深扒人工智慧——歷史篇

01-26

引言

在剛剛召開的全國兩會上，「人工智慧」首次被列入政府工作報告，成為兩會熱詞。從去年Google的AlphaGo在圍棋人機大戰戰勝世界冠軍，到今年初百度的小度機器人在《最強大腦》中擊敗人類「腦王」，人工智慧一次次佔據新聞頭條，抓足了公眾的眼球。

人工智慧（Artificial Intelligence，AI）是一個高門檻的行業，涉及的技術門類繁多、錯綜複雜，且大多高精尖可能不少業內人士也未必能清晰地把握其全貌，更不用提行業外的普羅大眾。專家寫的論文過於艱深晦澀，而小編東拼西湊的水文往往邏輯混亂、雲山霧罩。《深扒人工智慧》系列文章試圖為渴望了解人工智慧的普通大眾，剝開人工智慧的神秘面紗，系統性地梳理人工智慧的脈絡，讓普通讀者也能一窺人工智慧這頭科學巨獸的全貌。

本系列文章將分為《歷史篇》、《現狀篇》、《基礎技術》、《應用技術》和《產品服務》共5篇。

什麼是人工智慧

欲深入了解一個事物，必先明確其定義。人工智慧有很多種專業冗長、不明覺厲的定義。本文精簡歸納為：人工智慧是使用機器模擬人類智能的技術。更形象一點，人工智慧是使機器像人類一樣能看、能聽、能想、能說、能動的技術。

人工智慧的歷史

人工智慧看似新潮，其歷史並不短，它正式誕生距今已經有六十多年的歷史。

誕生

1950 年，偉大的計算機科學家艾倫·圖靈(Alan Turing)發表了一篇劃時代的論文，預言了創造具有真正智能的機器的可能性。考慮到「智能」不易衡量，他提出了著名的圖靈測試，以機器偽裝人類對話的能力來衡量機器的智能水平。

1956年達特茅斯會議舉行， Marvin Minsky、John McCarthy、Claude Shannon、Nathan Rochester、 Allen Newell、Herbert Simon等頂尖科學家匯聚一堂，共同確定了人工智慧的名稱和任務，標誌著人工智慧這門學科的正式誕生。與會的每一位科學家都在人工智慧發展的第一個十年中做出了重要貢獻。

第一次高潮（1956 - 1974）

1956年之後的十幾年是人工智慧的黃金年代，計算機被用於證明數學定理、解決代數應用題等領域。A. Newell和H. Simon研發的「邏輯理論家（Logic Theorist）」證明了《數學原理》中全部52條定理，其中某些證明比原著更加巧妙。人們幾乎無法相信機器原來可以如此智能。這些成果讓研究者對未來充滿信心，認為完全智能的機器人二十年內就能出現。

第一次低谷（1974 - 1980）

到了70 年代初，人們漸漸發現僅僅具有邏輯推理能力遠遠不夠實現人工智慧，許多難題並沒有隨著時間推移而被解決，很多AI系統一直停留在了玩具階段。之前的過於樂觀使人們期望過高，又缺乏有效的進展，許多機構逐漸停止了對AI研究的資助。人工智慧遭遇了第一次低谷。

第二次高潮（1980 - 1987）

進入80年代，卡耐基梅隆大學為DEC公司設計了一個名為XCON的專家系統，每年為公司節省四千萬美元，取得巨大成功。許多公司紛紛效仿，開始研發和應用專家系統。專家系統依賴的知識工程因而也成為AI研究的焦點。日本推出第五代計算機計劃，其目標是造出能夠與人對話，翻譯語言，解釋圖像，並且像人一樣推理的機器。其他國家也紛紛作出響應。與此同時，John Hopfield發明Hopfield網路，解決了著名的旅行商（TSP）問題。David Rumelhart提出反向傳播（Back Propagation，BP）演算法，解決了多層神經網路的學習問題。神經網路被廣泛的應用於模式識別、故障診斷、預測和智能控制等多個領域。AI迎來了又一輪高潮。

