图1是人工智能开展状况概览。人工智能的开展阅历了很长时刻的前史沉淀，早在1950年，阿兰·图灵就提出了图灵测试机，粗心是将人和机器放在一个小黑屋里与屋外的人对话，假如屋外的人分不清对话者是人类仍是机器，那么这台机器就具有像人相同的智能。
随后，在1956年的达特茅斯会议上，“人工智能”的概念被初次提出。在之后的十余年内，人工智能迎来了开展史上的第一个小顶峰，研讨者们张狂涌入，取得了一批注目的成果，比方1959年，第一台工业机器人诞生；1964年，首台谈天机器人也诞生了。
可是，因为其时核算才能的严重不足，在20世纪70年代，人工智能迎来了第一个隆冬。前期的人工智能大多是经过固定指令来履行特定的问题，并不具有真实的学习和考虑才能，问题一旦变杂乱，人工智能程序就不堪重负，变得不智能了。
尽管有人趁机否定人工智能的开展和价值，可是研讨学者们并没有因而停下行进的脚步，总算在1980年，卡内基梅隆大学规划出了第一套专家系统——XCON。该专家系统具有一套强壮的常识库和推理才能，能够模仿人类专家来处理特定范畴问题。
从这时起，机器学习开端鼓起，各种专家系统开端被人们广泛使用。不幸的是，跟着专家系统的使用范畴越来越广，问题也逐步露出出来。专家系统使用有限，且经常在常识性问题上犯错，因而人工智能迎来了第二个隆冬。
1997年，IBM公司的“深蓝”核算机战胜了国际象棋世界冠军卡斯帕罗夫，成为人工智能史上的一个重要里程碑。之后，人工智能开端了平稳向上的开展。
2006年，李飞飞教授认识到了专家学者在研讨算法的过程中忽视了“数据”的重要性，所以开端带头构建大型图画数据集—ImageNet，图画辨认大赛由此拉开帷幕。
同年，因为人工神经网络的不断开展，“深度学习”的概念被提出，之后，深度神经网络和卷积神经网络开端不断映入人们的眼皮。深度学习的开展又一次掀起人工智能的研讨狂潮，这一次狂潮至今仍在继续。
图2列出了人工智能开展史上的一些重要事情。从诞生以来，机器学习阅历了长足开展，现在现已被使用于极为广泛的范畴，包含数据发掘、核算机视觉、自然语言处理、生物特征辨认、搜索引擎、医学确诊、检测信用卡诈骗、证券市场分析、DNA序列测序、语音和手写辨认、战略游戏、艺术创作和机器人等，以及咱们特别重视的机器学习和深度学习未来开展的一大趋势——自动化机器学习和深度学习（AutoML及AutoDL）。
到目前为止，人工智能依照整体向上的开展进程，能够大致分为4个开展阶段，分别为精耕细作的诞生期、急于求成的工业期、积少成多的迸发期，以及现在逐步用AutoML来自动发生神经网络的未来开展期。
前期因为遭到核算机算力的约束，机器学习处于慢速开展阶段，人们更注重于将逻辑推理才能和人类总结的常识赋予核算机。但跟着核算机硬件的开展，尤其是GPU在机器学习中的使用，核算机能够从海量的数据中学习各种数据特征，然后很好地完结人类分配给它的各种基本使命。
此刻，深度学习开端在语音、图画等范畴大获成功，各种深度学习网络层出不穷，完结相关使命的准确率也不断提高。一起，深度学习神经网络朝着深度更深、结构愈加奇妙杂乱的方向推动，GPU的研制与使用也跟着神经网络对算力要求的不断提高而继续快速向前推动。图4展现了近年来首要神经网络的开展。
2012年，AlexNet为了充分使用多个GPU的算力，立异性地将深度神经网络规划成两部分，使网络能够在两个GPU上进行练习。
2013年，ZFNet又进一步处理了Feature Map可视化的问题，将深度神经网络的了解推动了一大步。2014年，VGGNet经过进一步添加网络的深度而获得了更高的准确率；同年，GoogLeNet的发明引入了重复模块Inception Model，使得准确率进一步提高。
而2015年ResNet将重复模块的思维更深层次地开展，然后获得了逾越人类水平的分辩才能。这时，因为深度神经网络层数的不断加深，需求练习的参数过于巨大，为了在不献身精度的一起削减需求练习的参数个数，2017年DenceNet应运而生。
跟着深度神经网络的不断开展，各种模型和新颖模块的不断发明使用，人们逐步认识到开发一种新的神经网络结构越来越费时吃力，为什么不让机器自己在不断的学习过程中发明出新的神经网络呢？
出于这个构思，2017年Google推出了AutoML——一个能自主规划深度神经网络的AI网络，紧接着在2018年1月发布第一个产品，并将它作为云服务敞开出来，称为Cloud AutoML。
自此，人工智能又有了更进一步的开展，人们开端探究怎么使用已有的机器学习常识和神经网络结构来让人工智能自主建立合适事务场景的网络，人工智能的另一扇大门被翻开。