AI 역사 이정표

Apple은 ChatGPT의 기능을 최신 iPhone 및 디지털 비서 Siri에 완벽하게 통합하여 사용자에게 향상되고 지능적인 경험을 제공하는 최첨단 "Apple Intelligence" 기능을 공개했습니다.

OpenAI는 2024년 2월 15일 텍스트 설명으로 짧은 동영상을 만들 수 있는 AI 모델인 Sora를 공개합니다.

Google은 향상된 기능과 성능 업그레이드를 제공하는 Gemini 1.0 Ultra라는 Gemini 플랫폼의 고급 버전을 공개했습니다.

바이든 대통령은 2023년 10월 30일 인공지능 기술의 책임 있고 윤리적인 개발 및 활용을 촉진하고 안전, 보안 및 신뢰성을 보장하는 것을 목표로 하는 행정 명령을 제정했습니다.

Google은 2023년 5월에 Bard를 LaMDA에서 더욱 발전된 PaLM2 언어 모델로 전환합니다.

일론 머스크(Elon Musk)와 스티브 워즈니악(Steve Wozniak)을 포함한 거대 기술 기업과 혁신가들이 첨단 AI 시스템의 급속한 개발을 일시적으로 중단할 것을 주장하는 청원을 지지했습니다. 이 청원은 인간의 이해와 통제를 넘어설 수 있는 AI 모델을 만드는 것의 잠재적 위험에 대한 우려를 언급하며, 이 기술의 궤적을 재평가하기 위해 6개월의 중단을 촉구합니다.

Google은 2023년 3월 ChatGPT에 대한 대응으로 LaMDA 및 PaLM 언어 모델을 기반으로 하는 제한된 용량의 챗봇 Bard를 출시했습니다.

OpenAI가 최근 공개한 GPT-4 모델은 이전 모델인 GPT-3.5에 비해 상당한 발전을 이루었지만 여전히 몇 가지 내재적 한계가 있습니다. 특히 GPT-4는 멀티모달 기능을 도입하여 텍스트와 이미지 입력을 모두 처리할 수 있습니다. 이 향상된 모델은 프리미엄 제품으로 ChatGPT에 통합되었습니다. OpenAI의 내부 평가에 따르면 GPT-4는 SAT에서 94번째 백분위수, LSAT에서 88번째 백분위수, Uniform Bar Exam에서 90번째 백분위수를 기록하는 탁월한 성능을 보여주었습니다.

놀라운 AI ​​언어 모델인 ChatGPT는 2023년 1월까지 1억 명 이상의 사용자를 확보하여 전례 없는 이정표를 달성하여 지금까지 가장 빠르게 성장하는 소비자 애플리케이션으로 자리매김했습니다.

OpenAI가 개발한 획기적인 언어 모델인 GPT-3은 고급 딥 러닝 기술을 활용하여 컴퓨터 코드, 시 및 기타 언어 작업을 포함한 다양한 영역에서 인간과 유사한 텍스트를 생성합니다. 이전 T-NLG보다 10배 더 큰 전례 없는 모델 용량을 갖춘 GPT-3은 사람이 작성한 콘텐츠와 놀라울 정도로 유사하고 거의 구별할 수 없는 출력을 생성합니다. 이 혁신적인 언어 모델은 2020년 5월에 공개되었으며 다음 달에 베타 테스트에 들어갔습니다.

딥마인드의 단백질 구조 예측 모델인 알파폴드2(AlphaFold 2)가 지난 11월 열린 2020 CASP 대회에서 우승을 차지했다.

Microsoft는 2020년 2월 전례 없는 170억 개의 매개변수를 자랑하는 대규모 언어 모델인 T-NLG(Turing Natural Language Generation)를 공개하여 지금까지 출시된 가장 큰 언어 모델에 대한 새로운 기록을 세웠습니다.

구글은 약속 예약과 같은 작업을 처리하기 위해 자연스러운 대화에 참여할 수 있는 AI 시스템인 듀플렉스(Duplex)를 공개했습니다. AI의 음성은 인간의 음성 패턴을 매우 설득력 있게 모방하여 Los Angeles Times에서는 이를 "거의 완벽한" 모방이라고 표현했습니다.

알리바바가 언어 처리를 위해 개발한 AI 시스템은 스탠포드 대학교 독해력 시험에서 최고 수준의 인간 참가자들의 성적을 능가했습니다. 100,000개의 질문으로 구성된 테스트에서 AI는 82.44점을 기록하여 인간 점수인 82.304점을 약간 능가했습니다.

트랜스포머 아키텍처의 생성은 Google의 BERT와 같은 혁신적인 대규모 언어 모델을 위한 길을 열었고, 그 후 OpenAI는 생성형 사전 훈련된 트랜스포머 모델을 개척했습니다.

IBM이 개발한 Watson이라는 인공 지능 시스템은 인기 TV 퀴즈 쇼인 Jeopardy!, Rutter 및 Jennings의 챔피언을 능가했습니다.

