی را که به هوش انسانی نیاز دارد، تکرار کنند.
به عنوان مثال، در سال ۱۷۲۶، جاناتان سویفت در "سفرهای گالیور" مفهوم طنزآمیز "ماشین" را مطرح کرد، یک دستگاه خیالی که افکار جدیدی را از طریق دوباره مرتب‌سازی مکانیکی کلمات تولید می‌کرد. در حالی که سویفت در حال مسخره کردن دانشمندان برتر زمان خود بود، دیدگاه او درباره تولید متنی الگوریتمی آنچه مدل‌های زبانی هوش مصنوعی قرن‌ها بعد انجام می‌دهند را پیش‌بینی کرد.
در اوایل دهه ۱۹۰۰، یک مهندس اسپانیایی به نام لئوناردو تورس ای کِوِدُ، یک خودکار شطرنج‌بازی به نام "ال آجدریستا" ساخت که با استفاده از الکترومغناطیس بازی ساده‌شده‌ای از شاه و رخ مقابل شاه بازی می‌کرد. او می‌توانست حرکات غیرقانونی را به صورت خودکار شناسایی کند و اگر در موقعیتی برنده قرار می‌گرفت با اطمینان کیش و مات کند. اگرچه مکانیکی بود، "ال آجدریستا" نشان داد که چگونه مهندسی هوشمند می‌تواند وظیفه‌ای نیازمند به بینش منطقی را شبیه‌سازی کند که جزء ضروری برای هوش مصنوعی آینده بود.
آلن تورینگ: نابغه ریاضی که پرسید "آیا ماشین‌ها می‌توانند فکر کنند؟"
هیچ چهره‌ای در مکالمه درباره ریشه‌های مفهومی هوش مصنوعی به اندازه آلن تورینگ برجسته نیست. تورینگ، که در سال ۱۹۱۲ متولد شد، یک ریاضی‌دان بریتانیایی بود که کارهایش پایه‌های علم کامپیوتر مدرن را بنا نهاد. در سال ۱۹۵۰، او مقاله‌ای به نام "محاسبات ماشین‌آلات و هوش" منتشر کرد که به طور مستقیم به این سؤال پرداخت: " آیا ماشین‌ها می‌توانند فکر کنند؟ "
جان مک‌کارتی: مردی که واژه "هوش مصنوعی" را ابداع کرد
اگر تورینگ دلایل مفهومی را کاشت، جان مک‌کارتی به آنها کمک کرد تا به یک رشته رسمی درآیند. او ریاضی‌دان و دانشمند کامپیوتر در دانشگاه دارتموث بود و سازمان‌دهنده اصلی پروژه پژوهش تابستانه ۱۹۵۶ دارتموث درباره هوش مصنوعی بود که اکنون به عنوان زادگاه رسمی هوش مصنوعی به عنوان یک رشته شناخته می‌شود.
ماروین مینسکی: پل زدن بین روانشناسی و محاسبات
ماروین مینسکی ، یکی دیگر از سازمان‌دهندگان کلیدی کارگاه دارتموث، استادی در MIT بود که بینش‌هایی از روانشناسی، ریاضیات و علوم کامپیوتر را ادغام کرد. در سال ۱۹۵۱، به همراه دین ادموندز، مینسکی ماشین شبیه‌ساز عصبی تصادفی تقویت‌کننده [SNARC] را ساخت که به عنوان اولین ماشین شبکه عصبی مصنوعی محسوب می‌شود.
هربرت ای. سایمون و آلن نیوِل: پیشگامان ماشین‌های حل مسئله
در حالی که مک‌کارتی و مینسکی هوش مصنوعی را از منظر منطق و محاسبات تعریف کردند، هربرت ای. سایمون (یک دانشمند سیاسی و بعداً برنده جایزه نوبل در اقتصاد) و آلن نیوِل (یک ریاضی‌دان و دانشمند کامپیوتر) با تمرکز بر حل مسئله و فرایندهای شناختی به هوش مصنوعی پرداختند. همکاری آنها در دانشگاه کارنگی ملون دو نمونه از اولین برنامه‌های هوش مصنوعی را به ثمر رساند.
آرتور ساموئل: آموزش ماشین‌ها برای یادگیری
عبارت یادگیری ماشین امروزه به قدری رایج است که ممکن است به نظر برسد یک اختراع مدرن است. آرتور ساموئل، یک پژوهشگر IBM، اولین بار این مفهوم را در اواخر دهه ۱۹۵۰ رایج کرد. کار ساموئل در ساخت یک برنامه بازی چکرز (درافتز) که از اشتباهاتش یاد می‌گرفت، انقلاب‌آفرین بود.
فرانک روزنبلات: پتسپترون انقلاب شبکه عصبی را به پا می‌کند
در حالی که مینسکی به محدودیت‌های معماری‌های ساده عصبی اشاره کرد، فرانک روزنبلات پتسپترون را در سال ۱۹۵۷ معرفی کرد. پتسپترون اساساً یک شبکه دو لایه با وزن‌های قابل تنظیم بود که می‌توانست به تشخیص ورودی‌ها یاد بگیرد.
جوزف ویزنباوم: خالق اولین چت‌بات
یکی از صداهای پیشرو در پردازش زبان طبیعی، جوزف ویزنباوم بود که برنامه معروف الیزا را در اواسط دهه ۱۹۶۰ توسعه داد. الیزا با پاسخ دادن به ورودی تایپ‌شده به وسیله الگوهای ساده، گفتگوی انسانی را تقلید می‌کرد.
از هیجان تا زمستان: چرخه‌های هوش مصنوعی اولیه
دهه ۱۹۶۰ و ۱۹۷۰ شاهد اولین عصر طلایی هوش مصنوعی بود: پژوهشگرانی در MIT، کارنگی ملون، استنفورد و جاهای دیگر به همه چیز از روباتیک (ربات شِیکی SRI) تا سیستم‌های خبره (همچون DENDRAL و MYCIN استنفورد) پرداختند.
نگاهی به پیشگامان بعدی
هرچند پیشگامان اولیه چارچوب مفهومی هوش مصنوعی را مستحکم کردند، مسیر حوزه در دهه‌های ۱۹۸۰، ۱۹۹۰ و اوایل ۲۰۰۰ افراد برجسته جدیدی را به پیش‌زمینه آورد، هرچند با تمرکز متفاوت. جودا پرل شبکه‌های بیزیایی را معرفی کرد و به سیستم‌های هوش مصنوعی مدل‌سازی عدم قطعیت را افزود. جفری هینتون ، یَن لوکان و یو‌شوا بن‌ژیو شبکه‌های عصبی را از طریق تکنیک‌های یادگیری عمیق احیا کردند.
گروه هینتون در دانشگاه تورنتو دنیا را در سال ۲۰۱۲ با برد در رقابت ایمج‌نت با AlexNet، یک شبکه عمیق عصبی کانولوشن که روش‌های سنتی در شناسایی تصویر را خُرد کرد، شگفت‌زده کرد. این داستان موفقیت، موج غیرقابل‌مهار یادگیری عمیق را علامت‌گذاری کرد.
