我一直很好奇人工智能是如何提出來的，它背后有什么樣的故事，在人工智能發(fā)展的這60年的時(shí)間中，又經(jīng)歷了什么 為什么現(xiàn)在才是人工智能的爆發(fā)點(diǎn)，未來人工智能又將走向何處 帶著這樣的問題我讀了吳軍博士的《智能時(shí)代》這本書，打開了我對(duì)人工智能的了解，這篇文章主要內(nèi)容也來自于這本書。

我們這代人對(duì)人工智能的關(guān)注，來自于2016年AlphaGo大戰(zhàn)世界著名圍棋選手李世民，在比賽之前各方關(guān)注度非常高，國內(nèi)各方媒體爭相報(bào)道，預(yù)測(cè)這場比賽的結(jié)果，人們好奇人工智能現(xiàn)在智能到什么程度以及計(jì)算機(jī)如何和人下圍棋，最終AlphaGo以4：1勝了李世明，大家都在感慨人工智能時(shí)代即將來臨。僅僅過了一年，2017年5月27日AlphaGo的2.0版本3:0戰(zhàn)勝圍棋世界排名第一的柯潔九段，從此在AlphaGo面前已無人類對(duì)手。

計(jì)算機(jī)之所以能夠戰(zhàn)勝人類，是因?yàn)闄C(jī)器獲得智能的方式和人類不同，它不是靠邏輯推理，而是靠大數(shù)據(jù)和算法。Google使用了幾十萬盤圍棋高手之間的對(duì)弈的數(shù)據(jù)來訓(xùn)練AlphaGo，這是它獲得所謂“智能”的原因。在計(jì)算方面，Google使用了幾十萬臺(tái)服務(wù)器來訓(xùn)練AlphaGo下棋模型，并讓不同的AlphaGo相互對(duì)弈上千萬盤。第二個(gè)關(guān)鍵技術(shù)是啟發(fā)式搜索算法-蒙特卡洛樹搜索算法(英語：Monte Carlo tree search;簡稱：MCTS)，它能將搜索的空間限制在非常有限的范圍內(nèi)，保證計(jì)算機(jī)能夠快速找到好的下法。由此可見，下圍棋這個(gè)看似智能型的問題，從本質(zhì)上講，是一個(gè)大數(shù)據(jù)和算法的問題。

說到人工智能，就不得不提計(jì)算機(jī)屆的一個(gè)傳奇人物：阿蘭.圖靈博士。1950年，圖靈在《思想》(mind)雜志上發(fā)表了一篇《計(jì)算的機(jī)器和智能》的論文。在論文中，圖靈既沒有講計(jì)算機(jī)怎樣才能獲得智能，也沒有提出如何解決復(fù)雜問題的智能方法，知識(shí)提出了一個(gè)驗(yàn)證機(jī)器有無智能的的判別方法。

讓一臺(tái)機(jī)器和一個(gè)人坐在幕后，讓一個(gè)裁判同時(shí)與幕后的人和機(jī)器進(jìn)行交流，如果這個(gè)裁判無法判斷自己交流的對(duì)象是人還是機(jī)器，就說明這臺(tái)機(jī)器有了和人同等的智能。就是大名鼎鼎的圖靈測(cè)試。后來，計(jì)算機(jī)科學(xué)家對(duì)此進(jìn)行了補(bǔ)充，如果計(jì)算機(jī)實(shí)現(xiàn)了下面幾件事情中的一件，就可以認(rèn)為它有圖靈所說的那種智能：

1、語音識(shí)別

2、機(jī)器翻譯

3、文本的自動(dòng)摘要或者寫作

4、戰(zhàn)勝人類的國際象棋冠軍

5、自動(dòng)回答問題

今天，計(jì)算機(jī)已經(jīng)做到了上述的這幾件事情，甚至還超額完成了任務(wù)，比如現(xiàn)在的圍棋比國際象棋要高出6-8個(gè)數(shù)量級(jí)，當(dāng)然，人類走到這一步并非一帆風(fēng)順，而是走了幾十年的彎路。

