隨著AlphaGo和Master橫掃棋壇，人工智慧再次進入公眾的視野。但追根溯源，人工智慧並不是新鮮事物，早在1956年的達特茅斯會議被公認為是人工智慧的起源。而50年後當年的會議者們重聚，看著照片中白髮蒼蒼的人工智慧開拓者與奠基者，不禁感慨萬千。

20世紀50年代到60年代 第一次熱潮：理論的革新
這是電子計算機剛剛誕生的時代，當時的計算機更多的被視為運算速度特別快的數學計算工具，圖靈在思想上走到了所有研究者的最前沿，琢磨計算機是否能像人一樣思考，即開始在理論高度思考“人工智慧”的存在。
1950年10月，艾倫 圖靈發表了一篇名為《計算機械和智慧》的論文，提出了著名的圖靈測試，影響深遠，直到今天仍被電腦科學家乃至普羅大眾所重視。以圖靈測試為標誌，數學證明系統，知識推理系統，專家系統等里程碑式的技術和應用在研究者中掀起了第一次熱潮。
在當時，人們對人工智慧普遍持過分樂觀的態度，人們認為看到了幾年內計算機通過圖靈測試的希望曙光。然而受到計算機效能和演算法理論的侷限，接踵而來的失敗似乎漸漸消滅了人們的熱情，人工智慧的熱度迅速消退。
至2017年的今天，仍未有計算機真正意義上通過圖靈測試。

20世紀80年代到90年代 第二次熱潮：思維的轉變
在第二次AI熱潮中，語音識別是最具代表性的突破性進展之一，而這個突破依賴的是思維的轉變。
過去的語音識別更多的是專家系統，即根據的是語言學的知識，總結出語音和英文音素，再把每個字開啟成音節與音素，讓計算機用人類學習語言的方式來學習語言。在研發過程中，計算機工程師與科學家圍繞著語言學家進行工作。
而新的方法是基於資料的統計建模，拋棄了模仿人類思維方式總結思維規則的老路，研發過程中沒有或極少語言學家的參與，更多的是電腦科學家與數學家的合作。
這其中的轉變看似容易，其實面臨著人類既有觀念和經驗的極大阻力。
最終，專家系統壽終正寢，基於資料統計模型的思想開始廣泛傳播。

事實證明，計算機的“思維”方法與人類的思維方法之間，似乎存在著非常微妙的差異，以至於在電腦科學的實踐中，越是拋棄人類既有的經驗知識，依賴於問題本身的資料特徵，越是容易得到更好的結果。——李開復

2006年至今 第三次熱潮：技術的融合
今天的人工智慧研究中，深度學習無人不談，無人不識。從知名的AlphaGo，到不那麼知名但在2014年ImageNet競賽中第一次超越人眼的影象識別演算法，都是深度學習的產物。從根本上說，深度學習是一種用數學模型對真實世界中的特定問題進行建模，以解決該領域內相似問題的過程。但不為人所知的是，深度學習的歷史幾乎和人工智慧一樣長，只是一直默默無聞，直到它等到了時代的機遇。
首先，計算機的計算效能和處理能力大幅提高。符合摩爾定律而指數級增長的計算機效能最終跨過了門檻。
其次，網際網路的蓬勃發展為搜尋引擎等公司帶來了高質量的大資料。並且正是因計算機效能的提高人們得以儲存和利用這些資料。
可以說在第三次熱潮中，深度學習+大規模計算+大資料=人工智慧

看到這裡，似乎三次熱潮只是如同下圖所示：在一次又一次的震盪中往復。

然而事實或許並非如此，可能我們已經走到了從量變到質變的風口。

這條曲線概括了絕大多數高新技術的發展歷程。
我們很可能正處於第四個階段。第三次熱潮仍未結束。

第三次熱潮有何不同？
對比：
前兩次 ： 學術研究主導 市場宣傳層面 學術界在勸說和遊說政府和投資人投錢 更多的是提出問題
第三次 ： 商業需求主導 商業模式層面 投資人主動向熱點領域的學術和創業專案投錢 更多的是解決問題

如今的人工智慧可以說真正和產業相結合，走進了人們的日常生活當中。
搜尋引擎的背後是以深度學習為基礎的演算法；
美圖秀秀的背後是機器視覺和AI藝術的結合；
網路地圖的背後是AI對大資料的挖掘和處理；
……

今天的人工智慧，是有用的人工智慧。 ——李開復《人工智慧》

最後以維基百科使用的綜合定義作結：AI就是根據對環境的感知，做出合理的行動，並獲得最大收益的計算機程式。