如何看待《人智能雜記》人工智能簡史？

2人工智能發展歷程

**人工智能的起源：**人工智能在五六十年代時正式提出，1950年，一位名叫馬文·明斯基(後被人稱為“人工智能之父”)的大四學生與他的同學鄧恩·埃德蒙一起，建造了世界上第一臺神經網絡計算機。這也被看做是人工智能的一個起點。巧合的是，同樣是在1950年，被稱為“計算機之父”的阿蘭·圖靈提出了一個舉世矚目的想法——圖靈測試。按照圖靈的設想：如果一臺機器能夠與人類開展對話而不能被辨別出機器身份，那麼這臺機器就具有智能。而就在這一年，圖靈還大膽預言了真正具備智能機器的可行性。1956年，在由達特茅斯學院舉辦的一次會議上，計算機專家約翰·麥卡錫提出了“人工智能”一詞。後來，這被人們看做是人工智能正式誕生的標誌。就在這次會議後不久，麥卡錫從達特茅斯搬到了MIT。同年，明斯基也搬到了這裡，之後兩人共同創建了世界上第一座人工智能實驗室——MIT AI LAB實驗室。值得追的是，茅斯會議正式確立了AI這一術語，並且開始從學術角度對AI展開了嚴肅而精專的研究。在那之後不久，最早的一批人工智能學者和技術開始湧現。達特茅斯會議被廣泛認為是人工智能誕生的標誌，從此人工智能走上了快速發展的道路。

人工智能的第一次高峰 在1956年的這次會議之後，人工智能迎來了屬於它的第一段Happy Time。在這段長達十餘年的時間裡，計算機被廣泛應用於數學和自然語言領域，用來解決代數、幾何和英語問題。這讓很多研究學者看到了機器向人工智能發展的信心。甚至在當時，有很多學者認為：“二十年內，機器將能完成人能做到的一切。”

人工智能第一次低谷： 70年代，人工智能進入了一段痛苦而艱難歲月。由於科研人員在人工智能的研究中對項目難度預估不足，不僅導致與美國國防高級研究計劃署的合作計劃失敗，還讓大家對人工智能的前景蒙上了一層陰影。與此同時，社會輿論的壓力也開始慢慢壓向人工智能這邊,導致很多研究經費被轉移到了其他項目上。

在當時，人工智能面臨的技術瓶頸主要是三個方面，第一,計算機性能不足，導致早期很多程序無法在人工智能領域得到應用；第二，問題的複雜性，早期人工智能程序主要是解決特定的問題，因為特定的問題對象少，複雜性低，可一旦問題上升維度，程序立馬就不堪重負了；第三，數據量嚴重缺失，在當時不可能找到足夠大的數據庫來支撐程序進行深度學習，這很容易導致機器無法讀取足夠量的數據進行智能化。

因此，人工智能項目停滯不前，但卻讓一些人有機可乘,1973年Lighthill針對英國AI研究狀況的報告。批評了AI在實現“宏偉目標”上的失敗。由此，人工智能遭遇了長達6年的科研深淵。

人工智能的崛起 1980年，卡內基梅隆大學為數字設備公司設計了一套名為XCON的“專家系統”。這是一種，採用人工智能程序的系統，可以簡單的理解為“知識庫+推理機”的組合，XCON是一套具有完整專業知識和經驗的計算機智能系統。這套系統在1986年之前能為公司每年節省下來超過四千美元經費。有了這種商業模式後，衍生出了像Symbolics、Lisp Machines等和IntelliCorp、Aion等這樣的硬件，軟件公司。在這個時期，僅專家系統產業的價值就高達5億美元。

人工智能第二次低谷：可憐的是，命運的車輪再一次碾過人工智能，讓其回到原點。僅僅在維持了7年之後，這個曾經轟動一時的人工智能系統就宣告結束歷史進程。到1987年時，蘋果和IBM公司生產的臺式機性能都超過了Symbolics等廠商生產的通用計算機。從此，專家系統風光不再。

人工智能再次崛起： 上世紀九十年代中期開始，隨著AI技術尤其是神經網絡技術的逐步發展，以及人們對AI開始抱有客觀理性的認知，人工智能技術開始進入平穩發展時期。1997年5月11日，IBM的計算機系統“深藍”戰勝了國際象棋世界冠軍卡斯帕羅夫，又一次在公眾領域引發了現象級的AI話題討論。這是人工智能發展的一個重要里程。