人工智能的誕生：1943 – 1956

在20世紀(jì)40年代和50年代，來自不同領(lǐng)域(數(shù)學(xué)，心理學(xué)，工程學(xué)，經(jīng)濟(jì)學(xué)和政治學(xué))的一批科學(xué)家開始探討制造人工大腦的可能性。1956年，人工智能被確立為一門學(xué)科。

1956年的夏天，香農(nóng)和一群年輕的學(xué)者在達(dá)特茅斯學(xué)院召開了一次頭腦風(fēng)暴式研討會(huì)。會(huì)議的組織者是馬文·閔斯基，約翰·麥卡錫和另兩位資深科學(xué)家Claude Shannon以及Nathan Rochester，后者來自IBM。與會(huì)者包括Ray Solomonoff，Oliver Selfridge，Trenchard More，Arthur Samuel，Newell和Simon，他們中的每一位都將在AI研究的第一個(gè)十年中作出重要貢獻(xiàn)。

會(huì)議雖然叫做“達(dá)特茅斯夏季人工智能研究會(huì)議”，其實(shí)它不同于今天我們召開幾天的學(xué)術(shù)會(huì)議，因?yàn)橐粊頉]有什么可以報(bào)告的科研成果，二來這個(gè)會(huì)議持續(xù)了一個(gè)暑假。事實(shí)上，這是一次頭腦風(fēng)暴式的討論會(huì)，這10位年輕的學(xué)者討論的是當(dāng)時(shí)計(jì)算機(jī)尚未解決，甚至尚未開展研究的問題，包括人工智能、自然語言處理和神經(jīng)網(wǎng)絡(luò)等。

會(huì)上紐厄爾和西蒙討論了“邏輯理論家”，而麥卡錫則說服與會(huì)者接受“人工智能”一詞作為本領(lǐng)域的名稱。1956年達(dá)特矛斯會(huì)議上人工智能的名稱和任務(wù)得以確定，同時(shí)出現(xiàn)了最初的成就和最早的一批研究者，因此這一事件被廣泛承認(rèn)為人工智能誕生的標(biāo)志。

黃金年代：1956 – 1974

達(dá)特茅斯會(huì)議之后的數(shù)年是大發(fā)現(xiàn)的時(shí)代。對(duì)許多人而言，這一階段開發(fā)出的程序堪稱神奇：計(jì)算機(jī)可以解決代數(shù)應(yīng)用題，證明幾何定理，學(xué)習(xí)和使用英語。當(dāng)時(shí)大多數(shù)人幾乎無法相信機(jī)器能夠如此“智能”。研究者們?cè)谒较碌慕涣骱凸_發(fā)表的論文中表達(dá)出相當(dāng)樂觀的情緒，認(rèn)為具有完全智能的機(jī)器將在二十年內(nèi)出現(xiàn)。ARPA(國防高等研究計(jì)劃署)等政府機(jī)構(gòu)向這一新興領(lǐng)域投入了大筆資金。

第一代AI研究者們非常樂觀，曾作出了如下預(yù)言:

1958年，H. A. Simon，Allen Newell：“十年之內(nèi)，數(shù)字計(jì)算機(jī)將成為國際象棋世界冠軍。” “十年之內(nèi)，數(shù)字計(jì)算機(jī)將發(fā)現(xiàn)并證明一個(gè)重要的數(shù)學(xué)定理。”

1965年，H. A. Simon：“二十年內(nèi)，機(jī)器將能完成人能做到的一切工作。”

1967年，Marvin Minsky：“一代之內(nèi)……創(chuàng)造‘人工智能’的問題將獲得實(shí)質(zhì)上的解決。”

1970年，Marvin Minsky：“在三到八年的時(shí)間里我們將得到一臺(tái)具有人類平均智能的機(jī)器。”

早期，人工智能使用傳統(tǒng)的人工智能方法進(jìn)行研究，什么是傳統(tǒng)的人工智能研究呢 簡單的講，就是首先了解人類是如何產(chǎn)生智能的，然后讓計(jì)算機(jī)按照人的思路去做。因此在語音識(shí)別、機(jī)器翻譯等領(lǐng)域遲遲不能突破，人工智能研究陷入低谷。