명제 논리의 부울 만족 문제를 해결하는 데 사용되는 소프트웨어 도구는 정수 집합 내의 피타고라스 삼중과 관련된 오랜 수학적 추측을 입증하는 데 사용되었습니다. 200테라바이트에 달하는 초기 증명은 두 개의 별도 인증 자동 증명 검증 시스템을 통해 검증되었습니다.

Deepstack116 알고리즘은 불완전한 정보 게임, 특히 헤즈업 노리밋 포커에서 인간 플레이어보다 통계적으로 유의미한 성능을 보였습니다. 그 후, 다른 연구 그룹에서 개발한 Libratus 포커 AI는 고도로 숙련된 4명의 인간 상대를 각각 물리치고 통계적으로 유의미한 샘플에 비해 매우 높은 전체 승률을 달성했습니다. 체스나 바둑과 달리 포커는 불완전한 정보 게임이기 때문에 성취를 더욱 어렵게 만듭니다.

알리바바가 언어 처리를 위해 개발한 AI 시스템은 스탠포드 대학교 독해력 시험에서 최고 수준의 인간 참가자들의 성적을 능가했습니다. 100,000개의 질문으로 구성된 테스트에서 AI는 82.44점을 기록하여 인간 점수인 82.304점을 약간 능가했습니다.

스티븐 호킹(Stephen Hawking), 일론 머스크(Elon Musk)와 같은 저명한 인사들과 수많은 AI 전문가들은 2015년 1월 공개 서한을 통해 인공 지능의 잠재적인 사회적 영향을 연구해야 한다고 주장했습니다.

고속도로 네트워크 및 ResNets와 같은 기술을 통해 이전에는 달성하기 어려웠던 1,000개 이상의 레이어가 있는 매우 심층적인 신경망을 훈련할 수 있었습니다.

카네기 멜론 대학(Carnegie Mellon University)에서 이미지 간의 시각적 연결을 끊임없이 학습하고 분석하도록 설계된 시스템인 NEIL이 공개되어 다양한 이미지 데이터 간의 관계를 지속적으로 비교하고 조사할 수 있습니다.

Alex Krizhevsky가 개발한 선구적인 이미지 인식 딥 러닝 모델인 AlexNet은 준우승자보다 훨씬 적은 오류로 ImageNet 대규모 시각적 인식 챌린지에서 우승하여 획기적인 성과를 거두었습니다. 이는 AI 역사에서 중추적인 순간으로, 이미지 인식 작업을 위한 딥 러닝 기술이 널리 채택되고 수많은 대체 접근 방식이 포기되었습니다. Krizhevsky는 딥 러닝 네트워크 훈련을 위해 GPU 칩을 혁신적으로 사용함으로써 이러한 성공에 기여했습니다.

이러한 지능형 가상 비서는 자연어 처리 기능을 활용하여 사용자 쿼리를 이해하고, 관련 정보를 제공하고, 제안을 제공하고, 스마트폰에서 작업을 실행합니다.

IBM이 개발한 Watson이라는 인공 지능 시스템은 인기 TV 퀴즈 쇼인 Jeopardy!, Rutter 및 Jennings의 챔피언을 능가했습니다.

Mary Lou Maher와 Doug Fisher는 AI와 환경 지속 가능성의 결합에 초점을 맞춘 인공 지능 발전 협회의 첫 번째 워크숍을 주도했습니다.

연결주의 시간 분류를 사용하여 훈련된 LSTM이라는 순환 신경망은 패턴 인식 경쟁, 특히 연결된 필기 인식 영역에서 승리하여 이러한 성공을 달성한 최초의 중요한 이정표를 세웠습니다.

앨버타 대학의 연구원 그룹은 컴퓨터 분석을 통해 체커 게임의 결과를 성공적으로 결정했습니다.

저명한 과학 저널인 Philosophical Transactions of the Royal Society, B – Biology는 생물학적 지능을 이해하기 위한 인공 지능의 적용을 탐구하는 "자연 행동 선택 모델"이라는 제목의 특별판을 발행했습니다.

다트머스 인공 지능 컨퍼런스에서는 향후 50년 동안 AI의 미래를 탐구했습니다. "AI@50"이라는 제목의 이 행사는 2006년 7월 14일부터 7월 16일까지 열렸습니다.

분자 수준에서 뇌에 대한 포괄적인 시뮬레이션을 개발하기 위해 획기적인 계획인 Blue Brain이 시작되었습니다.

OWL (Web Ontology Language)은 2004년 2월 10일에 발표된 W3C 권고안입니다. 웹에서 온톨로지 또는 지식 도메인을 나타내는 데 사용되는 언어입니다.

"스마트 토이"라고 불리는 상업적으로 실행 가능한 대화형 로보펫이 시장에 출시되어 18세기 참신한 장난감 제작자의 열망을 실현했습니다.

Oxygen 아키텍처 프로젝트, 모바일 및 고정 컴퓨팅 장치를 적응형 네트워크 환경에 통합하도록 설계된 시스템입니다.

MIT AI 연구소에서 개발한 지능형 방과 감성 에이전트.

웹 크롤러와 같은 AI 기반 프로그램은 광대한 World Wide Web에서 정보를 추출하고 활용하는 데 중요한 역할을 합니다.

