第一章 人工智能的发展 | AI大学堂

这是一个快速发展的时代。身处这个时代洪流中的人们，无论是襁褓之中呱呱坠地的孩童，还是社区里颐养天年的耄耋老者，每一个普通个体都能感受到生活的便利和舒适。

在这一切美好变迁的背后，是一场正在深刻改变我们生活与社会的科技浪潮——人工智能。

人工智能是通过机器来模拟人类认知能力的技术。人工智能涉及很广，涵盖了感知、学习、推理与决策等方面的能力。

从实际应用的角度说，人工智能最核心的能力就是根据给定的输入做出判断或预测。

例如，

在人脸识别应用中，它是根据输入的照片，判断照片中的人是谁。

在语音识别中，它可以根据人说话的音频信号，判断说话的内容。

在医疗诊断中，它可以根据输入的医疗影像图像，划分出异常区域，判断疾病的成因和性质。

在电子商务网站中，它可以根据一个用户浏览和购买记录，预测该用户对什么商品感兴趣，并作出相应的推荐，提升企业销售额。

在金融应用中，它可以根据一只股票过去的价格和交易信息，预测它未来的价格走势。在围棋对弈中，它可以根据当前的盘面形势，选择胜率最大的落子策略。

#1.人工智能的发展介绍

人工智能能有如今广阔的应用，它的发展并非一帆风顺，20世纪四五十年代，数学家和计算机工程师就已经开始探讨使用机器模拟智能的可能。1950年，Alan Turing 在他的论文《计算机器与智能》中提出了著名的图灵测试。

在图灵测试中，一位人类测试员会通过文字与密室里的一台机器和一个人自由对话。如果测试员无法分辨与之对话的两个实体谁是人谁是机器，则参与对话的机器就被认为通过测试。

虽然图灵测试的科学性受到过质疑，但是它在过去数十年一直被广泛认为是测试机器智能的重要标准，对人工智能的发展产生了极为深远的影响。

1951年夏天，当时普林斯顿大学数学系的一位24岁的研究生，Marvin Minsky建立了世界上第1个神经网络机器，SANARC（Stochastic Neural Analog Reinforcement Calculator）。

在这个只有40个神经元的小网络里，人们第1次模拟了神经信号的传递，这项开创性的工作为人工智能奠定了深远的基础，Minsky由于它在人工智能领域的一系列奠基性的贡献，在1969年获得计算机科学领域的最高奖图灵奖。

1955年，Allen Newell、Herbert Simon 和 Cliff Shaw 建立了一个名为“逻辑理论家”的计算机程序来模拟人类解决问题的技能。

这个程序成功证明了一部大学数学教科书里面52个定理中的38个，甚至还找到了比教科书里更优美的证明，这项工作开创了一种日后被广泛应用的方法：搜索推理。

1956年，Minsky、John McCarthy、Claude Shannon 和 Nathan Rochester在美国的达特茅斯学院组织了一次讨论会。会议中提出：“学习和智能的每一个方面都能被精确的描述，使得人们可以制造一台机器来模拟它。”

这次会议为这个致力于通过机器来模拟人类智能的新领域定下了名字——“人工智能”Artificial Intelligence AI，从而正式宣告了人工智能作为一门学科的诞生。

#1.1人工智能的第一次浪潮(1956-1974)

人工智能的诞生震动了全世界，人们第1次看到了智慧通过机器产生的可能。当时有人乐观地预测，一台完全智能的机器将在20年内诞生。

虽然到现在我们还没有完成这样的目标， 但是它的诞生所点燃的热情确实为这个新生领域的发展注入了无穷的活力。

1963年，当时刚成立的美国高等研究计划局( ARPA)投入了两百万美元给麻省理工学院，开启了新项目 Project MAC(The Project on Mathematics and Computation)。

不久后，当时最著名的人工智能科学家闵斯基和麦卡锡加入了这个项目，并推动了在视觉和语言理解等领域的一系列研究。

Project MAC 培养了一大批最早期的计算机科学和人工智能人才，对这些领域的发展产生了非常深远的影响。这个项目也是现在赫赫有名的麻省理工学院计算机科学与人工智能实验室(MIT CSAIL)的前身。

在巨大的热情和投资的驱动下，一系列新成果在这个时期应运而生。

麻省理工学院的约瑟夫·维森鲍姆(Joseph Weizenbaum )教授在 1964 年到 1966 年间建立了世界上第一个自然语言对话程序 ELIZA。

ELIZA通过简单的模式匹配和对话规则与人聊天。虽然从今天的眼光来看这个对话程序显得有点简陋，但是当它第一次展露在世人面前的时候，确实令世人惊叹。

日本早稻田大学也在 1967 年到 1972 年间发明了世界上第一个人形机器人，它不仅能对话，还能在视觉系统的引导下在室内走动和抓取物体。

期望越高，失望越大。虽然人工智能领域在诞生之初的成果层出不穷，但还是难以满足社会对这个领域不切实际的期待。

由于先驱科学家们的乐观估计一直无法实现，从70 年代开始，对人工智能的批评越来越多。在领域内，百花齐放的背后各种问题也逐步显露出来。

一方面，有限的计算能力和快速增长的计算需求之间形成了尖锐的矛盾；另一方面，视觉和自然语言理解中巨大的可变性与模糊性等问题在当时的条件下构成了难以逾越的障碍。

随着公众热情的消退和投资的大幅度削减，人工智能在 70 年代中期进入了第一个冬天。

#1.2第二次浪潮(1980-1987)：专家系统的兴衰

进入 80 年代，由于专家系统(expert system)和人工神经网络(artificial neural network)等技术的新进展，人工智能的浪潮再度兴起。

