经过漫长的“人工智能寒冬”——当人们开始严重怀疑人工智能能否达到接近人类智能水平的水平时——人工智能的商业价值开始显现，吸引了新的投资目光。
Digital Equipment Corporation 的创始人 Ken Olsen 是最早实现人工智能商用利益的商界领袖之一。
大企业的解决方案(1987)
企业家们远没有早期的人工智能专家那么雄心勃勃。他们的“系统”并没有试图创造一种通用的智能，而是专注于更具体的任务。这意味着只需根据解决特殊问题的规则进行编程。第一个成功的商用系统“RI”能够帮助配置新计算机系统的订单。 1986 年，它每年为公司节省40 美元。
论文“语言翻译的统计方法”将现实世界的语言问题从规则转变为可以学习的概率。
从规则到概率学习(1988)
IBM TJ Watson 研究中心的成员发表了“语言翻译的统计方法”，预示着机器翻译从基于规则的方法向概率方法的转变，并反映了基于对已知示例的统计分析向“机器学习”的泛化转变。
Rodney Brooks 成为麻省理工学院人工智能实验室的主任，这个职位曾经由 Marvin Minsky 担任。
回归自然以获得“自下而上”的灵感（1990 年）
专家系统无法破解模仿生物学的问题。随后人工智能科学家罗德尼·布鲁克斯（Rodney Brooks）发表了一篇新论文：大象不下棋（Elephants Don’t Play Chess）。布鲁克斯受到神经科学进展的启发，神经科学开始解释人类认知的奥秘。例如，视觉需要大脑中的不同“模块”协同工作以识别模式，而无需中央控制。布鲁克斯认为，用智能行为规则对计算机进行预编程的自上而下的方法是错误的。他帮助推动了自下而上的人工智能方法的复兴，包括长期以来不被看好的神经网络领域。
聊天机器人 ALICE
ALICE 聊天机器人学习如何通过网络说话(1995)
Richard Wallace 开发了人工语言聊天机器人 ALICE，其灵感来自 Joseph Weizenbaum 的 ELIZA 程序，由于网络的出现，增加了前所未有的自然语言样本数据收集。
深蓝——“像上帝一样思考”。
人与机器：20世纪的战斗（1997）
自上而下的人工智能的支持者仍拥有王牌：超级计算机“深蓝”，它在 1997 年与世界象棋冠军加里·卡斯帕罗夫 (Garry Kasparov) 对决。
从理论上看，IBM 制造的机器远远优于人类象棋手——每秒能够评估多达 2 亿个位置。但它可以战略性地思考吗？答案是肯定的。这台超级计算机赢得了这场被称为“大脑的最后一站”的比赛，其天赋让卡斯帕罗夫认为必须由人类来控制。一些人称赞这是人工智能成熟的时刻。但对于其他人来说，这只不过展示了具有明确规则的高度专业化问题上机器的蛮力。
时间很快到了21世纪初
Roomba 吸尘器在进行清理——全球已购买超过 1000 万台。
第一个家用机器人（2002 年）
Rodney Brook 的衍生公司 iRobot 创造了第一个家用商业成功——扫地机器人Roomba
清洁地毯与早期人工智能先驱者的野心相去甚远。但 Roomba 是一项巨大的成就。它的多层行为生成系统远比 Shakey the Robot 的算法简单得多，更像是半个多世纪前 Gray Walter 的机器人。尽管传感器相对简单且处理能力最低，但它仍具有足够的智能来有效地清洁家里的地面。Roomba 迎来了特定任务机器人的新时代。
2006年杰弗里辛顿在这一年发表了《一种深度置信网络的快速学习算法》，其他重要的深度学习学术文章也在这一年被发布，在基本理论层面取得了若干重大突破。这是深度学习发展史的分水岭。
这无疑为接下来人工智能的第三次浪潮打下了基础：
2000年后互联网行业飞速发展形成了海量数据。同时数据存储的成本也快速下降。使得海量数据的存储和分析成为了可能。
据谷歌称，截至 2015 年，其语音识别技术的单词错误率为 8%。
开始解决大问题（2008）
2008 年 11 月，新的 Apple iPhone 上出现了一个小功能——具有语音识别功能的 Google 应用程序。
这似乎很简单。但这预示着重大突破。尽管语音识别是人工智能的主要目标之一，但数十年来的研究从未将其准确率提高到 80% 以上。谷歌开创了一种新方法：数千台功能强大的计算机，并行神经网络，学习从谷歌众多用户输入的大量数据中发现模式。起初它仍然相当不准确，但经过多年的学习和改进，谷歌现在声称它的准确率为 92%。
斯坦福教授 李飞飞
ImageNet 人工智能催化剂（2009 年）
