經過漫長的“人工智慧寒冬”——當人們開始嚴重懷疑人工智慧能否達到接近人類智慧水平的水平時——人工智慧的商業價值開始顯現，吸引了新的投資目光。
Digital Equipment Corporation 的創始人 Ken Olsen 是最早實現人工智慧商用利益的商界領袖之一。
大企業的解決方案（1987）
企業家們遠沒有早期的人工智慧專家那麼雄心勃勃。他們的“系統”並沒有試圖創造一種通用的智慧，而是專注於更具體的任務。這意味著只需根據解決特殊問題的規則進行程式設計。第一個成功的商用系統“RI”能夠幫助配置新計算機系統的訂單。 1986 年，它每年為公司節省40 美元。
論文“語言翻譯的統計方法”將現實世界的語言問題從規則轉變為可以學習的機率。
從規則到機率學習（1988）
IBM TJ Watson 研究中心的成員發表了“語言翻譯的統計方法”，預示著機器翻譯從基於規則的方法向機率方法的轉變，並反映了基於對已知示例的統計分析向“機器學習”的泛化轉變。
Rodney Brooks 成為麻省理工學院人工智慧實驗室的主任，這個職位曾經由 Marvin Minsky 擔任。
迴歸自然以獲得“自下而上”的靈感（1990 年）
專家系統無法破解模仿生物學的問題。隨後人工智慧科學家羅德尼·布魯克斯（
Rodney Brooks）
發表了一篇新論文：大象不下棋（Elephants Don’t Play Chess）。布魯克斯受到神經科學進展的啟發，神經科學開始解釋人類認知的奧秘。例如，視覺需要大腦中的不同“模組”協同工作以識別模式，而無需中央控制。布魯克斯認為，用智慧行為規則對計算機進行預程式設計的自上而下的方法是錯誤的。他幫助推動了自下而上的人工智慧方法的復興，包括長期以來不被看好的神經網路領域。
聊天機器人 ALICE
ALICE 聊天機器人學習如何透過網路說話（1995）
Richard Wallace 開發了人工語言聊天機器人 ALICE，其靈感來自 Joseph Weizenbaum 的 ELIZA 程式，由於網路的出現，增加了前所未有的自然語言樣本資料收集。
深藍——“像上帝一樣思考”。
人與機器：20世紀的戰鬥（1997）
自上而下的人工智慧的支持者仍擁有王牌：超級計算機“深藍”，它在 1997 年與世界象棋冠軍加里·卡斯帕羅夫 （Garry Kasparov） 對決。
從理論上看，IBM 製造的機器遠遠優於人類象棋手——每秒能夠評估多達 2 億個位置。但它可以戰略性地思考嗎？答案是肯定的。這臺超級計算機贏得了這場被稱為“大腦的最後一站”的比賽，其天賦讓卡斯帕羅夫認為必須由人類來控制。一些人稱讚這是人工智慧成熟的時刻。但對於其他人來說，這只不過展示了具有明確規則的高度專業化問題上機器的蠻力。
時間很快到了
21世紀初
Roomba 吸塵器在進行清理——全球已購買超過 1000 萬臺。
第一個家用機器人（2002 年）
Rodney Brook 的衍生公司 iRobot 創造了第一個家用商業成功——掃地機器人Roomba
清潔地毯與早期人工智慧先驅者的野心相去甚遠。但 Roomba 是一項巨大的成就。它的多層行為生成系統遠比 Shakey the Robot 的演算法簡單得多，更像是半個多世紀前 Gray Walter 的機器人。儘管感測器相對簡單且處理能力最低，但它仍具有足夠的智慧來有效地清潔家裡的地面。Roomba 迎來了特定任務機器人的新時代。
2006年傑弗裡辛頓在這一年發表了《一種深度置信網路的快速學習演算法》，其他重要的深度學習學術文章也在這一年被髮布，在基本理論層面取得了若干重大突破。這是深度學習發展史的分水嶺。
這無疑為接下來人工智慧的第三次浪潮打下了基礎：
2000年後網際網路行業飛速發展形成了海量資料。同時資料儲存的成本也快速下降。使得海量資料的儲存和分析成為了可能。
據谷歌稱，截至 2015 年，其語音識別技術的單詞錯誤率為 8%。
開始解決大問題（2008）
2008 年 11 月，新的 Apple iPhone 上出現了一個小功能——具有語音識別功能的 Google 應用程式。
這似乎很簡單。但這預示著重大突破。儘管語音識別是人工智慧的主要目標之一，但數十年來的研究從未將其準確率提高到 80% 以上。谷歌開創了一種新方法：數千臺功能強大的計算機，並行神經網路，學習從谷歌眾多使用者輸入的大量資料中發現模式。起初它仍然相當不準確，但經過多年的學習和改進，谷歌現在聲稱它的準確率為 92%。
斯坦福教授 李飛飛
ImageNet 人工智慧催化劑（2009 年）