Ulises Cortés와 Miquel Sànchez-Marrè는 ECAI 회의 기간 동안 환경 과학과 인공 지능 간의 격차를 해소하는 것을 목표로 유럽에서 "환경 과학과 인공 지능 결합"이라는 선구적인 워크숍을 시작했습니다.

보다 지능적이고 상호 연결된 웹에 대한 비전을 설명하는 Semantic Web Roadmap 문서는 Tim Berners-Lee에 의해 소개되었습니다.

타이거 일렉트로닉스(Tiger Electronics)의 퍼비(Furby) 출시는 상업적 성공을 거둔 선구적인 국내 AI 제품으로서 중요한 이정표를 세웠다.

LSTM(Long Short-Term Memory)이라는 인공 신경망은 Sepp Hochreiter와 Juergen Schmidhuber가 Neural Computation 저널에 발표한 연구 논문에서 소개되었습니다.

Logistello로 알려진 오델로 플레이용 인공 지능 소프트웨어는 현재 게임 세계 챔피언인 Takeshi Murakami를 상대로 결정적인 6-0 승리를 거두었습니다.

IBM이 개발한 강력한 체스 컴퓨터 Deep Blue가 현재 세계 체스 챔

NASA에 고용된 Cindy Mason은 환경 문제에서 인공 지능의 역할을 탐구하는 데 전념하는 첫 번째 국제 IJCAI 워크숍을 조직합니다.

컴퓨터 프로그램 Chinook은 영국 드래프트 세계 챔피언 Tinsley를 제치고 경기를 포기했습니다. 또한 Chinook은 두 번째로 높은 평가를 받은 선수인 Lafferty를 이겼습니다. 또한 미국 내셔널 토너먼트에서도 전례 없는 큰 차이로 승리하며 압도적인 승리를 거두었습니다.

버클리 대학의 자데(Zadeh) 교수는 신경망, 퍼지 논리, 진화 알고리즘, 유전자 프로그래밍, 카오스 이론과 같은 다양한 분야를 통합하는 '소프트 컴퓨팅'이라는 개념을 개발했습니다. 그는 이러한 학문 분야를 통합한 글로벌 연구 네트워크를 구축하여 컴퓨팅 인텔리전스 및 의사 결정 시스템의 발전을 가능하게 했습니다.

ISX Corporation은 DART(동적 분석 및 재계획 도구)에 대해 DARPA(국방고등연구계획국)로부터 최고의 계약자로 인정을 받았습니다. 이 AI 기반 도구의 성공은 수십 년 동안 정부가 AI 연구에 투자한 총 투자액을 능가하는 매우 가치 있는 것으로 간주되었습니다.

걸프전 중에 활용된 DART 스케줄링 애플리케이션은 DARPA가 30년 동안 인공 지능에 대해 연구한 노력의 가치를 성공적으로 입증했으며, 이 분야에 대한 상당한 투자를 정당화했습니다.

게리 테사우로(Gerry Tesauro)의 주사위 놀이 프로그램인 TD-Gammon은 챔피언십 수준에서 세계적 수준의 플레이어와 경쟁할 수 있는 게임 플레이 프로그램을 개발하는 데 있어 강화 학습의 효과를 보여줍니다.

AI는 기계 학습, 지능형 지도 시스템, 사례 기반 추론, 다중 에이전트 계획, 일정 알고리즘, 불확실한 추론 기술, 데이터 마이닝 방법, 자연어 처리 및 번역 모델, 컴퓨터 비전, 가상 현실 등 다양한 영역에서 상당한 발전을 경험했습니다. 시뮬레이션, 게임 개발 및 기타 신흥 분야.

카네기 멜론 대학의 Dean Pomerleau가 개발한 시스템인 ALVINN(An Autonomous Land Vehicle in a Neural Network)이 Navlab 프로젝트에 활용되어 신경망 기술을 통해 자율 육상 차량 탐색이 가능해졌습니다.

1980년대에 MOS(Metal-Oxide-Semiconductor) VLSI(Very-large-scale integration)의 일종인 CMOS(Complementary Metal-Oxide-Semiconductor) 기술의 발전은 인공 신경망(ANN)의 실제 구현을 촉진했습니다. 이 분야의 중요한 연구는 Carver A. Mead와 Mohammed Ismail이 1989년에 저술한 "Analog VLSI Implementation of Neural Systems"로, ANN 기술 개발에 중요한 역할을 했습니다.

토론토에 있는 Alacritous Inc./Allstar Advice Inc.라는 회사는 2세대 상업 전략 및 경영 자문 시스템인 Alacrity 2.0을 출시했습니다. 이 시스템은 시장 진화와 경쟁 ​​전략에 초점을 맞춘 약 3,000개의 규칙을 갖춘 전방 연결 전문가 시스템을 활용했습니다. 회사 설립자인 Alistair Davidson과 Mary Chung이 공동으로 작성했으며 기본 엔진은 Paul Tarvydas가 개발했습니다. 또한 Alacrity 2.0에는 재무제표와 모델을 해석할 수 있는 소규모 재무 전문가 시스템이 통합되었습니다.

