在早期，AI 主要由運行原始 Lisp 操作的專用硬件上的 Lisp（LISt 處理器）編程語言提供支持。Lisp 是最早的語言之一，可以高效地處理項目列表。通用機器隨后成為時尚，編程模型也隨之流行。但隨著機器學習，特別是深度學習的復興，新的方法和工具包優化了這些數據流。在這里，我們將探索機器學習和軟件平臺的融合。

早期人工智能歷史

人工智能和 Lisp 不可避免地交織在一起，因為概念和語言起源于同一個人 John McCarthy（1927-2011）。在其最早的形式中，人工智能比當今占主導地位的數字方法更專注于搜索和符號處理。Lisp 憑借其簡單自然地表示復雜數據的能力及其對遞歸（用于迭代和搜索）的使用使其成為當時許多問題的理想選擇。憑借其交互式解釋器（稱為 REPL 或讀取評估打印循環），Lisp 使探索性編程變得更加容易，這非常適合解決未完全理解的問題。

但是 Lisp 的強大功能也是它最大的貶低者。它的函數式編程風格很困難，并為新的編程語言范例打開了大門。雖然今天繼續使用函數式編程，但命令式、面向對象和多范式語言在今天更為普遍。

現代人工智能語言

雖然可以使用任何編程語言開發 AI 應用程序，但有些語言比其他語言更好。無論是語言本身還是圍繞語言的支持，某些語言都極大地簡化了 AI 開發。

邏輯編程

Prolog語言于 1972年推出，其根源在于一階邏輯，其中程序由事實和規則定義。可以查詢程序以將規則應用于事實并產生結果。Prolog 今天仍然廣泛用于專家系統和自動規劃系統等應用程序。Prolog 最初是為自然語言處理而設計的，并且它繼續在那里找到應用程序。

通用語言

Prolog 推出 20 年后，出現了一種名為Python的通用語言，它是圍繞代碼可讀性而設計的。盡管 Python 作為一種教授編程的教育語言很早就引起了人們的興趣，但它已經發展成為一種在各個領域廣泛使用的語言，包括人工智能和機器學習。Python 的主要優勢之一是其龐大的庫和工具包集，使構建應用程序變得更加簡單。例如，Python 可以與 TensorFlow 開源工具包一起用于構建深度學習應用程序。當您想要部署深度學習而不開發所需的詳細深度神經網絡結構時，這很有用。

統計計算

R 語言中使用了類似的模型，它既是一種語言，也是一種用于圖形化表示的統計計算環境）。R 是一種高度可擴展的語言，可通過包的集成進行擴展。包將一些特定應用程序的函數和數據收集在一起，然后可以在 R 程序中使用，例如統計函數或整個深度學習工具包。截至 2020 年，超過 15,000 個包可用于 R 語言。

新的功能方法

盡管 Lisp 主要是當今機器學習的一個注腳，但它的功能根源已經催生了遵循這種范式的新語言。Haskell語言是一種純函數式語言，具有強大的類型系統，可以生成更安全的代碼；在考慮機器學習和物聯網設備的爆炸式增長時，這是一個有用的特性。盡管缺乏可用于 Python 和 R 的廣泛庫集，Haskell 包含機器學習工具包的綁定，這使得使用 Haskell 構建機器學習應用程序變得簡單。

工具包

隨著語言、工具包和庫也在追求機器學習應用程序的過程中得到發展。這些工具包（例如TensorFlow）為語言提供了構建復雜機器學習應用程序的能力，而無需從頭開始構建這些能力。TensorFlow 為各種語言（如 Python、Haskell 和 R）提供接口，使深度學習應用程序的構建和部署變得簡單。

概括

人工智能的概念及其數字后代機器學習的形成創造了語言和工具包的共同進化。語言提供了構建各種應用程序的通用功能，而工具包則通過特定的機器學習功能擴展了這些語言。

審核編輯hhy