戴繼鵬 戴繼鵬
文 / 戴繼鵬
前言：
上帝在創造人類的時候，大概沒想到人類這種生物自我升級的速度會這麼快，一切過去的先驗知識在科技革命面前都成為了一頁頁歷史。
人類在過去幾千年的歷史中一直保持著緩慢而穩定的演進和發展，以農耕為主的原始生活方式絲毫沒有讓生活在過去的人感到奇怪，或許我們現在也一樣，幾千年後我們的後代也會覺得21世紀的人類有多麼的愚蠢和無知，或許這就是人類的歷史侷限性，身在這個時代卻無從感知時代未來的洪流鉅變。
轉機出現在18世紀，以歐洲開始的工業革命推動了人類歷史的快速前進，由此我們進入了蒸汽時代，電氣時代，信息時代，而今天要說的是我們即將進入的智能時代前夜的人工智能簡史。
縱觀人工智能的發展史，大致可分為三個階段，基於符號邏輯的推理證明階段、基於人工規則的專家系統階段、大數據驅動的人工智能階段，以下會簡略介紹三個階段的發展情況和標誌性事件。
第一階段：基於符號邏輯的推理證明階段（1956年-1976年）
1950年，英國偉大的數學家、邏輯學家艾倫圖靈發表了一篇論文《計算機器與智能》並提出了著名的“圖靈測試”，這個偉大而有遠見的科學家一直在思考一個問題：機器是否能思考？只可惜圖靈帶著這個問題四年後自殺了，但是他提出的著名的圖靈機模型為現代計算機的邏輯工作方式奠定了基礎，他也被稱為“計算機科學之父” 和“人工智能之父”。
圖靈自殺後的第二年，即1956年夏天，在Dartmouth大學,由John McKarthy、Marvin Minsky，Nathaniel Rochester、Claude Shannon聯合發起了達特茅斯會議。這個會議上，全世界最聰明的十個科學家坐在一起為期兩個月來討論研究當時幾乎屬於不食人間煙火的人工智能問題。這次會議首次確立了“人工智能”概念：讓機器能像人那樣認知、思考和學習，即用計算機模擬人的智能。
世界的變化和人類文明的演進總是由這麼一群擁有超前眼光和創造力的人推動的，因為達特茅斯會議首次提出了“人工智能”的概念，1956年被公認為人工智能元年。
1956年-1976年，科學家們主要基於符號公式、邏輯運算進行推理證明的研究，因此人工智能的主要成果是證明了各種數學定理。
人工智能歷史上第一階段的主要技術和工具有如下幾方面：
-邏輯運算：又稱為布爾運算。布爾用數學方法研究邏輯問題，成功地建立了邏輯演算，用公式表示判斷，把推理看做等式的變換。
-演繹推理：演繹推理就是從一般性的前提出發，通過推導即”“演繹，得出具體陳述或個別結論的過程。
-三段論：由兩個含有一個共同項的性質判斷作前提，得出一個新的性質判斷為結論的演繹推理過程。
-邏輯編程語言Lisp、Prolog：建立在邏輯學的理論基礎之上，大量應用於人工智能研究，可以用來建造專家系統、自然語言理解、智能知識庫等。
在那個時代，研究人工智能的科學家相信只要給機器制定明確的規則，嚴密的邏輯，人工智能技術就可以完成大多數的知識運算和證明。
這一階段的主要進展在數學方面的邏輯推理證明，1956年，CMU的LT程序證明了數學家羅素所著《數學原理》第二章的38條定理；1959年，洛克菲洛大學教授王浩使用“王算法”證明了《數學原理》全部350條定理；1963年CMU改進的LT程序證明了《數學原理》第二章全部5條定理，該程序其後被改進成GPS。
伴隨著人工智能在證明數學定理上的飛速突破，科學家對人工智能的技術越來越自信，民眾對人工智能的期待也越來越高。
1958年，Simon和Newell做了著名的預言：十年內，計算機將成為國際象棋冠軍，計算機將發現和證明有意義的數學定理，計算機將能譜寫優美的樂趣，計算機將能實現大多數的心理學理論。
期望越大，失望越大。由於四大預言實現遙遙無期，關於人工智能方法論的爭論風聲漸緊。
1973年，英國發表James Lighthill報告，該報告主要評判AI基礎研究中A自動機、B機器人和C中央神經系統。該報告得出結論：A和C的研究有價值，但進展令人失望。B的研究沒有價值，進展非常令人失望，建議取消B的研究。以該報告為標誌引發了第一次的人工智能寒冬。
