接下來，讓我們從人工智慧的發展來看看處理器所扮演的角色有多麼重要吧！
先跳過古早的幻想和神話，1950年圖靈發表了一篇論文，跨時代地預言機器智能的可能性，並提出了著名的圖靈測試，在此定義了什麼是人工智慧。圖靈提出，如果一台機器能夠與人類展開對話（通過電傳設備）而不能被辨別出其機器身份，那麼就可以說這台機器具有智能。這一個簡化的測試定義使得圖靈能夠令人信服地說明「思考的機器」是可能的。
1956年8月31日約翰·麥卡錫等人發起達特茅斯夏季人工智慧研究計劃（Dartmouth Summer Research Project on Artificial Intelligence），旨在召集志同道合的人共同討論「人工智慧」並確定了AI的名稱及任務。會議持續了一個月，基本上以大範圍的集思廣益為主。這就催生了後來人所共知的人工智慧革命。
在接下來的20年間1956 – 1974，各領域的專家開始利用電腦處理各種不同的問題，比較主要具影響力的包括：搜索式推理、自然語言、微世界等。但是接下來，整個AI的發展就遇到了瓶頸，直到1980年代「專家系統」的推出，開始為全世界的公司採納，此時知識處理成了主流AI，由於知識處理及專家系統可以立即應用在各種商業數據分析上，所以主導了整個AI的發展，但是也因為專家系統只侷限在一個很小的領域，也避開了常識性的問題處理，雖然有IBM在背後支持，開發出強大的Watson系統，成為第一個在棋盤上擊敗人類西洋棋王的系統，但仍因為知識範疇的限制，而為人工智慧帶來另一個低谷。
一直到2011年，處理器的處理能力不斷提升，再加上Internet的快速成長，許多數據不斷在網路上產生，早期被中斷的類神經網路理論，因為處理器的快速發展，突然可以實現。
到2016年，AI相關產品、硬體、軟體等的市場規模已經超過80億美元，深度學習（特別是CNN和RNN）更是大力推動了圖像和視頻處理、文本分析、語音識別等問題研究進程。
電腦視覺 Computer Vision
電腦視覺在人工智慧中扮演了非常重要的角色。現在掀起AI浪潮的ChatGPT，主要是文字生成，但文字及語言都有既定的模式及規則，真正困難的地方在於對資料的分類並產生結論。而電腦視覺就更加困難了，由於電腦處理的資料都是二進制，也就是必須數位化後的資料，但我們的世界是一個類比的環境，任何一個實體世界中的物件的資料，都有著連續的數據，也就是說電腦要能夠處理這些物件及環境，必須將類比的資料數位化，而所謂的數位化，就會造成原始資料的失真，畢竟數位資料是無法完全還原成類比的實際數據。電腦的視覺也是一樣，影像數位化後進入電腦處理，就出現了幾個與我們人類不同的處理地方：
- 2D的平面畫面 vs 3D的立體影像
- 物件及環境
- 相對位置
- 移動
試想，在缺乏這些資訊的情況下，電腦必須要先做影像及物件的分離判斷，接下來再根據影像分類整理，然後再透過資料庫搜尋，才能辨識出物體。要做如此大量的影像處理及資料搜尋，就需要強大的運算能力及資料處理技術。