2006年，Hinton在神經網絡的深度學習領域取得突破，人類又一次看到機器趕超人類的希望,也是標誌性的技術進步。

【注】Geoffrey Hinton的論文《A fast learning algorithm for deep belief nets》鏈接地址

在最近三年引爆了一場商業革命。谷歌、微軟、百度等互聯網巨頭，還有眾多的初創科技公司，紛紛加入人工智能產品的戰場，掀起又一輪的智能化狂潮，而且隨著技術的日趨成熟和大眾的廣泛接受，這一次狂潮也許會架起一座現代文明與未來文明的橋樑。

2016 年，Google 的 AlphaGo 贏了韓國棋手李世石，再度引發 AI 熱潮。

AI不斷爆發熱潮，是與基礎設施的進步和科技的更新分不開的，從 70 年代 personal 計算機的興起到 2010 年 GPU、異構計算等硬件設施的發展，都為人工智能復興奠定了基礎。

同時，互聯網及移動互聯網的發展也帶來了一系列數據能力，使人工智能能力得以提高。而且，運算能力也從傳統的以 CPU 為主導到以 GPU 為主導，這對 AI 有很大變革。算法技術的更新助力於人工智能的興起，最早期的算法一般是傳統的統計算法，如 80 年代的神經網絡，90 年代的淺層，2000 年左右的 SBM、Boosting、convex 的 methods 等等。隨著數據量增大，計算能力變強，深度學習的影響也越來越大。2011 年之後，深度學習的興起，帶動了現今人工智能發展的高潮。

小貼士：人工智能開創先驅

第一位名人大家耳熟能詳，那就是大名鼎鼎的“計算機科學之父”和“人工智能之父”——阿蘭·圖靈（Alan Mathison Turing）。他對人工智能的貢獻集中體現於兩篇論文：一篇是1936年發表的《論數字計算在決斷難題中的應用》，在文中他對“可計算性”下了一個嚴格的數學定義，並提出著名的“圖靈機”設想，從數理邏輯上為計算機開創了理論先河；而另一篇論文對人工智能的影響更為直接，其名字就是《機器能思考嗎》，在這篇論文中，圖靈提出了一種判定機器是否具有智能的實驗方法，即著名的圖靈測試：如果一臺機器能夠與人類展開對話而不能被辨別出其機器身份，那麼這臺機器就是智能的。“中文房間實驗”正是圖靈測試的一個變種。可以說，圖靈是第一個嚴肅地探討人工智能標準的人物，被稱作“人工智能之父”當之無愧。

第二位名人是一位神童，18歲即取得數理邏輯博士學位，這就是“控制論之父”維納（Norbert Wiener）。1940年，維納開始考慮計算機如何能像大腦一樣工作，發現了二者的相似性。維納認為計算機是一個進行信息處理和信息轉換的系統，只要這個系統能得到數據，就應該能做幾乎任何事情。他從控制論出發，特別強調反饋的作用，認為所有的智能活動都是反饋機制的結果，而反饋機制是可以用機器模擬的。維納的理論抓住了人工智能核心——反饋，因此可以被視為人工智能“行為主義學派”的奠基人，其對人工神經網絡的研究也影響深遠。

第三位名人經常與圖靈搶“人工智能之父”的帽子，第一次提出了“人工智能（Artificial Intelligence）”這一名詞。他就是LISP語言發明者，真正的“人工智能之父”約翰·麥卡錫（John McCarthy）。在1955年，約翰·麥卡錫與另一位人工智能先驅馬文·明斯基以及“信息論”創始人克勞德·香農一道作為發起人，邀請各路誌同道合的專家學者在達特茅斯學院共同討論人工智能。會上，正是約翰•麥卡錫說服大家使用人工智能（Artificial Intelligence）這一術語，參會人員也熱烈討論了自動計算機、自然語言處理和神經網絡等經典人工智能命題。

3人工智能的研究領域及分層

人工智能研究的領域主要有五層，最底層是基礎設施建設，包含數據和計算能力兩部分，數據越大，人工智能的能力越強。往上一層為算法，如卷積神經網絡、LSTM 序列學習、Q-Learning、深度學習等算法，都是機器學習的算法。第三層為重要的技術方向和問題，如計算機視覺，語音工程，自然語言處理等。還有另外的一些類似決策系統，像 reinforcement learning（編輯注：增強學習），或像一些大數據分析的統計系統，這些都能在機器學習算法上產生。第四層為具體的技術，如圖像識別、語音識別、機器翻譯等等。最頂端為行業的解決方案，如人工智能在金融、醫療、互聯網、交通和遊戲等上的應用，這是我們所關心它能帶來的價值。

