1943McCulloch e Pitts modelam o neurônio matematicamente
Warren McCulloch e Walter Pitts publicam 'Um Cálculo Lógico das Idéias Imanentes na Atividade Nervosa', mostrando que redes de neurônios simplificados, do tipo tudo ou nada, poderiam, em princípio, calcular qualquer função lógica - uma semente teórica mais tarde creditada como o ancestral da rede neural artificial.
1950Turing propõe o jogo da imitação
Em “Computing Machinery and Intelligence”, publicado na revista Mind, Alan Turing evita a questão “podem as máquinas pensar” e propõe, em vez disso, um teste prático, prevendo que dentro de cinquenta anos uma máquina com cerca de mil milhões de bits de armazenamento enganaria um interrogador médio pelo menos 30% das vezes.
1956O workshop de Dartmouth nomeia o campo
O workshop de verão de oito semanas de John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon em Dartmouth cunha o termo “inteligência artificial” e reúne cerca de dez pesquisadores que viriam a fundar grande parte da agenda de pesquisa inicial da área.
1958Rosenblatt constrói o Perceptron
O Perceptron de Frank Rosenblatt, implementado primeiro em software e depois em hardware personalizado em Cornell, aprende a classificar imagens simples ajustando seus próprios pesos de conexão - a primeira demonstração funcional de uma rede neural artificial treinável.
1969–1974O primeiro inverno de IA começa
O livro de 1969 de Marvin Minsky e Seymour Papert, 'Perceptrons', prova matematicamente que redes de camada única não podem resolver problemas simples como XOR, e o Relatório Lighthill da Grã-Bretanha de 1973 conclui que a IA não cumpriu suas promessas; o financiamento para redes neurais e pesquisas gerais sobre IA entra em colapso em ambos os lados do Atlântico.
1986A retropropagação é popularizada
David Rumelhart, Geoffrey Hinton e Ronald Williams publicam 'Aprendendo representações por retropropagação de erros' na Nature, mostrando que redes neurais multicamadas podem ser treinadas de forma eficiente através da propagação de sinais de erro para trás - o algoritmo ainda usado para treinar quase todas as redes neurais construídas desde então.
1987–1993O segundo inverno da IA
O mercado de máquinas Lisp especializadas entra em colapso quase da noite para o dia, à medida que estações de trabalho de uso geral mais baratas se aproximam e os sistemas especialistas baseados em regras se mostram muito frágeis e caros para serem mantidos em escala; O financiamento da IA contrata-se novamente e muitos investigadores abandonam silenciosamente o prazo do seu trabalho.
1989LeCun prova que redes convolucionais funcionam – em verificações reais
A rede neural convolucional de Yann LeCun, desenvolvida no Bell Labs, logo será implantada comercialmente para ler dígitos manuscritos em cheques; no final da década de 1990, os sistemas construídos em sua arquitetura estão lendo uma parcela significativa de verificações processadas nos Estados Unidos, uma implantação rara de aprendizagem profunda em funcionamento muito antes do grande avanço da área.
2012AlexNet vence ImageNet e inicia o boom do aprendizado profundo
A rede convolucional profunda de Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton vence a competição ImageNet com uma taxa de erro de 15,3% contra 26,2% da próxima melhor entrada, uma margem tão grande que convence a maior parte do campo, quase da noite para o dia, de que o aprendizado profundo resolveu o benchmark central da visão computacional.
2017–2022Transformers e a era da escala
Os pesquisadores do Google publicam 'Attention Is All You Need', apresentando a arquitetura Transformer por trás de quase todos os principais modelos de linguagem desde então; O GPT-3 (2020) e o ChatGPT (2022) da OpenAI demonstram então que escalar a mesma arquitetura com mais dados e computação continua produzindo novos recursos, lançando uma corrida em todo o setor para construir modelos cada vez maiores.