李飞飞看到她在学术界和人工智能行业的同事们都持这样的信念：无论数据如何，更好的算法都会做出更好的决策。但她意识到这种方法的局限性——如果学习到的数据不能反映现实世界，那么即便是最好的算法也不能很好地工作。
她的解决方案是：必须构建更好的数据集。“我们决定要做一些历史上前所未有的事情。我们将绘制出整个物体世界。”
李飞飞发布了 ImageNet，这是一个包含 1400 万张图像的免费数据库，这些图像已被成千上万的 Amazon Mechanical Turk 工人标记。人工智能研究人员开始使用 ImageNet 训练神经网络来分类照片和识别物体。许多人将其视为当今世界正在经历的人工智能繁荣的催化剂。
跳舞的NAO
舞蹈机器人(2010)
在大型数据库正在改变人工智能的方式的同时，新技术意味着小的算法也可以发挥更大的作用。这些新技术使类人机器人成为可能，例如 NAO 机器人，它可以做像 Shakey 这样的前辈发现几乎不可能的事情。NAO 使用了过去十年的新兴技术，例如神经网络支持的学习。在上海的 2010 年世博会上，这些机器人的非凡能力尽情展现： 20 个机器人完美和谐地共舞了 8 分钟。
Watson在智力竞赛
人与机器：21世纪的战斗（2011）
2011 年，IBM 的 Watson 在美国智力竞赛节目 Jeopardy 中扮演了人类大脑的角色。这对机器来说是比国际象棋更大的挑战。Watson必须回答谜语和复杂的问题。为了更好的识别提问和回答的模式，研究人员对Watson进行了超过三年的训练。Watson是包括神经网络在内的技术应用成果，最终Watson击败了它的对手——节目中有史以来表现最好的两位选手。这场胜利像病毒一样传播开来，并被誉为人工智能的胜利。
人工神经网络中的一个神经元从未标记的 YouTube 视频静止帧中训练出来，学会了检测猫。
学习猫脸（2012）
Jeff Dean 和 Andrew Ng 报告了一项实验成果，他们展示了一个非常大的神经网络，其中包含从 YouTube 视频中随机拍摄的 1000 万张未标记图像，并且“让我们感到有趣的是，我们的一个人工神经元学会了对……猫的图片做出强烈反应。”
绘画傻瓜的作品，灵感来自阿富汗的新闻。
绘画傻瓜（The painting fool）(2013)
绘画傻瓜是伦敦金史密斯学院教授西蒙科尔顿（Simon Colton）的心血结晶，他建议如果程序要算作创意，它们必须通过与图灵测试不同的东西。他建议，人工智能艺术家不能像图灵提出的那样简单地以令人信服的人类方式交谈，而必须以“熟练”、“欣赏”和“富有想象力”的方式行事。
在一次展览中，绘画傻瓜扫描了卫报上一篇 关于阿富汗战争的文章，提取了“北约”、“军队”和“英国”等关键词，并找到了与之相关的图像。然后将这些组合在一起，形成反映报纸文章“内容和情绪”的合成图像。
如果消极情绪的统计量太大，绘画傻瓜会陷入完全拒绝绘画的沮丧状态，设计者称——这实际上相当于艺术气质。
Eugene Goostman
机器现在智能了吗？(2014)
在图灵发表他的证明机器智能的测试想法 64 年后，一个名为 Eugene Goostman 的聊天机器人终于通过了。它假装是13岁小男孩——不能指望他什么都知道，并且可能会因为轻微的语法或语言错误而被原谅，能在 5 分钟内让 33% 的评委相信是人类在打字对话。Eugene Goostman的开发者之一弗拉基米尔·维塞洛夫（Vladimir Veselov）说：“我们花了很多时间来开发一个性格可信的角色。”。
但很少有人工智能专家认为这是重要分水岭。Eugene Goostman 被视为“为考试而教”，他使用技巧来愚弄评委。
2014 年至今，人工智能在各个领域都获得了更多进展，从谷歌对无人驾驶汽车的数十亿美元投资，到 Skype 推出实时语音翻译，在各种条件成熟后，深度学习发挥出了强大的能力。在语音识别、图像识别、NLP等领域不断刷新纪录。
无论是中国市场还是美国市场，近几年来，主流厂商的市场格局一直在不断演变，远没有达到格局稳定、几家公司形成垄断的阶段。在未来，技术创新型企业仍有可能胜出。
智能机器现在正成为日常现实，将改变我们所有人的生活。
一个彩蛋：
2015 年 6 月，Alex Mordvintsev和 Google 的 Brain AI 研究团队发表了一些令人迷惑成果。经过一些从视觉线索中识别物体的训练，获得了一些随机数字图像，包括混合“猪蜗牛”， “骆驼鸟”和“狗鱼”。这催生了一种名为“启发主义”（Inceptionism）的新艺术形式，神经网络被设定为通过逐步放大图像合成画面，系统不断尝试在已知框架内“看到”——直到到处都是相似的元素。