李飛飛看到她在學術界和人工智慧行業的同事們都持這樣的信念：無論資料如何，更好的演算法都會做出更好的決策。但她意識到這種方法的侷限性——如果學習到的資料不能反映現實世界，那麼即便是最好的演算法也不能很好地工作。
她的解決方案是：必須構建更好的資料集。“我們決定要做一些歷史上前所未有的事情。我們將繪製出整個物體世界。”
李飛飛釋出了 ImageNet，這是一個包含 1400 萬張影象的免費資料庫，這些影象已被成千上萬的 Amazon Mechanical Turk 工人標記。人工智慧研究人員開始使用 ImageNet 訓練神經網路來分類照片和識別物體。許多人將其視為當今世界正在經歷的人工智慧繁榮的催化劑。
跳舞的NAO
舞蹈機器人（2010）
在大型資料庫正在改變人工智慧的方式的同時，新技術意味著小的演算法也可以發揮更大的作用。這些新技術使類人機器人成為可能，例如 NAO 機器人，它可以做像 Shakey 這樣的前輩發現幾乎不可能的事情。NAO 使用了過去十年的新興技術，例如神經網路支援的學習。在上海的 2010 年世博會上，這些機器人的非凡能力盡情展現： 20 個機器人完美和諧地共舞了 8 分鐘。
Watson在智力競賽
人與機器：21世紀的戰鬥（2011）
2011 年，IBM 的 Watson 在美國智力競賽節目 Jeopardy 中扮演了人類大腦的角色。這對機器來說是比國際象棋更大的挑戰。Watson必須回答謎語和複雜的問題。為了更好的識別提問和回答的模式，研究人員對Watson進行了超過三年的訓練。Watson是包括神經網路在內的技術應用成果，最終Watson擊敗了它的對手——節目中有史以來表現最好的兩位選手。這場勝利像病毒一樣傳播開來，並被譽為人工智慧的勝利。
人工神經網路中的一個神經元從未標記的 YouTube 影片靜止幀中訓練出來，學會了檢測貓。
學習貓臉（2012）
Jeff Dean 和 Andrew Ng 報告了一項實驗成果，他們展示了一個非常大的神經網路，其中包含從 YouTube 影片中隨機拍攝的 1000 萬張未標記影象，並且“讓我們感到有趣的是，我們的一個人工神經元學會了對……貓的圖片做出強烈反應。”
繪畫傻瓜的作品，靈感來自阿富汗的新聞。
繪畫傻瓜（The painting fool）（2013）
繪畫傻瓜是倫敦金史密斯學院教授西蒙科爾頓（Simon Colton）的心血結晶，他建議如果程式要算作創意，它們必須透過與圖靈測試不同的東西。他建議，人工智慧藝術家不能像圖靈提出的那樣簡單地以令人信服的人類方式交談，而必須以“熟練”、“欣賞”和“富有想象力”的方式行事。
在一次展覽中，
繪畫傻瓜
掃描了衛報
上一篇 關於阿富汗戰爭的文章，提取了“北約”、“軍隊”和“英國”等關鍵詞，並找到了與之相關的影象。然後將這些組合在一起，形成反映報紙文章“內容和情緒”的合成影象。
如果消極情緒的統計量太大，
繪畫傻瓜會陷入
完全拒絕繪畫的沮喪狀態，設計者稱——這實際上相當於藝術氣質。
Eugene Goostman
機器現在智慧了嗎？（2014）
在圖靈發表他的證明機器智慧的測試想法 64 年後，一個名為 Eugene Goostman 的聊天機器人終於通過了。它假裝是13歲小男孩——不能指望他什麼都知道，並且可能會因為輕微的語法或語言錯誤而被原諒，能在 5 分鐘內讓 33% 的評委相信是人類在打字對話。Eugene Goostman的開發者之一弗拉基米爾·維塞洛夫（Vladimir Veselov）說：“我們花了很多時間來開發一個性格可信的角色。”。
但很少有人工智慧專家認為這是重要分水嶺。Eugene Goostman 被視為“為考試而教”，他使用技巧來愚弄評委。
2014 年至今，人工智慧在各個領域都獲得了更多進展，從谷歌對無人駕駛汽車的數十億美元投資，到 Skype 推出實時語音翻譯，在各種條件成熟後，深度學習發揮出了強大的能力。在語音識別、影象識別、NLP等領域不斷重新整理紀錄。
無論是中國市場還是美國市場，近幾年來，主流廠商的市場格局一直在不斷演變，遠沒有達到格局穩定、幾家公司形成壟斷的階段。在未來，技術創新型企業仍有可能勝出。
智慧機器現在正成為日常現實，將改變我們所有人的生活。
一個彩蛋：
2015 年 6 月，Alex Mordvintsev和 Google 的 Brain AI 研究團隊發表了一些令人迷惑成果。經過一些從視覺線索中識別物體的訓練，獲得了一些隨機數字影象，包括混合“豬蝸牛”， “駱駝鳥”和“狗魚”。這催生了一種名為“
啟發主義”
（Inceptionism）的新藝術形式，神經網路被設定為透過逐步放大影象合成畫面，系統不斷嘗試在已知框架內“看到”——直到到處都是相似的元素。