마음의 이론적 모델에 관한 마빈 민스키(Marvin Minsky)의 연구에서 그는 이를 협력 행위자의 집합체로 제안했습니다. 그는 자신의 책 The Society of Mind를 출판하기 몇 년 전에 강의를 통해 이 아이디어를 제시해 왔습니다.

선구적인 연구자인 바바라 그로스(Barbara Grosz)와 캔디스 시드너(Candace Sidner)는 담화 분석을 위한 초기 계산 프레임워크를 개발하여 새로운 연구 분야의 길을 열었습니다.

1970년 Seppo Linnainmaa가 도입하고 나중에 Paul Werbos가 신경망에 적용한 자동 미분의 역 모드라고도 하는 역전파 알고리즘은 신경망의 광범위한 채택에 크게 기여했습니다.

시간 사건의 선구적인 공식화인 간격 미적분학(Interval Calculus)은 제임스 F. 앨런(James F. Allen)에 의해 고안되어 이 분야에서 상당한 발전을 이루었습니다.

John Laird와 Paul Rosenbloom은 Allen Newell과 협력하여 Carnegie Mellon University에서 Soar(프로그램)에 대한 박사 과정 연구를 마무리했습니다.

1982년 일본 무역 산업부가 시작한 FGCS(5세대 컴퓨터 시스템) 프로젝트는 대규모 병렬 처리를 활용하여 광범위한 계산을 수행하는 "5세대 컴퓨터"를 개발하는 것을 목표로 했습니다. 이 프로젝트는 병렬 처리를 통해 복잡한 계산을 실행할 수 있는 컴퓨팅 시스템을 만드는 데 중점을 두었습니다.

Danny Hillis는 Connection Machine으로 알려진 획기적인 병렬 컴퓨팅 시스템을 설계하여 AI 및 컴퓨팅 기능을 크게 향상시켰습니다. 그 후 그는 Thinking Machines Corporation을 설립했습니다.

인공 지능 전문 조직인 AAAI의 첫 컨퍼런스가 스탠포드 대학에서 열렸습니다.

주어진 기간 동안 Lisp 기계가 설계, 제조 및 상용화되었습니다. 또한 최초의 전문가 시스템 쉘과 상용 애플리케이션이 등장했습니다.

Ed Feigenbaum과 Joshua Lederberg가 감독한 Stanford의 SUMEX-AIM 리소스는 ARPAnet이 과학적 협력을 어떻게 촉진했는지 보여주었습니다.

MIT와 스탠포드의 연구원들은 비단조로운 논리에 대한 연구를 개척하여 새로운 정보가 제공됨에 따라 신념이나 지식을 관리하고 업데이트하는 공식적인 방법을 탐구했습니다.

CMU의 Hans Berliner가 개발한 주사위 놀이용 컴퓨터 프로그램은 부분적으로 운이 좋았던 덕분에 현재 세계 챔피언을 물리치는 데 성공했습니다.

스탠포드 카트(Stanford Cart)로 알려진 스탠포드 대학교의 Hans Moravec이 개발한 자율주행차는 의자가 가득한 방을 독립적으로 탐색하고 스탠포드 AI 연구소 주변을 조종하여 획기적인 성과를 거두었습니다.

코델 그린(Cordell Green), 데이비드 바스토우(David Barstow), 일레인 칸트(Elaine Kant)를 포함한 스탠포드 대학의 연구원들은 자동 프로그래밍을 가능하게 하는 CHI 시스템을 도입했습니다.

INTERNIST는 피츠버그대학교 연구진인 잭 마이어스(Jack Myers)와 해리 포플(Harry Pople)이 만든 지식 기반 의료 진단 프로그램이다. Myers의 임상 전문 지식을 활용하여 질병을 진단했습니다.

스탠포드 대학에서 개발된 MOLGEN 프로그램은 지식을 표현하고 유전자 복제 실험을 계획하는 객체 지향 프로그래밍의 잠재력을 보여주었습니다.

허버트 A. 사이먼(Herbert A. Simon)이 ​​도입한 획기적인 개념인 제한된 합리성은 그에게 노벨 경제학상을 안겨주었습니다. 인공 지능의 기본 기둥을 형성하는 이 이론은 개인이 제한된 정보와 인지 능력을 기반으로 결정을 내리므로 최적의 결과를 극대화하기보다는 자신의 요구를 충족시키는 선택을 한다고 가정합니다.

스탠포드 대학교의 Tom Mitchell이라는 연구원은 개념 형성 알고리즘의 검색 공간을 나타내는 버전 공간이라는 아이디어를 제안했습니다.

데이비스의 스탠포드 박사 학위 연구는 AI 시스템이 자신의 사고 과정에 대해 추론할 수 있는 메타 수준 추론의 효과를 보여주었습니다.

더글라스 레나트(Douglas Lenat)가 스탠포드 박사 학위 논문을 위해 개발한 AM 프로그램은 흥미로운 추측에 대한 느슨한 안내 검색을 포함하는 발견 모델을 설명했습니다.

시각적 인식은 초기 시각적 입력에서 가장자리, 경계, 표면 방향과 같은 필수 기능을 캡처하는 "원시 스케치"라고 하는 예비 표현을 만드는 것으로 시작됩니다. 이 기초 단계는 객체와 장면의 후속 처리 및 인식을 위한 기반을 설정합니다.

