人工智能杂记 人工智能简史

1人工智能基本概念

人工智能（Artificial Intelligence, AI）是指计算机具备类似人类的智能特征，并涉及多个交叉领域的前沿学科研究。该学科不仅包括计算机科学、统计学、神经科学等基础学科的研究探索，在推动社会进步和经济发展方面也发挥着重要作用。例如，在日常交流中运用AI技术时，机器能够将语言转化为文字信息，并能理解并回应人类的话语内容，在信息处理与交流互动方面展现出独特的优势。

2人工智能发展历程

**人工智能的起源：**在20世纪五六十年代时正式确立了人工智能的概念，在1950年时由一位名叫马文·明斯基的大四学生与他的同学邓恩·埃德蒙一道，在麻省理工学院（后人称其为"人工智能之父"）共同制造出了世界上第一台神经网络型电子计算机。这也被视为人工智能发展的起点之一。有趣的是，在同一时期1950年时阿兰·图灵提出了著名的"图灵测试"理论：如果一台机器能够与人类进行交流而不被识破是机器的身份那么这台机器就可以被认为具备智能特质而就在这一年图灵还大胆预言了真正能够具备智能的人工智能机器将会出现的时间frame。1956年在由达特茅斯学院（Dartmouth College）主办的一次学术会议上计算机专家约翰·麦卡锡首次提出了"人工智能"这一术语并主张应当将此作为一个学科开展研究这被认为是人工智能真正诞生的重要标志之一之后麦卡锡从达特茅斯学院搬到了麻省理工学院(MIT)并在那里的研究团队中担任核心成员后来两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室值得一提的是在那次达特茅斯会议期间由该会议确立的人工智能一词也标志着AI领域的正式诞生从那以后该领域开始得到学术界更为严肃深入的研究和发展紧接着一批具有开拓性思维的人才开始涌现这些杰出学者和技术代表作则使得人工智能成为了推动科技发展的重要学科分支

如果你希望全面掌握人工智能知识，则不妨参考床长精心编著的人工智能教材。这套著作堪称 Masterpieces of AI 的入门指南，并深入浅出地介绍了核心概念与实际应用；它不仅深入浅出地阐述了理论知识，并且充满了趣味性和启发性；你可以访问这个链接获取更多信息：这里）

从那以后，在1956年的会议上开启了人工智能领域的首次盛况。经过大约十年的时间，在数学与自然语言处理领域得到了广泛应用的计算机用于解决各种类型的问题。许多研究者对机器实现完全的人工智能发展充满信心。然而，在那个时期就有学者预测，在未来 twenty 年内机器将能够完成人类的所有任务

人工智能第一次低谷： 上世纪七十年代末至八十年代初, 人工智能进入了一个持续了六年的研究困境。当时的研究者低估了人工智能项目的难度, 一方面未能与美国国防高级研究计划署（DARPA）开展合作项目, 另一方面也引发了社会舆论的压力, 导致大量研究经费被转移到其他领域。
当时的人工智能面临三个主要的技术障碍: 首先, 计算机性能不足限制了早期应用程序在复杂任务中的应用; 其次, 针对特定类型的问题设计程序效率较高; 最后, 缺乏足够的训练数据使得深度学习难以取得突破性进展. 因此, 人工智能项目进展缓慢. 但这也为一些人提供了发展的机会. 在此期间, 英国科学家Lighthill对其时的人工智能研究状况提出了批评, 指出当前的人工智能研究未能达到预期目标. 这一困境持续了六年之后才有所缓解

人工智能技术的迅速发展

人工智能又一次陷入低谷。令人惋惜的是，命运的车轮又一次碾压了人工智能，并使它回归起点。仅仅维持了7年之后（直至1987年时），这个曾经令世界瞩目的智能系统最终宣告终结历史进程。在此期间，在1987年前后之前（直至1987年时），苹果和IBM公司的个人电脑性能已经超过Symbolics等厂商生产的通用计算机。因此以后（从此以后），专家系统一落千丈。

人工智能技术再次进入新的发展阶段： 20世纪90年代中期以来，在AI技术和尤其是神经网络技术逐步发展的影响下，并伴随着人们逐渐认识到AI技术的重要性这一背景之下，人工智能研究逐步迈入了一个相对稳定的发展阶段。值得注意的是，在这一时期中也出现了许多引人注目的研究进展。例如，在1997年5月11日这一天，《深度思考》（IBM公司的‘深蓝’系统）击败了国际象棋界传奇人物卡斯帕罗夫这一事件就引发了广泛的关注与讨论，并被认为是人工智能领域的一次重大突破与进步。

2006年,Hinton在深度学习领域中的重要研究方向上实现了重大突破,也再次展现了人工智能超越人类的可能性,构成了推动人工智能发展的关键性里程碑.