第一次AI低谷：1974 – 1980

由于人工智能研究者們對(duì)項(xiàng)目難度評(píng)估不足，這除了導(dǎo)致承諾無法兌現(xiàn)外，還讓人們當(dāng)初的樂觀期望遭到嚴(yán)重打擊。到了70年代，人工智能開始遭遇批評(píng)，研究經(jīng)費(fèi)也被轉(zhuǎn)移到那些目標(biāo)明確的特定項(xiàng)目上。

1972年康奈爾大學(xué)的教授弗雷德.賈里尼克(Fred Jelinek)被要求到IBM做語音識(shí)別。在之前各個(gè)大學(xué)和研究這個(gè)問題已經(jīng)花了20多年的時(shí)間，主流的研究方法有兩個(gè)特點(diǎn)，一個(gè)是讓計(jì)算機(jī)盡可能地模擬人的發(fā)音特點(diǎn)和聽覺特征，一個(gè)是讓計(jì)算機(jī)盡可能的方法理解人所講的完整的語句。對(duì)于前一項(xiàng)研究，有被稱為特征提取，后一項(xiàng)的研究大都使用傳統(tǒng)人工智能的方法，它基于規(guī)則和語義。

賈里尼克任務(wù)，人的大腦是一個(gè)信息源，從思考到找到合適的語句，再通過發(fā)音說出來，是一個(gè)編碼的過程，經(jīng)過媒介傳播到耳朵，是一個(gè)解碼的過程。既然是一個(gè)典型的通訊問題，那就可以用解決通訊方法來解決問題，為此賈里尼克用兩個(gè)數(shù)據(jù)模型(馬爾科夫模型)分別描述信源和信道。然后使用大量的語音數(shù)據(jù)來訓(xùn)練。最后，賈里尼克團(tuán)隊(duì)花了4年團(tuán)隊(duì)，將語音識(shí)別從過去的70%提高到90%。后來人們嘗試使用此方法來解決其他智能問題，但因?yàn)槿鄙贁?shù)據(jù)，結(jié)果不太理想。

在當(dāng)時(shí)，由于計(jì)算機(jī)性能的瓶頸、計(jì)算復(fù)雜性的指數(shù)級(jí)增長、數(shù)據(jù)量缺失等問題，一些難題看上去好像完全找不到答案。比如像今天已經(jīng)比較常見的機(jī)器視覺功能在當(dāng)時(shí)就不可能找到一個(gè)足夠大的數(shù)據(jù)庫來支撐程序去學(xué)習(xí)，機(jī)器無法吸收足夠的數(shù)據(jù)量自然也就談不上視覺方面的智能化。

項(xiàng)目的停滯不但讓批評(píng)者有機(jī)可乘——1973年Lighthill針對(duì)英國人工智能研究狀況的報(bào)告批評(píng)了人工智能在實(shí)現(xiàn)其“宏偉目標(biāo)”上的完全失敗，也影響到了項(xiàng)目資金的流向。人工智能遭遇了6年左右的低谷。

繁榮：1980 – 1987

在80年代，一類名為“專家系統(tǒng)”的AI程序開始為全世界的公司所采納，而“知識(shí)處理”成為了主流AI研究的焦點(diǎn)。1981年，日本經(jīng)濟(jì)產(chǎn)業(yè)省撥款八億五千萬美元支持第五代計(jì)算機(jī)項(xiàng)目。其目標(biāo)是造出能夠與人對(duì)話，翻譯語言，解釋圖像，并且像人一樣推理的機(jī)器。

受到日本刺激，其他國家紛紛作出響應(yīng)。英國開始了耗資三億五千萬英鎊的Alvey工程。美國一個(gè)企業(yè)協(xié)會(huì)組織了MCC(Microelectronics and Computer Technology Corporation，微電子與計(jì)算機(jī)技術(shù)集團(tuán))，向AI和信息技術(shù)的大規(guī)模項(xiàng)目提供資助。DARPA也行動(dòng)起來，組織了戰(zhàn)略計(jì)算促進(jìn)會(huì)(Strategic Computing Initiative)，其1988年向AI的投資是1984年的三倍。人工智能又迎來了大發(fā)展。

