人工智能歷史，為何近些年才火起來？有哪些應用？
目前被炒的熱熱鬧鬧的人工智能是什麼？這些年才有的嗎？以前為什麼沒有這麼被重視過？人工智能（artificial intelligence，AI），目前認為是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學[1-2]。人工智能作為計算機科學的一個重要分支，被認為是21世紀三大尖端技術之一，它企圖瞭解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，其涉及的研究領域包括智能機器人、圖像識別、語言識別、自然語言處理、自動程序設計和專家系統等[3]。簡單點解釋就是，讓機器像人一樣去思考去學習，通過對歷史數據的不斷訓練，讓輸出結果越來越好。
1. 人工智能的歷史由來和概念，這些年才有的嗎？
歷史：
1956年夏天，在美國的達特莫斯大學召開了一次歷時兩個月的研究會，這個研究會雲集了十來位數學家，心理學家，神經生理學家，還有信息論和計算機方面的專家。此次會議討論了關於機器智能的一些相關問題，會上麥卡錫提出了採用“人工高智能”一詞，從此標誌這人工智能學科的誕生。也正是由於這個原因麥卡錫也被人們稱為人工智能之父。
然而，人工智能是基於神經網絡而建立起來的。最早的神經網絡數學模型由Warren McCulloch教授和Walter Pitts教授與1943年在論文A logical calculus of the ideas immanent in nervous activity中提出，該論文中提出了一種模擬大腦神經元的結構,其結構如下圖所示：
圖片來自網絡
定義：
人工智能也就是AI，其概念最早是由麥卡錫在達特茅斯學會上提出的。為什麼叫做人工智能呢？根據美國麻省理工學院的溫斯頓教授認為，“人工智能是研究如何使計算機去做過去只有人才能做的智能的工作”。在我看來人工智能是一門新的交叉學科，融合了計算機科學、神經科學、仿生學、社會科學等前沿綜合學科，以研究、開發用於仿真，擴展人的智慧的方法論和技術綜合體。簡單的說就是教機器按照人的思維方式來思維。把機器培養成人的思維與智力水準為目標的前言學科。
2. 人工智能為什麼最近這些年才被人們所熱炒？之前都幹嘛去啦？
雖然人工智能的概念很早就已經提出但是，直到20世紀80年代才迎來了復甦。1982年出現了hopfiled 1983年出現了退火算法。1986年出現了BP算法。才是推動人工智能快速發展的關鍵因素。
2016年AlphaGo戰勝李世石才轟動一時，被很多人才第一次聽說和重視起來，原來人工智能這麼厲害。要知道前面所說的人工智能上世紀50年代就已經被提出，神經網絡的概念甚至在40年代，二戰結束之前就已經存在啦。
很多技術的熱炒或者說被人們重視起來其實是需要天時地利與人和的。其一、隨著計算機技術的不斷髮展為人工智能的發展奠定了基礎，比如圖像處理需要一定的計算能力，尤其自動駕駛技術對實時計算能力更是有較高的要求。
其二、隨著人工智能算法的不斷優化，其輸出結果準確率越來越高。具體的應用領域得到了應用。比如BP算法的提出。1986年,Romelhart和Mc-clelland提出了誤差反向傳播算法(Error Back Propagation Algorithm,簡稱BP算法),由於多層前饋網絡的訓練經常採用誤差反向傳播算法,人們也常把多層前饋網絡稱為BP網絡。由於具有結構簡單、工作狀態穩定、易於硬件實現等優點,在眾多的神經網絡模型中, BP網絡的應用最為廣泛,尤其是在模式識別及分類、系統仿真、故障智能診斷、圖像處理、函數擬合、最優預測等方面[4]。
最後，關鍵事件的宣傳。由於各方面條件的具備和一個非常重要的契機就是人工智能的催化事件，阿爾法狗戰勝李世石，讓人們意識到原來人工智能的應用原來已經發展到如此地步，可以把專業領域的職業選手打敗。隨著各方的不斷報導，人工智能的熱度徹底被點燃。
3. 關鍵改良技術BP神經網絡及其優勢和劣勢分析
20世紀80年代中期，David Runelhart。Geoffrey Hinton和Ronald W-llians、DavidParker等人分別獨立發現了誤差反向傳播算法(Error Back Propagation Training)，簡稱BP，系統解決了多層神經網絡隱含層連接權學習問題，並在數學上給出了完整推導。人們把採用這種算法進行誤差校正的多層前饋網絡稱為BP網。 [5-6]