담론을 모델링하기 위한 전통적인 AI 방법은 Barbara Grosz에 의해 한계가 있는 것으로 밝혀졌습니다. 나중에 Grosz는 Bonnie Webber 및 Candace Sidner와 함께 자연어 처리에서 담화의 초점을 결정하고 아포릭 참조를 해결하는 데 도움이 되는 "센터링"이라는 개념을 개발했습니다.

Meta-Dendral 인공지능 시스템은 화학 분야, 특히 질량 분석 분야에서 획기적인 발견을 했으며, 이는 동료 심사 과학 저널에 게재되어 컴퓨터에 의한 최초의 과학적 발견이라는 이정표를 세웠습니다.

프레임에 대한 Marvin Minsky의 영향력 있는 기사는 스키마와 의미 연결에 대한 아이디어를 결합한 지식 표현을 소개했습니다.

오스틴 테이트(Austin Tate)는 전체 계획 목표를 달성하기 위한 대안으로 다양한 부분 계획을 탐색할 수 있는 Nonlin 시스템을 만들었습니다.

Earl Sacerdoti는 이전의 상태 공간 검색 접근 방식에서 벗어나 NOAH 시스템을 사용하여 부분 순서 계획 방법을 도입했습니다. NOAH는 SRI International에서 전기 기계 시스템의 대화형 진단 및 수리를 위해 사용되었습니다.

테드 쇼틀리프(Ted Shortliffe)의 스탠포드 대학 박사 학위 논문은 불확실성을 처리할 수 있는 의료 진단을 위한 규칙 기반 시스템인 MYCIN을 소개했습니다. DENDRAL에서 영감을 받은 MYCIN은 전문가 시스템, 특히 상용 시스템 개발에 큰 영향을 미쳤습니다.

Lighthill 보고서는 영국의 AI 연구를 비판하여 정부가 두 대학을 제외하고 AI 연구에 대한 자금을 삭감하도록 이끌었습니다.

Earl Sacerdoti는 ABSTRIPS라는 초기 계층적 계획 시스템을 만들었습니다.

프로그래밍 언어 Prolog는 Alain Colmerauer에 의해 만들어졌습니다.

Boyer-Moore 정리 증명의 개발은 에딘버러에서 시작되었습니다.

빌 우즈(Bill Woods)는 자연어를 표현하고 이해하는 방법으로 증강 전환 네트워크(Augmented Transition Networks, ATN)를 도입했습니다.

Jaime Carbonell(Sr.)은 지식 표현을 위해 의미 네트워크를 활용하여 컴퓨터 지원 학습을 촉진하는 대화형 소프트웨어인 SCHOLAR를 만들었습니다.

Seppo Linnainmaa는 인공 신경망 훈련에 널리 사용되는 역전파(backpropagation)라고 불리는 기술인 자동 미분의 역방향 모드를 도입했습니다.

SRI에서 Jane Robinson과 Don Walker는 이 분야에 큰 영향을 미친 자연어 처리에 중점을 둔 선구적인 연구 그룹을 설립했습니다.

McCarthy와 Hayes는 AI 추론에 프레임 문제를 도입했습니다.

Minsky와 Papert의 "Perceptrons"는 1970년대 AI 겨울을 촉발한 것으로 간주되는 단순 신경망의 한계를 강조했습니다 - 딥 러닝 방법은 Ivakhnenko, Lapa 및 Amari의 연구를 통해 이미 존재했습니다.

스탠포드는 ​​제1회 IJCAI(인공지능에 관한 국제 합동 회의) 컨퍼런스를 개최했습니다.

요릭 윌크스(Yorick Wilks)는 스탠포드 대학에서 선호 의미론(Preference Semantics)을 개척하여 최초의 의미론 기반 기계 번역 시스템을 만들었으며, 이는 후대의 많은 연구자들에게 영향을 미쳤습니다.

Roger Schank는 스탠포드에서 언어 이해를 위한 개념적 의존성 모델을 개발했으며 나중에 이야기 이해 및 기억 모델링을 위한 Wilensky, Lehnert 및 Kolodner의 박사 과정 작업을 통해 Yale에서 확장되었습니다.

Wallace와 Boulton은 베이지안 최소 메시지 길이 원칙을 통해 Occam의 면도칼을 적용한 초기 클러스터링 알고리즘인 Snob을 만들었습니다.

MIT의 리처드 그린블랫(Richard Greenblatt)은 클래스 C 토너먼트 수준에 도달한 획기적인 체스 프로그램인 맥 핵(Mac Hack)을 개발하여 인간과 신뢰할 수 있는 경쟁을 펼친 최초의 체스 AI가 되었습니다.

Joel Moses는 인공 지능과 지식 표현을 사용하여 미적분 통합 문제를 성공적으로 해결한 최초의 프로그램인 Macsyma에 대한 MIT 박사 과정을 통해 기호 수학을 개척했습니다.