專家系統(tǒng)是一種程序，能夠依據(jù)一組從專門知識(shí)中推演出的邏輯規(guī)則在某一特定領(lǐng)域回答或解決問題。最早的示例由Edward Feigenbaum和他的學(xué)生們開發(fā)。1965年起設(shè)計(jì)的Dendral能夠根據(jù)分光計(jì)讀數(shù)分辨混合物。1972年設(shè)計(jì)的MYCIN能夠診斷血液傳染病。它們展示了這一方法的威力。專家系統(tǒng)僅限于一個(gè)很小的知識(shí)領(lǐng)域，從而避免了常識(shí)問題;其簡單的設(shè)計(jì)又使它能夠較為容易地編程實(shí)現(xiàn)或修改?？傊?，實(shí)踐證明了這類程序的實(shí)用性。直到現(xiàn)在AI才開始變得實(shí)用起來。

專家系統(tǒng)的能力來自于它們存儲(chǔ)的專業(yè)知識(shí)。這是70年代以來AI研究的一個(gè)新方向。Pamela McCorduck在書中寫道，“不情愿的AI研究者們開始懷疑，因?yàn)樗`背了科學(xué)研究中對(duì)最簡化的追求。智能可能需要建立在對(duì)分門別類的大量知識(shí)的多種處理方法之上。” “70年代的教訓(xùn)是智能行為與知識(shí)處理關(guān)系非常密切。有時(shí)還需要在特定任務(wù)領(lǐng)域非常細(xì)致的知識(shí)。”知識(shí)庫系統(tǒng)和知識(shí)工程成為了80年代AI研究的主要方向。

1982年，物理學(xué)家John Hopfield證明一種新型的神經(jīng)網(wǎng)絡(luò)(現(xiàn)被稱為“Hopfield網(wǎng)絡(luò)”)能夠用一種全新的方式學(xué)習(xí)和處理信息。大約在同時(shí)(早于Paul Werbos)，David Rumelhart推廣了反向傳播算法，一種神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。這些發(fā)現(xiàn)使1970年以來一直遭人遺棄的聯(lián)結(jié)主義重獲新生。

第二次AI低谷：1987 – 1993

“AI之冬”一詞由經(jīng)歷過1974年經(jīng)費(fèi)削減的研究者們創(chuàng)造出來。他們注意到了對(duì)專家系統(tǒng)的狂熱追捧，預(yù)計(jì)不久后人們將轉(zhuǎn)向失望。事實(shí)被他們不幸言中：從80年代末到90年代初，AI遭遇了一系列財(cái)政問題。

變天的最早征兆是1987年AI硬件市場需求的突然下跌。Apple和IBM生產(chǎn)的臺(tái)式機(jī)性能不斷提升，到1987年時(shí)其性能已經(jīng)超過了Symbolics和其他廠家生產(chǎn)的昂貴的Lisp機(jī)。老產(chǎn)品失去了存在的理由：一夜之間這個(gè)價(jià)值五億美元的產(chǎn)業(yè)土崩瓦解。

XCON等最初大獲成功的專家系統(tǒng)維護(hù)費(fèi)用居高不下。它們難以升級(jí)，難以使用，脆弱(當(dāng)輸入異常時(shí)會(huì)出現(xiàn)莫名其妙的錯(cuò)誤)，成了以前已經(jīng)暴露的各種各樣的問題的犧牲品。專家系統(tǒng)的實(shí)用性僅僅局限于某些特定情景。到了80年代晚期，戰(zhàn)略計(jì)算促進(jìn)會(huì)大幅削減對(duì)AI的資助。DARPA的新任領(lǐng)導(dǎo)認(rèn)為AI并非“下一個(gè)浪潮”，撥款將傾向于那些看起來更容易出成果的項(xiàng)目。

