链接：

人工智能简史第一部分-起源

人工智能简史第二部分-向实际运用的飞跃

人工智能简史第三部分-人工智能的冬天

人工智能简史第四部分-繁荣的80 年代

20世纪80年代，人工智能（AI）迎来了关键性的发展时候。
在这一期间，AI不仅从学术研究的象牙塔中走出，更在商业天下崭露锋芒，成为了不可忽略的主要力量。
同时，其核心技能也取得了令人瞩目的进步。
八十年代见证了一系列具有深远影响的显著创新，接下来，让我们一同深入探索个中的奥秘。

位于繁荣前沿的是被誉为“专家系统”的人工智能程序。
这些程序致力于仿照特定领域的人类专业知识，并迅速崭露锋芒，成为环球企业的明星产品。
由 Edward Feigenbaum 和他的学生首创的 Dendral 和 MYCIN 等早期系统，展现了人工智能在实际运用中的巨大潜力。
它们在限定的知识范畴内供应理解决方案，奥妙回避了知识推理的长期寻衅，彰显了人工智能在现实天下中的代价与效用。

XCON 的成功故事，源于其为 Digital Equipment Corporation 所创，并为其带来了每年数百万美元的节约。
这一显著的成效，引发了 80 年代中期企业对人工智能的投资热潮，推动了人工智能行业的发达发展，使之成为一股不可忽略的力量。

20世纪80年代，知识成为了人工智能研究的核心议题。
人们开始专注于构建那些能够利用大量不同信息的系统，这与早期的努力形成了光鲜的比拟。
这种方法的转变，是由于人们逐渐认识到智能行为深深植根于对详细、特定领域知识的处理之中。
例如，Cyc这样的项目就试图通过创建一个广泛的日常事实数据库来办理知识问题。

同时，人工智能在国际象棋界也引起了巨大的轰动。
HiTech和Deep Thought等程序，作为后来著名的深蓝程序的前身，开始逐渐击败闇练的人类玩家。
这一造诣不仅标志着人工智能在特定、繁芜任务中的能力得到了显著增强，也进一步引发了人们对人工智能未来潜力的无限期待。

在20世纪80年代，环球范围内对人工智能的投资显著增加。
一个突出的例子这天本的第五代打算机项目，该项目旨在开拓能够像人类一样思考和理解的打算机。
这一努力也影响了包括英国和美国在内的其他国家开展类似的项目，从而进一步推动了人工智能研究的财政支持。

当时的关键事宜之一是神经网络重新受到人们的关注。
1982年，John Hopfield的研究证明了神经网络的有效学习和处理能力。
这一创造，加上Geoffrey Hinton和David Rumelhart在反向传播方面所做的事情，为神经网络研究注入了新的活力，并为后来在语音和光学字符识别等领域取得的造诣奠定了根本。

在技能方面，金属氧化物半导体（MOS）技能，尤其是CMOS的进步，对人工智能产生了重大影响。
这一技能进步促进了神经网络的实际运用，1989年的首创性著作《神经系统的仿照VLSI实现》便是证明。

然而，每次上升之后总有下跌。
在20世纪80年代末，人工智能行业经历了一次衰退。
过高的期望导致了人工智能的经济泡沫终极分裂，这一阶段常日被称为第二个“人工智能冬天”。
专业人工智能硬件市场暴跌，早期专家系统的掩护在经济和技能上都变得不可持续。
这种低迷导致了人工智能资金的大幅减少，并引发了人们对该领域商业前景的疑惑。

随着领域的稳步发展，人工智能的新方法在机器人和觉得运动技能方面逐渐吸引了更多关注。
这些方法与传统的人工智能范式大相径庭，由于它们更加强调与天下进行物理交互的主要性。
像罗德尼·布鲁克斯这样的专家，不仅支持对情报的基本理解，还寻衅了仅仅依赖符号处理的不雅观念。

20世纪80年代是一个充满显著进步、商业冒险和重新评估的时期。
这些发展在勾引人工智能的发展方向上发挥了至关主要的浸染，为其在20世纪90年代及往后的发展奠定了坚实的根本。
回顾这段动荡的十年，我们看到了坚持与灵巧性、理解与复制情报的持续努力。

敬请期待人工智能历史的下一章，我们将深入磋商20世纪90年代，以及数据挖掘、机器人技能和语音识别等方面的进展。

链接：

人工智能简史第一部分-起源

人工智能简史第二部分-向实际运用的飞跃

人工智能简史第三部分-人工智能的冬天

人工智能简史第四部分-繁荣的80 年代