아마리 순이치(Shun'ichi Amari)는 다층 퍼셉트론의 딥러닝을 위해 확률적 경사하강법을 최초로 사용한 사람입니다. 그의 학생 Saito가 수행한 컴퓨터 실험에서 수정 가능한 두 개의 레이어가 있는 5개의 레이어 다층 퍼셉트론은 비선형 분리 가능한 패턴 클래스를 분류하는 데 유용한 내부 표현을 학습했습니다.

- Ross Quillian demonstrated semantic nets in his PhD dissertation at Carnegie Institute of Technology (now CMU).

- The Machine Intelligence 71 workshop at Edinburgh was the first of an influential annual series organized by Donald Michie and others.

- A negative report on machine translation killed much work in natural language processing (NLP) for many years.

- The Dendral program, developed by Edward Feigenbaum, Joshua Lederberg, Bruce Buchanan, and Georgia Sutherland at Stanford University, demonstrated the ability to interpret mass spectra on organic chemical compounds, making it the first successful knowledge-based program for scientific reasoning.

Edward Feigenbaum은 과학 장비 데이터를 사용하여 유기 화합물의 분자 구조를 추론할 수 있는 소프트웨어를 개발하기 위한 10년 간의 노력인 Dendral 프로젝트를 시작했습니다. Dendral은 최초의 전문가 시스템이었습니다.

J. Alan Robinson은 프로그램이 표현 언어인 형식 논리를 사용하여 효율적으로 작동할 수 있도록 하는 기계적 증명 절차인 해결 방법을 발명했습니다.

1965년 버클리 캘리포니아 대학교 교수인 Lotfi A. Zadeh는 퍼지 논리의 개념을 소개하는 Information and Control 저널에 "Fuzzy Set"이라는 중요한 논문을 발표했습니다.

Ivakhnenko와 Lapa는 소련에서 다층 퍼셉트론을 훈련하기 위한 최초의 딥 러닝 알고리즘을 만들었으며, 이는 나중에 현대 신경망의 기초가 되는 선구적인 기술입니다.

Bobrow의 MIT 논문은 컴퓨터가 대수학의 단어 문제를 해결하기 위해 자연어를 충분히 이해할 수 있음을 보여 주었고, Raphael의 SIR 작업은 논리적 지식 표현을 통해 컴퓨터 시스템이 어떻게 질문에 답할 수 있는지를 보여주었습니다.

Uhr와 Vossler는 Rosenblatt의 퍼셉트론의 한계를 뛰어넘어 자체 기능을 생성하고 수정할 수 있는 최초의 적응형 기계 학습 프로그램 중 하나를 만들었습니다.

Feigenbaum과 Feldman은 인공 지능에 초점을 맞춘 최초의 연구 논문 선집인 "Computers and Thought"를 편집했습니다.

솔로몬노프(Solomonoff)는 예측을 하고 사례를 통해 학습하는 보편적인 베이지안 접근 방식을 개발하여 AI의 수학적 기초를 확립했습니다.

Cambridge의 Masterman과 그녀의 팀은 기계 번역을 용이하게 하기 위해 설계된 의미 네트워크를 만들었습니다.

뉴웰(Newell), 쇼(Shaw), 사이먼(Simon)은 CMU에서 일반문제해결사(GPS)를 개발했고, 맥카시(McCarthy)와 민스키(Minsky)는 MIT AI 연구소(MIT AI Laboratory)를 설립했다.

McCarthy는 AI용으로 설계된 최초의 프로그래밍 언어 중 하나인 Lisp를 만들었습니다. IBM에서 Gelernter와 Rochester는 일반적인 사례의 시각적 모델을 사용하는 기하학 정리 증명기를 개발했습니다. Teddington 회의에서는 Advice Taker에 대한 McCarthy의 제안과 "상식" 추론, Selfridge의 "Pandemonium", 그리고 경험적 프로그래밍에 대한 Minsky의 작업 등 여러 가지 영향력 있는 논문이 발표되었습니다.

McCarthy, Minsky, Rochester 및 Shannon은 Dartmouth College 여름 컨퍼런스를 조직했으며, 여기서 McCarthy는 "인공 지능"이라는 용어를 소개했습니다. 이는 AI가 한 분야로 공식적으로 시작되었음을 알리는 행사였습니다.

Arthur Samuel은 1952년에 만들어진 체커 프로그램인 인간 플레이어와 진지하게 경쟁할 수 있는 최초의 게임 플레이 프로그램을 개발했습니다. 그는 1955 년에 학습 능력을 포함하도록 향상시켜 경험을 통해 향상시킬 수있게했습니다.

Strachey와 Prinz는 1951년 맨체스터 대학의 Ferranti Mark 1 컴퓨터를 위해 각각 체커와 체스 프로그램을 개발하여 최초의 기능적 AI 프로그램을 만들었습니다.

Donald Hebb은 Hebbian 이론을 확립하여 함께 활성화되는 뉴런 사이의 연결을 강화함으로써 신경망이 학습할 수 있는 메커니즘을 제안했습니다.

Bush는 The Atlantic Monthly에 "As We May Think"라는 글을 게재하여 컴퓨터가 다양한 활동에 걸쳐 인간의 능력을 향상시킬 미래를 설명했습니다.