1991年人們發(fā)現(xiàn)十年前日本人宏偉的“第五代工程”并沒有實(shí)現(xiàn)。事實(shí)上其中一些目標(biāo)，比如“與人展開交談”，直到2010年也沒有實(shí)現(xiàn)。與其他AI項(xiàng)目一樣，期望比真正可能實(shí)現(xiàn)的要高得多。

走在正確的路上：1993 – 2005

現(xiàn)已年過半百的AI終于實(shí)現(xiàn)了它最初的一些目標(biāo)。它已被成功地用在技術(shù)產(chǎn)業(yè)中，不過有時(shí)是在幕后。這些成就有的歸功于計(jì)算機(jī)性能的提升，有的則是在高尚的科學(xué)責(zé)任感驅(qū)使下對(duì)特定的課題不斷追求而獲得的。不過，至少在商業(yè)領(lǐng)域里AI的聲譽(yù)已經(jīng)不如往昔了。

“實(shí)現(xiàn)人類水平的智能”這一最初的夢(mèng)想曾在60年代令全世界的想象力為之著迷，其失敗的原因至今仍眾說紛紜。各種因素的合力將AI拆分為各自為戰(zhàn)的幾個(gè)子領(lǐng)域，有時(shí)候它們甚至?xí)眯旅~來掩飾“人工智能”這塊被玷污的金字招牌。AI比以往的任何時(shí)候都更加謹(jǐn)慎，卻也更加成功。

第一次讓全世界感到計(jì)算機(jī)智能水平有了質(zhì)的飛躍實(shí)在1966年，IBM的超級(jí)計(jì)算機(jī)深藍(lán)大戰(zhàn)人類國際象棋冠軍卡斯伯羅夫，卡斯伯羅夫是世界上最富傳奇色彩的國際象棋世界冠軍，這次比賽最后以4：2比分戰(zhàn)勝了深藍(lán)。對(duì)于這次比賽媒體認(rèn)為深藍(lán)雖然輸了比賽，但這畢竟是國際象棋上計(jì)算機(jī)第一次戰(zhàn)勝世界冠軍兩局。時(shí)隔一年后，改進(jìn)后的深藍(lán)卷土重來，以3.5：2.5的比分戰(zhàn)勝了斯伯羅夫。自從1997年以后，計(jì)算機(jī)下棋的本領(lǐng)越來越高，進(jìn)步超過人的想象。到了現(xiàn)在，棋類游戲中計(jì)算機(jī)已經(jīng)可以完敗任何人類。

深藍(lán)實(shí)際上收集了世界上百位國際大師的對(duì)弈棋譜，供計(jì)算機(jī)學(xué)習(xí)。這樣一來，深藍(lán)其實(shí)看到了名家們?cè)诟鞣N局面下的走法。當(dāng)然深藍(lán)也會(huì)考慮卡斯伯羅夫可能采用的走法，對(duì)不同的狀態(tài)給出可能性評(píng)估，然后根據(jù)對(duì)方下一步走法對(duì)盤面的影響，核實(shí)這些可能性的估計(jì)，找到一個(gè)最有利自己的狀態(tài)，并走出這步棋。因此深藍(lán)團(tuán)隊(duì)其實(shí)把一個(gè)機(jī)器智能問題變成了一個(gè)大數(shù)據(jù)和大量計(jì)算的問題。

越來越多的AI研究者們開始開發(fā)和使用復(fù)雜的數(shù)學(xué)工具。人們廣泛地認(rèn)識(shí)到，許多AI需要解決的問題已經(jīng)成為數(shù)學(xué)，經(jīng)濟(jì)學(xué)和運(yùn)籌學(xué)領(lǐng)域的研究課題。數(shù)學(xué)語言的共享不僅使AI可以與其他學(xué)科展開更高層次的合作，而且使研究結(jié)果更易于評(píng)估和證明。AI已成為一門更嚴(yán)格的科學(xué)分支。

Judea Pearl發(fā)表于1988年的名著將概率論和決策理論引入AI?，F(xiàn)已投入應(yīng)用的新工具包括貝葉斯網(wǎng)絡(luò)，隱馬爾可夫模型，信息論，隨機(jī)模型和經(jīng)典優(yōu)化理論。針對(duì)神經(jīng)網(wǎng)絡(luò)和進(jìn)化算法等“計(jì)算智能”范式的精確數(shù)學(xué)描述也被發(fā)展出來。