注

2016 年，Google 的 AlphaGo 赢了韩国棋手李世石，再度引发 AI 热潮。

人工智能持续展现出蓬勃的发展势头，在与其伴随着基础设施的进步和技术革新密不可分的过程中不断向前推进。从上世纪七十年代个人电脑的兴起一直到2010年GPU以及异构计算等硬件设施的发展都是人工智能复兴不可或缺的重要基石。

伴随着互联网及移动互联网的发展而来的一系列数据技术进步,不仅推动了人工智能水平的整体提升,同时也催生了运算能力的根本性变革。运算体系逐步由基于传统CPU向基于GPU方向转型,这一转变对人工智能的发展产生了深远影响。与此同时,算法技术的不断革新为人工智能的成长提供了重要推动力,早期采用的传统统算方法包括80年代提出的神经网络模型,在90年代则发展出浅层学习框架,而20世纪中叶SBM方法开始形成框架基础,并逐步发展出了如Boosting等高效算法。随着数据规模持续扩大以及计算资源效率提升,深度学习技术因其强大的参数调整能力和特征自动提取优势,在这一时期得到了快速发展。自21世纪初起,深度学习技术因其强大的参数调整能力和特征自动提取优势,在这一时期得到了快速发展。

小贴士：人工智能开创先驱

首先, 人们普遍认为首位赫赫有名的学者, 实际上就是大名鼎鼎的"计算机科学之父"以及"人工智能之父"—阿兰·图灵（Alan Mathison Turing）。他在人工智能方面的贡献, 主要体现在两篇 seminal 著作之中: 其中一篇是1936年发表于《论数字计算在决断难题中的应用》, 在这篇论文中, 他给出了一个精确的数学概念来界定"可计算性", 并提出了著名的"图灵机"设想, 从而从数理逻辑的角度为计算机科学奠定了重要基础；另一篇著作则对人工智能的发展产生了更直接的影响, 论文标题即为《机器能思考吗》, 在这篇研究中, 图灵创造了一种判定机器是否具备智能的方法论—即著名的图灵测试: 若一台机器能在与人类的有效对话中成功蒙骗判断者而不被识别为机械装置本身, 那么这台机器就可以被认为是具备智能水平了。“中文房间实验”则是这一核心测试方案的一个变形版本. 不容置疑, 图靈最先系统地探讨了人工智能的基本原则与标准;因此他无愧地被称为"人工智慧之父", 这一称号实至名归。

第二位名人是一位神童，18岁即取得数理逻辑博士学位，这就是“控制论之父”维纳（Norbert Wiener）。1940年，维纳开始考虑计算机如何能像大脑一样工作，发现了二者的相似性。维纳认为计算机是一个进行信息处理和信息转换的系统，只要这个系统能得到数据，就应该能做几乎任何事情。他从控制论出发，特别强调反馈的作用，认为所有的智能活动都是反馈机制的结果，而反馈机制是可以用机器模拟的。维纳的理论抓住了人工智能核心——反馈，因此可以被视为人工智能“行为主义学派”的奠基人，其对人工神经网络的研究也影响深远。

第三位名人常常与图灵争夺"人工智能之父"的桂冠，在此领域贡献卓著。他最先提出"人工智能(Artificial Intelligence)"这一术语，并成为真正的"人工智能之父"约翰·麦卡锡(John McCarthy)。1955年时，在达特茅斯学院召开的人工智能学术会议上, 由约翰·麦卡锡与其他两位先驱马文·明斯基(M Marvin Minsky)以及克劳德·香农(Claude Shannon)共同发起, 邀请了众多相关领域的专家学者参与讨论, 最终正是约翰·麦卡锡说服大家采用"人工智慧(Artificial Intelligence)"这一专业术语, 而与会学者们围绕自动计算机(Automation Computer)、自然语言处理(Natural Language Processing)以及神经网络(Neural Network)等核心领域展开了深入探讨, 并得出了许多重要结论