人工智能第一階段從高峰到低谷短短二十年時間，這也給了我們一個教訓：在AI理論與方法工具尚不完善的初期階段，以攻克認知作為目標，顯然不切實際。
第二階段：基於人工規則的專家系統階段（1976年-2006年）
人工智能第一階段主要是基於符號邏輯的推理證明，其侷限性越來越明顯，於是科學家試圖採用新的方式去研究人工智能的科學價值。
這種新的方式就是基於人工規則的專家系統，即人類基於已經存在的海量規則和知識，為人工智能賦能來解決實際問題。
知識是對於一個主題或者一個領域在理論或實踐上的理解，也是所有已知的總和。
擁有某一部分知識的人稱為專家，他們是所在組織中重要的人物。
在第二階段，主要技術和工具分為兩方面：
第一方面是之前的邏輯推理上升為專家系統、知識工程。
這期間最典型的就是大規模邏輯推理與知識圖譜建設的試錯，比如以日本第五代機為代表的大規模邏輯推理嘗試，以斯坦福大學為代表的知識圖譜建設。
第二方面是神經元網絡BP算法。
當時BP算法的主要缺點是常不收斂，或收斂於局部極小，即使收斂，其速度也很慢，這使得BP算法只能解決小規模的問題，所以這種神經元網絡BP算法在當時可以進行基礎的分類與模式識別，例如英文字符識別、漢字字符識別、目標識別（軍事目標、民用目標）、圖像診斷。
人工智能第二階段有兩次典型事件的打擊導致出現了低谷：
第一個打擊是日本智能（第五代）計算機研製失敗。
從1982年開始，日本通產省就主持第五代計算機的研究。
其動機是計算機從計算與存儲數據向能直接推理與知識處理的新型結構過渡，目標是構造一個具有1000個處理單元的並行推理機，推理速度提高1000倍，連接10億信息組的數據庫和知識庫，具備聽說能力。
由於計算機技術的高速發展, 1982為該項計劃所選定的技術路線已經背離了 1992年計算機工業的發展方向。第五代計算機在實現真正的人工智能方面沒有取得根本性突破 , 當初所設想的某些功能沒有實現，1992年此項目草草收場，宣告失敗。
第二個打擊是知識百科日趨勢微。
1984年，斯坦福大學開始通過專家系統來建設浩大的知識百科全書Cyc，截止2015年1月，Cyc已包含23萬多個概念、實體和200多萬個三元組。
90年代後期Cyc已經衰敗，因為搜索引擎開始崛起，顯示了互聯網和大數據的威力。雖然Cyc後期也開始鏈接外部知識庫，但已無法挽救頹勢。
人工智能第二階段的低谷告訴我們：知識不能僅靠專家手工表達，這樣難免會掛一漏萬，難以面面俱到，最終還是需要靠機器自動學習。
第三階段：大數據驅動的人工智能階段（2006年-至今）
我們都知道，要發展人工智能，算法、算力和數據是基礎要素，也最終決定了人工智能的發展形態和方向。
人工智能第三階段就是在算法優化、算力提升、海量大數據的基礎上發展起來的，這個階段，科學家改變了以往的設定邏輯，從之前的如何認為製造智能，轉變為如何讓機器自己習得智能。
第三階段在算法層面的里程碑事件是2006年多倫多大學的Geoffrey Hinton在《Science》上發表了關於深度神經網絡的論文，由此以深度學習算法為主的人工智能技術有了進一步的突破。
2012年，加拿大多倫多大學贏得了ImageNet比賽，他們使用非監督的逐層貪心訓練算法成功讓機器基於目前最大的圖像數據庫進行分類識別，而不是依靠人為制定的規則。多倫多團隊的成就標誌著深度學習的繁榮以及更普遍人工智能的復興。
2016年3月，阿爾法圍棋與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大戰，以4比1的總比分獲勝，這一刻標誌著，從象棋、魔方到圍棋的一切智力遊戲，人類已經沒有一項是機器的對手。圍棋作為象徵著人類智力高度的最後一塊處女地，在我們的眼皮底下剛剛淪陷。
寫在最後：
人工智能這種技術一開始研究很漫長，但一旦突破了某種瓶頸走出實驗室，之後就會是幾十年的產業化進程。就像電和互聯網技術的發明一樣，一開始是星星之火，之後就會技術賦能推動社會的整體進步。人們總是高估一兩年的變化而低估五年十年的變化，所以對待Ai，不要盲目樂觀，也別過於悲觀。
風起於青萍之末，止於草莽之間。在未來面前，我們都只是孩子！
閱讀更多 AI工信科創 的文章
