人工智能最初是在1956年达特茅斯会议上提出的。会议将人工智能的目标确定为“实现能够使用知识解决人类问题的机器”。这个梦想很快就被一系列失败的尝试打破了，但它开始了人工智能漫长而曲折的研究进程。
人工智能的第一次激增始于1950年。算法的角度出发,感知器数学模型,模拟人类的神经元的反应进程,为了被提议,为了完成任务,分类,使用梯度下降法训练样本可以自动学习。另外，通过计算机应用的开发，实现计算机的逻辑推理的尝试也成功了。神经网络的第一个浪潮是理论和实践的效果带来的。但是，色氨酸模型的缺陷后来被发现了。也就是说，只能处理线性分类问题，就连最简单的XOR问题也不能正确分类。很多应用程序的问题没有随着时间的推移得到解决，神经网络的研究也停滞不前。
人工智能的第二次激增始于1980年。为了解决非线性分类和学习问题，提出了BP(后向聚合)算法来计算多层神经网络的参数。并且，特定领域的专家系统也很好地应用于商业，人工智能预示着下一个高潮的到来。但是,人工神经网络的设计,是应对严密的数学理论的支持不足,因此bp算法是梯度消失的问题被指出,对前层不能有效地学习。专家系统还揭示了一些问题，比如狭窄的应用领域和困难的知识获取。人工智能的研究下降到了第二低。
人工智能的第三次激增始于2010年。深度学习的出现引起了很大的关注。多层神经网络的学习过程中的梯度消失问题被有效地抑制。由于网络的深层结构，能够自动提取复杂的特征并赋予特征，可以避免传统方法中手动提取特征的问题。深度学习应用于语音识别和图像识别，取得了非常好的成果。人工智能在大数据时代进入了第三个高潮。