폰 노이만(Von Neumann)과 모르겐슈테른(Morgenstern)은 "게임 이론과 경제적 행동"을 출판하여 게임 이론을 나중에 AI 개발에 결정적인 수학적 틀로 확립했습니다.

Rosenblueth, Wiener 및 Bigelow는 "사이버네틱스"라는 용어를 도입했으며, Wiener는 나중에 같은 이름의 1948년 책에서 이 용어를 대중화했습니다.

McCulloch와 Pitts는 뉴런이 어떻게 논리적 작업을 수행할 수 있는지를 나타내는 인공 신경망의 최초 수학적 모델을 제공한 "신경 활동에 내재된 아이디어의 논리 계산"을 발표했습니다.

Zuse는 최초의 기능적이고 프로그래밍 가능한 범용 컴퓨터의 구축을 완료했습니다.

Edward Condon은 실수 없이 Nim 게임을 플레이할 수 있는 디지털 컴퓨터인 Nimatron을 만들었습니다.

Konrad Zuse는 최초의 프로그래밍 가능한 컴퓨터 중 하나에 대한 특허를 제출했습니다.

Alonzo Church는 일반적인 계산 문제의 결정 불가능성을 증명하고 컴퓨터 프로그래밍 언어 이론에 필수적인 람다 미적분학을 개발함으로써 Gödel의 연구를 기반으로 했습니다.

Kurt Gödel은 수학적 진술을 숫자로 인코딩하고 일부 참 진술은 일관된 기계 시스템으로 입증될 수 없음을 증명함으로써 컴퓨터 시스템의 근본적인 한계를 보여주었습니다. 이는 이론적인 컴퓨터 과학과 AI를 형성하는 획기적인 발전이었습니다.

1925년 Lenz와 Ising이 개발한 Ising 모델은 임계값 요소를 사용하는 순환 신경망의 초기 형태였습니다. Amari는 나중에 1972년에 이 시스템을 적용 가능하게 만들었습니다.

Torres Quevedo는 체스 최종 게임을 플레이할 수 있는 최초의 기계인 El Ajedrecista를 만들었고 부동 소수점 연산과 같은 개념을 개척했습니다. 자동화에 관한 그의 에세이는 사고와 자동화된 기계 사이의 관계를 탐구하여 초기 AI 선구자로 인정을 받았습니다.

Russell과 Whitehead의 Principia Mathematica는 기본적인 수학이 형식적 논리적 추론을 통해 표현될 수 있음을 보여주었습니다.

사무엘 버틀러(Samuel Butler)는 기계가 생물학적 유기체처럼 진화할 수 있다고 제안했으며, 기계가 결국 의식을 발달시키고 인간을 대체할 수 있다고 예측했습니다.

George Boole은 인간 추론의 기본 작동을 표현하고 분석하기 위해 고안된 수학적 시스템인 부울 대수학을 만들었습니다.

버나드 볼차노(Bernard Bolzano)는 언어와 논리(의미론)에서 의미가 표현되는 방식을 공식화하는 현대적인 접근 방식을 개척했습니다.

Babbage와 Lovelace는 계산을 수행하도록 프로그래밍할 수 있는 기계 컴퓨터를 개발하기 위해 협력했습니다.

Legendre와 Gauss는 행성 운동을 예측하기 위해 18세기 말/19세기 초에 선형 회귀(최소 자승법이라고도 함)를 개발했습니다. 이 수학적 기법은 나중에 가장 단순한 형태의 인공 신경망으로 인식되었습니다.

Von Kempelen은 인간 상대를 물리치고 유럽을 순회하는 체스 게임 기계인 The Turk를 만들었습니다. 나중에 인간 체스 선수를 숨기는 사기극으로 밝혀졌습니다.

Thomas Bayes의 사후 출판된 에세이는 나중에 베이지안 네트워크를 통해 AI 시스템의 기본이 되는 수학적 원리인 Bayes의 정리로 알려지게 된 내용을 소개했습니다.

La Mettrie는 "L'Homme Machine"(Man Machine)에서 인간의 사고 과정이 본질적으로 완전히 기계적이라고 제안했습니다.

데이비드 흄(David Hume)은 유도(특정 사례에서 일반 원리를 도출하는 과정)를 학습의 기본 방법으로 식별했습니다.

다니엘 베르누이(Daniel Bernoulli)는 확률 이론을 가치 측정 및 의사 결정을 위한 프레임워크로 확장하여 유틸리티 개념을 개발했습니다. 이는 나중에 AI 시스템이 목표와 선택을 모델링하는 방법의 기본이 되는 원칙입니다.

스위프트의 〈걸리버 여행기〉는 룰의 아르스 마그나(Ars Magna)와 라이프니츠(Leibniz)의 기계적 논리를 지능이나 학습이 필요 없는 학술 저작물을 생산한다고 주장하는 허구의 기계인 라퓨타(Laputa)의 엔진을 통해 풍자했다.

라이프니츠는 기계적 추론을 통해 모든 문제를 해결하기 위한 대수적 방법을 창출하는 것을 목표로 모든 객체에 수치 값을 할당하는 보편적 논리 시스템을 구상했습니다.

