1956年，一群科学家在达特茅斯开了个会，会议持续一个多月，一共只有10几个人参加。Aphago，GTP本质上都起源于这次会议。这场会议被视为开创人工智能的起点，达特茅斯会议。
什么是智能？智能就是看情况做事。
所谓人工智能，就是搭建一个根据不同环境信息给出针对性的输出和回应的系统（一个黑箱）。输出可以是动作、语言，也可以是判断、预测。
智能的本质就是一个不会乱来的黑箱。用数学一点的说法，智能就是找到情景信息的输入（x），和我们想要的聪明的行为输出（y）之间的函数对应关系：f(x)=y
图灵测试说，如果人无法区分我们是在和人还是AI聊天，那么这个AI就实现了类似人的智能。图灵测试（Turing Test）是英国数学家、计算机科学之父艾伦·图灵于1950年在论文《计算机器与智能》中提出的、用于判断机器是否具备人类智能的行为主义测试：若一台机器通过纯文本对话，能令人类裁判无法可靠区分其与真人，则视为“通过”测试。
那么如何搭建这样一个聪明的黑箱？很多人提出了很多思路：
比如一开始的专家系统。即把用人类的推理和思考，用符号和规则记录下来，然后像算数一样计算出来和推演。这样的系统在医疗和金融领域取得成功，但随着时间的推移，暴露出的致命的缺陷。首先，很多时候现实世界并没有那么清晰的规则，专家给出的结果并不一致。其次，这套系统完全是在复制人类的经验，他的能力上限就是专家的水平，无法做到比人更好。而且，从设计完这个系统后他就是静止的，无法像人类一样随着时间和经验的增长，水平不断继续提升。
因此，从上世纪70年代开始，另一个人工智能流派开始发扬光大，就是机器学习。它不追求一开始就有一个完美的黑箱，但允许这个黑箱不断的变化，通过不断的引导和学习，让它在某个任务上表现越来越好。
这种思路就想训狗。你发出坐的指令，如果他坐下来，你就给他狗粮奖励，如果他不坐还瞪着你，你就给他一巴掌。久而久之，狗这个黑箱就会越来越明白你发出的坐的指令，和他需要坐下来的行为之间的关系。于是，一只会听指令的小狗就训练完成了。
这个流派叫机器学习，就是把学习的对象从狗变成了机器。通过给机器以奖励或惩罚的方式，让机器自主调整和不断学习，从而学会解决某一种任务的智能。这个任务可以使识别一张图片中的数字或人脸，也可能是下围棋，或与人对话等等。
机器学习的强大之处在于，它不需要任何专家的专业知识来人为搭建黑箱内部结构。它只需要两样东西，一个强大且有学习能力的黑箱，和足够多的数据。
现在，你肯定有以下三个疑问：哪来这种神奇黑箱？怎么奖励一个机器？机器怎么建立条件反射？这三个问题就对应了“模型结构”、“损失函数”、“训练过程”。