值得一提的是機器學習同深度學習之間還是有所區別的，機器學習是指計算機的算法能夠像人一樣，從數據中找到信息，從而學習一些規律。雖然深度學習是機器學習的一種，但深度學習是利用深度的神經網絡，將模型處理得更為複雜，從而使模型對數據的理解更加深入。

關於人工智能、機器學習和深度學習之間的關係請看筆者的另一篇文章。

4人工智能的應用場景

 計算機視覺

2000年左右，人們開始用機器學習，用人工特徵來做比較好的計算機視覺系統。如車牌識別、安防、人臉等技術。而深度學習則逐漸運用機器代替人工來學習特徵，擴大了其應用場景，如無人車、電商等領域。

 語音技術

2010 年後，深度學習的廣泛應用使語音識別的準確率大幅提升，像 Siri、Voice Search 和 Echo 等，可以實現不同語言間的交流，從語音中說一段話，隨之將其翻譯為另一種文字；再如智能助手，你可以對手機說一段話，它能幫助你完成一些任務。與圖像相比，自然語言更難、更復雜，不僅需要認知，還需要理解。

 自然語言處理

目前一個比較重大的突破是機器翻譯，這大大提高了原來的機器翻譯水平，舉個例子，Google 的 Translation 系統，是人工智能的一個標杆性的事件。2010 年左右， IBM 的"Watson"系統在一檔綜藝節目上，和人類冠軍進行自然語言的問答並獲勝，代表了計算機能力的顯著提高。

 決策系統

決策系統的發展是隨著棋類問題的解決而不斷提升，從 80 年代西洋跳棋開始，到 90 年代的國際象棋對弈，機器的勝利都標誌了科技的進步，決策系統可以在自動化、量化投資等系統上廣泛應用。

 大數據應用

可以通過你之前看到的文章，理解你所喜歡的內容而進行更精準的推薦；分析各個股票的行情，進行量化交易；分析所有的像客戶的一些喜好而進行精準的營銷等。機器通過一系列的數據進行判別，找出最適合的一些策略而反饋給我們。

5人工智能的挑戰

計算機視覺：未來的人工智能應更加註重效果的優化，加強計算機視覺在不同場景、問題上的應用。

語音識別：當前的語音識別雖然在特定的場景(安靜的環境）下，已經能夠得到和人類相似的水平。但在噪音情景下仍有挑戰，如原場識別、口語、方言等長尾內容。未來需增強計算能力、提高數據量和提升算法等來解決這個問題。

自然語言處理：機器的優勢在於擁有更多的記憶能力，但卻欠缺語意理解能力，包括對口語不規範的用語識別和認知等。人說話時，是與物理事件學相聯繫的，比如一個人說電腦，人知道這個電腦意味著什麼，或者它是能夠幹些什麼，而在自然語言裡，它僅僅將"電腦"作為一個孤立的詞，不會去產生類似的聯想，自然語言的聯想只是通過在文本上和其他所共現的一些詞的聯想， 並不是物理事件裡的聯想。所以如果要真的解決自然語言的問題，將來需要去建立從文本到物理事件的一個映射，但目前仍沒有很好的解決方法。因此，這是未來著重考慮的一個研究方向。

決策系統：存在兩個問題，第一是不通用，即學習知識的不可遷移性，如用一個方法學了下圍棋，不能直接將該方法轉移到下象棋中，第二是大量模擬數據。所以它有兩個目標，一個是算法的提升，如何解決數據稀少或怎麼自動能夠產生模擬數據的問題，另一個是自適應能力，當數據產生變化的時候，它能夠去適應變化，而不是能力有所下降。所有一系列這些問題，都是下一個五或十年我們希望很快解決的。

在最後的時候，如果有想學的人工智能，對人工智能感興趣的朋友，最新的學習資料和大家一起分享，全部都是免費的，希望大家一起學習，一起進步，一起變得更好！

獲取方式：私信小編 “ 學習 ”，即可免費獲取！

小編回覆的可能比較慢，喜歡小編的可以關注，謝謝大家支持！

---

分享到:

---

閱讀更多 王星講編程 的文章

關鍵字: 軟件 IBM 達特茅斯學院

---