大數(shù)據(jù)：2005 – 現(xiàn)在

從某種意義上講，2005年是大數(shù)據(jù)元年，雖然大部分人感受不到數(shù)據(jù)帶來的變化，但是一項(xiàng)科研成果卻讓全世界從事機(jī)器翻譯的人感到震驚，那就是之前在機(jī)器翻譯領(lǐng)域從來沒有技術(shù)積累、不為人所知的Google，以巨大的優(yōu)勢(shì)打敗了全世界所有機(jī)器翻譯研究團(tuán)隊(duì)，一躍成為這個(gè)領(lǐng)域的領(lǐng)頭羊。

就是Google花重金請(qǐng)到了當(dāng)時(shí)世界上水平最高的機(jī)器翻譯專家弗朗茲·奧科 (Franz Och)博士。奧科用了上萬倍的數(shù)據(jù)來訓(xùn)練系統(tǒng)。量變的積累就導(dǎo)致了質(zhì)變的發(fā)生。奧科能訓(xùn)練出一個(gè)六元模型，而當(dāng)時(shí)大部分研究團(tuán)隊(duì)的數(shù)據(jù)量只夠訓(xùn)練三元模型。簡單地講，一個(gè) 好的三元模型可以準(zhǔn)確地構(gòu)造英語句子中的短語和簡單的句子成分之間的搭配，而六元模型則可以構(gòu)造整個(gè)從句和復(fù)雜的句子成分之間的搭配，相當(dāng)于將這些片段從一種語言到另一種語言直接對(duì)譯過去了。不難想象，如果一個(gè)系統(tǒng)對(duì)大部分句子在很長的片段上直譯，那么其準(zhǔn)確性相比那些在詞組單元做翻譯的系統(tǒng)要準(zhǔn)確得多。

如今在很多與“智能”有關(guān)的研究領(lǐng)域，比如圖像識(shí)別和自然語言理解，如果所采用的方法無法利用數(shù)據(jù)量的優(yōu)勢(shì)，會(huì)被認(rèn)為是落伍的。

數(shù)據(jù)驅(qū)動(dòng)方法從20世紀(jì)70年代開始起步，在八九十年代得到緩慢但穩(wěn)步的發(fā)展。進(jìn)入21世紀(jì)后，由于互聯(lián)網(wǎng)的出現(xiàn)，使得可用的數(shù)據(jù)量劇增，數(shù)據(jù)驅(qū)動(dòng)方法的優(yōu)勢(shì)越來越明顯，最終完成了從量變到質(zhì)變的飛躍。如今很多需要類似人類智能才能做的事情，計(jì)算機(jī)已經(jīng)可以勝任了，這得益于數(shù)據(jù)量的增加。

全世界各個(gè)領(lǐng)域數(shù)據(jù)不斷向外擴(kuò)展，漸漸形成了另外一個(gè)特點(diǎn)，那就是很多數(shù)據(jù)開始出現(xiàn)交叉，各個(gè)維度的數(shù)據(jù)從點(diǎn)和線漸漸連成了網(wǎng)，或者說，數(shù)據(jù)之間的關(guān)聯(lián)性極大地增強(qiáng)，在這樣的背景下，就出現(xiàn)了大數(shù)據(jù)。

大數(shù)據(jù)是一種思維方式的改變。現(xiàn)在的相比過去大了很多，量變帶來了質(zhì)變，思維方式、做事情的方法就應(yīng)該和以往有所不同。這其實(shí)是幫助我們理解大數(shù)據(jù)概念的一把鑰匙。在有大數(shù)據(jù)之前，計(jì)算機(jī)并不擅長解決需要人類智能來解決的問題，但是今天這些問題換個(gè)思路就可以解決了，其核心就是變智能問題為數(shù)據(jù)問題。由此，全世界開始了新的一輪技術(shù)革命——智能革命。

來源：36大數(shù)據(jù)