神經網絡前向傳播是指從輸入逐層計算，得到輸出。所謂反向傳播用來對參數進行梯度計算和更新。為了方便介紹，將這些層全部考慮為全連接層，這樣每層都有w和b參數矩陣。過段時間再重新推導一遍。在推導過程中，首先要明確，z=w*x+b, a=g(z)。其中，x，a分別指改層的輸入和輸出，g(z)是指激活函數。這樣在推導的過程中就會非常明確，思路清晰。通過不斷的數據反向更新優化，來實現輸出的改善。類似於我們學習知識中不信積累經驗完善自己的固有認識一般。所以可以看出BP神經網絡對早期的神經元模型起到了強大的推動作用，為後期的廣泛應用奠定好理論基礎。
優勢所在：
BP神經網絡具有任意複雜的模式分類能力和優良的多維函數映射能力，解決了簡單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結構上講，BP網絡具有輸入層、隱藏層和輸出層；從本質上講，BP算法就是以網絡誤差平方為目標函數、採用梯度下降法來計算目標函數的最小值。 [6]
主要劣勢：
①學習速度慢，即使是一個簡單的問題，一般也需要幾百次甚至上千次的學習才能收斂。所以當計算能力不夠強大時，就很難體現其優勢。
②容易陷入局部極小值，網絡推廣能力有限。
③網絡層數、神經元個數的選擇沒有相應的理論指導，需要進一步的完善。
對於上述問題，目前已經有了許多改進措施，研究最多的就是如何加速網絡的收斂速度和儘量避免陷入局部極小值的問題。[7]
圖片來自網絡
而現實中的生物神經結構如下所示：
圖片來自網絡
總結：從神經網絡的發展我們不難看出，神經網絡是一種仿生算法，人工智能是基於神經網絡發展起來的一種新型學科，其目的在於希望機器能夠仿照人的神經傳到機制來學習，不斷提高自己。就如當今的AlphaGo一樣可以自己不斷學習提升自己的圍棋技術和其它方面的技術一樣。
學過智能控制的朋友都知道，專家系統是利用人類專家的大量有用知識和解決問題的方法來處理該領域問題的一種智能的計算機程序控制系統。其一般採用人工智能中的知識表示和知識推理技術來模擬通常由領域專家才能解決的複雜問題。最早在1965年，E.A.費根鮑姆等人在總結通用問題求解系統的成功與失敗經驗的基礎上，結合化學領域的專門知識，研製了世界上第一個專家系統，用於推斷化學分子結構。
專家系統是人工智能中一個具體的應用領域，該系統實現了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。專家系統是早期人工智能的一個重要分支，它可以看作是一類具有專門知識和經驗的計算機智能程序系統。
4. 人工智能在醫學領域中的具體應用
① 數據挖掘技術在醫學方面的應用。數據挖掘（data mining，DM），亦稱數據庫中的知識發現。（knowledge discovery in database，KDD），旨在從大量原始數據中挖掘出隱含的、有用的尚未發現的知識（如規則、模型、規律、模式等），幫助決策者尋找數據間潛在的關聯，找出難以人工發現的因素[8]
②圖像識別與模式識別方面的應用。
③多重數據融合，智能診斷。
④智能治療。例如智能機器人輔助手術，從而來增加實驗的安全性和為以後手術降低成本打好基礎。
對於上述應用由於每一個都需要好幾篇文章來詳細介紹，本文先介紹到這裡，下期開始不斷更新人工智能在醫學領域中的具體應用。希望大家不斷關注，一起來學習人工智能的知識。下期見。
聲明：我們致力於保護作者版權，部分文字/圖片來自互聯網，無法核實真實出處，如涉及版權問題，請及時聯繫我們刪除。從該公眾號轉載本文至其他平臺所引發一切糾紛與本平臺無關。支持原創
[1] 劉文亮,黃曄春,畢士鑫.人工智能及在醫療領域的應用.數碼世界,2017(10):185
[2] 王振亮,師潤田.基於自主學習的人工智能帶給中醫學的機遇和挑戰.中華中醫藥雜誌,2018,33(12):5295-5297
[3] 孔祥溢,王任直.人工智能及在醫療領域的應用.醫學信息學雜誌,2016(11):2-5
[4] N. Garcia -Pedrajas, C. Hervas -Martinez, J. Munoz -Perez. COVNET: a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks, 2003, 14(3): 575-596.
[5] K. Hornick, M. Stinchcombe, H. White. Multilayer feedforward networks are universal approximators [J].Neural Networks, 1989, 2: 359-366
[6] 阮秀凱，劉莉，張耀舉，戴瑜興著．現代無線通信系統盲處理技術新進展基於智能算法：復旦大學出版社，2015.01
[7]張宏建 孫志強等編著．普通高等教育“十一五”國家級規劃教材現代檢測技術：化學工業出版社，2007年09月
[8]殷振瑾,王陽,暴宏伶.數據挖掘技術在中醫醫案研究中的應用. 承德醫學院學報,2011,28(3):278-280
