当代人工智能的进步正在催化博弈论的复兴。以下是关于人工智能简史的相关内容： 早期的国际象棋对弈程序以搜索为基础，通过程序尝试估计对手在给定棋步数量下可能走的棋步，并依据在几步棋内所能达到的最佳位置选择最佳棋步，这促进了阿尔法-贝塔剪枝搜索算法的发展。搜索策略在对局即将结束时效果良好，因为此时棋步可能性的搜索空间局限在很小范围内，但在对局刚开始时，搜索空间巨大，需考虑通过学习人类棋手的现有对局来改进算法。随后的实验采用了基于案例的推理，即程序在知识库中寻找与当前棋局位置相似的案例来决定棋步。能够战胜人类棋手的现代对弈程序基于神经网络和强化学习，程序通过长时间与自己对弈，从自身错误中学习来学会下棋，这与人类学习下棋过程相似，且计算机程序学习速度更快。
人工智能作为一个领域始于二十世纪中叶，最初符号推理流行并带来重要进展，如专家系统，但因从专家提取知识、用计算机可读形式表现及保持知识库准确性复杂且成本高，20 世纪 70 年代出现“人工智能寒冬”。随着时间推移，计算资源变便宜、数据增多，神经网络方法在计算机视觉、语音理解等领域展现出可与人类媲美的性能，过去十年中，“人工智能”一词多被用作“神经网络”的同义词。在创建国际象棋计算机对弈程序时，可观察到这些方法的变化。
早期的国际象棋对弈程序是以搜索为基础的——程序尝试估计对手在给定棋步数量下可能走的棋步，并根据在几步棋内所能达到的最佳位置选择最佳棋步。这带来了[阿尔法-贝塔剪枝](https://en.wikipedia.org/wiki/Alpha%E2%80%93beta_pruning)搜索算法的发展。搜索策略在对局即将结束时效果很好，因为此时搜索空间对应的棋步可能性局限在非常小的范围内。然而在对局刚刚开始时，搜索空间非常巨大，需要考虑通过学习人类棋手之间的现有对局来改进算法。随后的实验采用了[基于案例的推理](https://en.wikipedia.org/wiki/Case-based_reasoning)，即程序在知识库中寻找与当前棋局位置非常相似的案例，以此来决定自己的棋步。能够战胜人类棋手的现代对弈程序都基于神经网络和强化学习，程序通过长时间与自己的对弈，从自己的错误中学习，以此来学会下棋，这与人类学习下棋的过程非常相似。不过，计算机程序可以用更少的时间下更多的棋，因此学习速度更快。✅对人工智能玩过的其他游戏做一个小调研。同样，我们可以看到创建“会说话的程序”（可能通过图灵测试）的方法是如何变化的：
人工智能作为一个领域始于二十世纪中叶。最初，符号推理非常流行，也带来了一系列重要进展，例如专家系统——能够在某些有限问题的领域充当专家的计算机程序。然而，人们很快发现这种方法无法实现应用场景的大规模拓展。从专家那里提取知识，用计算机可读的形式表现出来，并保持知识库的准确性，是一项非常复杂的任务，而且因为成本太高，在很多情况下并不适用。这使得20世纪70年代出现了“人工智能寒冬”（[AI Winter](https://en.wikipedia.org/wiki/AI_winter)）。随着时间的推移，计算资源变得越来越便宜，可用的数据也越来越多，神经网络方法开始在计算机视觉、语音理解等领域展现出可与人类相媲美的卓越性能。在过去十年中，“人工智能”一词大多被用作“神经网络”的同义词，因为我们听到的大多数人工智能的成功案例都是基于神经网络的方法。我们可以观察一下这些方法是如何变化的，例如，在创建国际象棋计算机对弈程序时：