3人工智能的研究领域及分层

人工智能研究的主要领域可划分为五个层次。第一层次是数据与计算能力的基础建设 ，其中数据资源的规模直接影响着人工智能系统的性能水平。第二层次则关注算法的发展与应用 ，包括卷积神经网络、长短期记忆网络（LSTM）、Q-Learning等机器学习核心算法的研究与实践。第三层次聚焦于核心技术及其相关问题 ，例如计算机视觉、语音工程以及自然语言处理等领域的发展现状及面临的技术挑战。此外，在这一层面还包括一些如强化学习（Reinforcement Learning）等新兴技术的研究成果以及大数据分析统计系统等的应用探索。第四层次列举了具体的应用技术 ，如图像识别系统、语音识别引擎以及机器翻译平台等的实际应用场景和技术实现方式。最高一层则是行业解决方案层面 ，它探讨的是人工智能在金融行业、医疗健康领域、互联网服务行业以及交通物流系统等不同行业的实际应用方案和发展趋势

值得注意的是，在机器学习与深度学习之间存在显著的区别。

关于人工智能、机器学习和深度学习之间的关系请看笔者的另一篇文章。

4人工智能的应用场景

近20年来，在计算机视觉领域的研究与应用取得了显著进展。如今机器学习技术的应用逐渐拓展到了这一新兴领域，并基于人工提取特征的方法在计算机视觉领域表现尚可。相比之下，深度学习的发展使计算机从依赖人工特征到能够自主识别复杂模式的转变成为可能。该技术涵盖车牌识别、安防监控以及面部表情分析等多个领域，并在无人车自动导航、电子商务中的商品推荐等多个应用场景中展现出强大的性能优势

近年来，在语音技术领域中

近年来，在自然语言处理领域取得了重大进展的是机器翻译技术的发展。这一技术的进步使得传统的机器翻译水平得到了显著提升。例如谷歌的Translation系统，在这一领域已经成为人工智能领域的标杆性成就。在2010年代初期 IBM Watson系统在一个综艺节目中与人类冠军在自然语言问答中较量并取得了胜利

决策系统
在解决棋类问题的过程中不断进步。
决策系统的起始于20世纪80年代初西洋跳棋。
直至21世纪90年代国际象棋领域。
这些胜利体现了科技发展的进步。
决策系统可以在自动化以及量化投资等领域均有广泛的应用潜力。

基于你之前阅读的文章内容，我们可以深入了解你的兴趣领域，并实现个性化服务；研究不同股票的表现并进行量化投资活动；分析客户的偏好特点以制定相应的营销策略等。通过一系列的数据进行判别分析，并向我们反馈最适合的策略。

5人工智能的挑战

计算机视觉：未来人工智能的发展将更加重视效果优化，并在多样化的场景与问题中得到广泛应用。
语音识别：目前，在较为理想的环境中（如安静环境），语音识别技术已能达到与人类相当的效果。然而，在复杂环境下（如噪音情景），该技术仍面临诸多挑战，尤其是方言识别、口语对话等边缘情况。为了应对这些挑战，未来的改进方向应包括提升计算能力、增加训练数据以及优化算法

自然语言处理：机器的优势在于具备更强的记忆功能（memory capability），但明显缺乏对口语不规范用语的理解与认知能力（语意理解能力不足）。人类在交流时与物理事件相关联（如通过语言描述事物的变化），而机器则仅将具体的术语（如"电脑"）作为一个独立词汇进行处理（without forming semantic associations），无法像人类那样理解其潜在意义（implicit associations）。因此，在自然语言处理领域中，在文本中通过与其他频繁共现的词形成联想（associations）来模拟物理事件中的联想机制是目前的研究方向之一（research direction）。然而目前这一技术仍存在诸多挑战（challenges），尚未找到理想的解决方案（solution）。因此，在未来的研究中应当着重探索如何构建一种能够将文本转化为具体物理事件的映射模型（mapping model），以解决这一技术瓶颈问题（technological bottleneck）。

该决策系统面临两个主要问题：其一是在知识学习方面存在不可迁移性；例如通过学习一种方法掌握围棋规则后无法直接应用于象棋策略的制定；其二是需要大量的模拟数据进行训练；因此它有两个目标：第一个目标在于提高算法性能；第二个目标是使其具备良好的自适应能力；即当环境或输入的数据发生变化时它能够去适应变化而不是导致能力有所下降；这些问题都属于我们希望在未来较短时间内迅速解决的重点方向