1) Prehistorie UI (1943-1955)

• W. McCulloch, W. Pitts: 1943 jednoduchý Booleovský model neuronu, jen binární signály 0/1
  
• A. Turing publikuje v roce 1949 vizionářský článek „Computing Machinery and Intelligence“
  
• do výzkumu se zapojují např. Marvin Minsky, Dean Edmonds, Donald Hebb (demonstruje schopnost učení jednoduchých umělých neuronových sítí – perceptronů)
  

2) Zrození umělé inteligence (1956):

• seminář v Dartmouth College, New Hampshire, USA, deset klíčových vědců, kteří oficiálně položili základy UI
  
• název disciplíny Artificial Intelligence navrhl J. McCarthy (neplést s nechvalně známým senátorem McCarthym, který stál za politickými procesy v USA)
  

 3) Období entusiasmu a velkých očekávání (1952-1969)

• daří se postupně řešit některé problémy považované za strojově neřešitelné (viz seznam v kap. 26 ve [4
  
• například konverzace v přirozeném jazyce (ELIZA, 1964-1966), první stupínek směrem ke zvládnutí Turingova testu
  
• na logice postavené programy General Problem Solver, Geometry Theorem Prover pro řešení (matematických) problémů
  
• programovací jazyk Lisp pro UI (1958)
  

4) Střet s realitou (1966-1973)

• Herbert Simon (1957): „již existují stroje, které myslí, učí se a tvoří“, předpověď – během několika málo desetiletí se jejich schopnosti vyrovnají lidským
  
• přehnaně optimistické předpovědi vycházející z úspěchů UI na jednoduchých „hračkových“ problémech, které se ale nedařilo zopakovat u reálných problémů
  
• příčiny:
  

• důsledky: skepse k umělé inteligenci, financování výzkumu zásadně omezeno
  

5) Éra znalostních systémů (1969-1979) a jejich masového nasazení (1980-)

• pokus o překonání slabiny předchozích obecných přístupů k řešení problémů, které si vynucovaly prohledávání příliš velkého množství možností
  
• řešení: zabývat se vždy jen omezenou problematikou a využít maximum existujících (byť i matematicky nepodložených) znalostí k omezení repertoáru možných řešení
  
• výsledek: expertní a znalostní systémy, např. DENDRAL (molekulární chemie), MYCIN (medicinská diagnostika)
  
• s úspěchy expertních systémů potřeba jazyka pro reprezentaci znalostí a pravidel => PROLOG (1972)
  
• další přístup k reprezentaci znalostí: rámce (Minsky, 1975) – motivace pro dnešní OOP
  
• cca. od roku 1980 průmyslové nasazení expertních systémů, trh s nimi se za prvních 10 let zvětšil nejméně o tři řády
  

6) „UI zima“ –  90. léta 20. století

• v 90. letech se vedle expertních systémů rozvíjí se trh s počítačovým viděním, průmyslovými roboty apod.
  
• opět přehnaná očekávání jejich přínosu, krach řady společností zabývajících se UI, pokles investic a financování výzkumu – období „zimy UI“ cca. 10-15 let
  

7) Návrat umělých neuronových sítí, zavedení exaktních metod v UI (1986-)

• nové modely mnohavrstvých neuronových sítí překonaly omezení perceptronů, prudký rozvoj dodnes, po roce 2010 výrazné úspěchy, vznik pojmu hluboké učení
  
• UI v dřívějších etapách často založena na intuici, nyní začíná používat exaktní metody (matematické důkazy, ověřitelné experimenty)
  
• širší využití matematických metod nové přístupy: skryté Markovské modely, Bayesovské sítě, dolování dat… nástup „elegantní“ (neat) UI
  

8) Inteligentní agenty (1995-)

• pokrok v řadě dílčích oblastí UI oživil myšlenku inteligentních agentů, vnímajících a konajících v určitém prostředí
  
• příklad architektury inteligentního agenta: SOAR (State, Operator and Result) – 1990
  
• Internet – typické prostředí pro agenty, rozšíření nejrůznějších „botů“ – burza, spam, malware…
  
• vývoj profesionálních robotických simulátorů (webots)
  

9) Dostupnost velmi velkých souborů dat (2001-)

• rozvoj technologií a paměťových médií umožňuje shromažďovat obří kolekce dat, příkladem genetika (projekt mapování lidského genomu) nebo proteomika
  
• gigantickým zdrojem dat rovněž sociální sítě
  
• problémem se stává, jak z obrovských souborů neuspořádaných dat různé struktury a typu získat relevantní informace („big data science“)
  
• tyto obří báze dat umožňují oživit myšlenku univerzální UI, která by byla schopna „chápat“ (sémanticky popsat) mnoho aspektů reálného světa, na rozdíl od jednoúčelových agentů, jež např. hrají hry, řídí vozidla nebo rozpoznávají mluvenou řeč
  

10) Návratnost investic do základního výzkumu UI (1990-)

• Logistika: Válka v zálivu (1991), nástroj DART (Dynamic Analysis and Replanning Tool) – úspory při přepravě a logistice převýšily veškeré náklady, které DARPA vynaložila za celou dobu své existence do vývoje UI
  
• Boj proti spamu – nejlépe se osvědčují inteligentní adaptivní technologie, obří úspora v globálním měřítku
  
• Rozpoznávání řeči, inteligentní hlasoví asistenti, odezírání ze rtů, strojový překlad: masově se rozšiřující aplikace
  
• Diagnostika v medicíně, vyšší úspěšnost než většina lékařů, poslední slovo má ovšem lékař, UI využívána jako konzultant.
  
• Autonomní řízení vozidel: reálné aplikace v kosmickém výzkumu (několik sond ke vzdáleným cílům), ale velmi brzy se očekává masové nasazení v pozemské dopravě
• Velké jazykové modely (LLM): formulace textů, prohledávání internetových zdrojů, rešerše, automatické generování zpravodajství
• Generování obrazu, hudby, videa...