第二次低谷（1987 - 1993）

從80年代末到90年代初，專家系統所存在的應用領域狹窄、知識獲取困難、維護費用居高不下等問題逐漸暴露出來，十年前日本人宏偉的第五代計算機計劃也宣告失敗。AI遭遇了一系列財政問題，進入第二次低谷。

第三次高潮（1993至今）

從90年代中期至今，隨著計算機性能的高速發展，海量數據的累積和AI研究者的不懈努力，人工智慧在許多領域不斷取得突破性成果，掀起新一輪高潮。

1997年，IBM的國際象棋機器人深藍（Deep Blue）戰勝國際象棋世界冠軍卡斯帕羅夫，引起世界範圍內轟動。

2006年，Geoffrey Hinton提出深度學習。在接下來的若干年，藉助深度學習技術，包括語音識別、計算機視覺在內的諸多領域都取得了突破性的進展。

2011年2月，IBM的問答機器人Watson在美國問答節目《Jeopardy！》上擊敗兩位人類冠軍選手。

2012年10月，微軟就在「21世紀的計算」大會上展示了一個全自動同聲傳譯系統，它將演講者的英文演講實時轉換成與他的音色相近、字正腔圓的中文。

2016年3月，Google的圍棋人工智慧系統AlphaGo與圍棋世界冠軍、職業九段選手李世石進行人機大戰，並以4:1的總比分獲勝。

2016年末至2017年初，AlphaGo在兩個公開圍旗網站上與中日韓數十位圍棋高手進行快棋對決，連勝60局無一敗績，包括對當今世界圍旗第一人柯潔連勝三局。

2017年1月，百度的小度機器人在《最強大腦》中戰勝人類「腦王」。

2017年2月，搜狗的問答機器人汪仔在《一站到底》中戰勝哈佛女學霸。

2017年2月，卡耐基梅隆大學的人工智慧系統Libratus在長達20天的德州撲克大賽中，打敗4名世界頂級德州撲克高手，贏得177萬美元籌碼。

浪潮襲來，人工智慧席捲各個領域，正在深刻地改變著人類社會的方方面面。

三大驅動要素

人工智慧之所以能在近年來掀起新一輪高潮，主要歸根於三大驅動要素：演算法、大數據、計算力。

演算法

機器學習技術一直是人工智慧發展的核心推動力。傳統的統計機器學習技術早已被廣泛應用到現代社會的各個方面：搜索引擎、廣告、商品推薦、內容過濾等。統計機器學習往往需要人類專家花力氣設計描述數據的特徵，而深度學習的多層神經網路讓機器可以由低往高逐層自動學習複雜的特徵，能很好解決一些更複雜的問題。深度學習首先在語音識別、圖像識別領域取得了突破性進展，隨後在自然語言理解等諸多領域都取得了可喜成果，直接推動了本輪人工智慧的高潮。

大數據

深度學習的多層神經網路結構複雜，參數眾多，需要大規模的數據才能訓練生成有效的模型。得益於互聯網、社交媒體的發展，帶寬大幅提高，存儲硬體成本的降低，全世界的數據規模在爆髮式增長，人類進入大數據時代。有研究稱，整個人類文明的全部數據中，有90%是過去兩年內產生的。如此海量的數據，為人工智慧的發展提供了源源不斷的燃料。

計算力

深度學習使用海量數據訓練複雜的多層神經網路模型，需要強大的計算能力支撐。之前業界採用傳統的CPU進行模型訓練，花費的時間漫長，少則幾天，多則幾周。GPU的應用，將深度學習的效率提高了數十乃至上百倍。緊接著FPGA以及各種定製晶元紛紛被用於加速深度學習。再加上分散式計算技術的進步，使大量晶元可以同時用於模型訓練。由此形成的強大計算能力，強有力地推動著人工智慧向前高速發展。