라이프니츠는 나중에 역전파와 같은 알고리즘을 통해 신경망을 훈련하는 데 필수적인 수학적 원리인 연쇄 법칙을 발견했습니다.

라이프니츠는 곱셈과 나눗셈 연산이 가능한 계산기인 Stepped Reckoner를 만들어 기계적 계산을 발전시켰습니다.

데카르트는 동물의 몸이 정교한 기계로 기능하면서도 의식과 정신적 과정이 근본적으로 구별된다는 이론을 세웠습니다.

블레즈 파스칼 (Blaise Pascal)은 수치 계산을 수행 할 수있는 기계 장치 인 최초의 디지털 계산기를 만들었습니다.

아리스토텔레스의 작업과 관련하여 명명된 프랜시스 베이컨의 새로운 유기체(Novum Organum)는 지식 습득을 위한 기초로서 경험적 방법론과 귀납적 추론을 확립했습니다.

전설에 따르면 프라하의 랍비 로우(Rabbi Loew)는 점토로 만들어 마법처럼 생명을 불어넣은 인공 존재인 골렘을 만들었습니다.

르네상스 시대의 의사이자 연금술사인 파라켈수스는 자기력, 생식 물질, 연금술 과정을 조합하여 인간형 존재를 만들었다고 주장했습니다.

13세기에 Ramon Llull은 개념을 기계적으로 결합하기 위해 Zairja라는 아랍어 장치를 적용하여 Ars Magna를 만들었습니다. 그는 이것을 단순한 진실을 결합하여 복잡한 지식을 생성할 수 있는 기계로 상상했습니다. 이 개념은 나중에 1600년대 라이프니츠의 작업에 영향을 미쳤습니다.

Al-Jazari는 조화로운 방식으로 음악을 연주하도록 프로그래밍할 수 있는 기계 인간형 인물로 구성된 자동화된 오케스트라를 설계했습니다.

Al-Khwarizmi는 산술 및 대수 문제를 해결하기 위한 상세하고 체계적인 절차를 제공하는 영향력 있는 수학 교과서를 저술했습니다. 이러한 방법은 1500년대까지 수세기 동안 이슬람 문명, 인도 및 유럽 전역에서 널리 사용되었습니다. 그의 이름은 "알고리즘"이라는 단어의 유래이며 체계적인 문제 해결 방법에 대한 그의 공헌을 반영합니다.

아랍의 연금술사 자비르 이븐 하이얀(Jabir ibn Hayyan)은 타크윈(Takwin)이라는 이론적 틀을 개발하여 실험실 과정을 통해 인간의 생명을 포함한 생명을 인공적으로 창조할 수 있는 가능성을 탐구했습니다.

그리스 철학자인 포르피리우스(Porphyry)는 지식과 논리를 범주로 분류한 작품인 이사고게(Isagogê)를 썼습니다. 특히, 그것은 우리가 현재 시맨틱 네트워크(semantic network, 구조화된 다이어그램을 통해 개념 간의 관계를 보여주는 방법)라고 부르는 것의 초기 버전인 시각적 표현을 포함했습니다.

고대 그리스의 발명가인 알렉산드리아의 영웅(Hero of Alexandria)은 기계 인간형 인물을 포함한 다양한 자동화 장치를 설계했습니다. 그의 가장 주목할만한 업적 중 하나는 역사상 최초의 프로그래밍 가능한 기계, 즉 대본에 따라 동작과 장면을 수행할 수 있는 자동화된 극장을 만든 것입니다.

고대 그리스 기술자인 Ctesibius는 경보 시스템이 포함된 고급 물시계를 만들었습니다. 이 장치는 시스템이 현재 상태를 기반으로 자체 작동을 모니터링하고 조정할 수 있는 피드백 제어 메커니즘의 최초의 알려진 사용을 나타내기 때문에 획기적이었습니다.

Aristotle made two significant contributions to the foundations of systematic thinking and problem-solving:

1) In his work Organon, he developed the syllogism - a structured method of logical reasoning where conclusions are drawn from two premises. This represented one of the first formalized systems of mechanical, step-by-step logical thinking.

2) In Nicomachean Ethics, he outlined what we now call means-ends analysis - a method of solving problems by repeatedly identifying the gap between your current state and goal state, then taking actions to reduce that gap. Interestingly, this same basic algorithm would be implemented thousands of years later in one of the first AI programs, the General Problem Solver, created by Newell and Simon in 1959.

중국 주(周)왕조 시대에 옌시(顯夫)라는 기술자가 무왕에게 스스로 움직일 수 있는 자동화된 인물, 즉 '기계인'을 만들어 보여주었습니다.

고대 이집트와 그리스 사람들은 특정 신성한 조각상에 의식과 감정이 있다고 믿었습니다. 헤르메스 트리스메기스토스(Hermes Trismegistus)의 글에 따르면, 이 기계 조각상은 감각 지각(sensus)과 생명력 또는 호흡(spiritus)을 모두 갖고 있다고 생각되었습니다. 그는 인간이 신의 신성한 본성을 이해함으로써 이러한 특성을 자신이 만든 형태로 재현하는 방법을 배웠다고 주장했습니다.