专家系统是一种基于一组特定规则来回答特定领域问题的程序系统。

早在20世纪60年代，爱德华·费根鲍姆(Edward Feigenbaum)已经开始了对专家系统的早期研究。他因此被称为“专家系统之父”。

在70年代，斯坦福大学的科学家们开发了一套名为 MYCIN 的系统，它可以基于 600 条人工编写的规则来诊断血液中的感染。

到了1980 年，卡耐基梅隆大学为迪吉多公司(DEC)开发了一套名为 XCON的专家系统，它可以帮助迪吉多公司根据客户需求自动选择计算机部件的组合。

这套系统当时每年可以为迪吉多公司节省 4000 万美元。XCON 的巨大商业价值极大激发了工业界对人工智能尤其是专家系统的热情。

此外，专家系统的成功也逐步改变了人工智能发展的方向。

科学家们开始专注于通过智能系统来解决具体领域的实际问题，尽管这和他们建立通用智能的初衷并不完全一致。

与此同时，人工神经网络的研究也取得了重要进展。

1982年，约翰·霍普菲尔德(John Hopfield)提出了一种新型的网络形式，即霍普菲尔德神经网络(Hopfield net)，在其中引入了相联存储(associative memory)的机制。

1986 年，大卫·鲁梅尔哈特(David Rumelhart)、杰弗里·辛顿(Geoffrey Hinton)和罗纳德·威廉姆斯(Ronald Williams)联合发表了有里程碑意义的经典论文:《通过误差反向传播学习表示》(Learning representations by back-propagating errors)。

在这篇论文中，他们通过实验展示，反向传播算法(backpropagation)可以在神经网络的隐藏层中学习到对输入数据的有效表达。

从此，反向传播算法被广泛用于人工神经网络的训练。

在新一次人工智能浪潮兴起的同时，日本通商产业省在1982 年雄心勃勃地开始了旨在建造“第五代计算机”的大型研究计划。

这个计划的目标是通过大规模的并行计算来达到类似超级计算机的性能并为未来的人工智能发展提供平台。

遗憾的是，经过了10 年研发，耗费了500 亿日元，这个项目未能达成预期的目标。

运用专家系统的缺陷也很明显，泛化推广能力弱，输入到数据库中的信息才能输出，数据库中没有的，它就束手无策了，而让计算机长知识的手段只能是人类专家更新数据库。

到了80 年代后期，产业界对专家系统的巨大投入和过高期望开始显现出负面的效果。人们发现这类系统开发与维护的成本高昂，而商业价值有限。

在失望情绪的影响下，对人工智能的投人被大幅度削减，人工智能的发展再度步入冬天。

#1.3第三次浪潮(2011 年至今)现代人工智能的兴起

时间到了 90 年代，历经潮起潮落的人工智能已经发展了40多年。

虽然年轻时气吞天下的雄心遭遇了挫折，但这个领域也变得愈发坚韧。

科学家们放下了不切实际的目标，开始专注于发展能解决具体问题的智能技术。

在这段时期里，研究人工智能的学者开始引人不同学科的数学工具，比如高等代数、概率统计与优化理论，这为人工智能打造了更坚实的数学基础。

数学语言的广泛运用，打开了人工智能和其他学科交流合作的渠道，也使得成果能得到更为严谨的检验。

在数学的驱动下，一大批新的数学模型和算法被发展起来，比如，统计学习理论( statistical learning theory)、支持向量机(support vector machine)、概率图模型(probabilistic graphical model)等。

新发展的智能算法被逐步应用于解决实际问题，比如安防监控、语音识别、网页搜索、购物推荐、自动化算法交易等等。

新算法在具体场景的成功应用，让科学家们看到了人工智能再度兴起的曙光。

进入了21 世纪，全球化的加速以及互联网的蓬勃发展带来全球范围电子数据的爆炸性增长。人类迈入了“大数据”时代。

与此同时，电脑芯片的计算能力持续高速增长。当前一块NVIDIA Tesla V100 图形处理器的计算能力已经突破了每秒 10 万亿次浮点运算，超过了 2001 年全球最快的超级计算机。

在数据和计算能力指数式增长的支持下，人工智能算法也取得了重大突破。

在2012年一次全球范围的图像识别算法竞赛ILSVRC(也称为 Image Net 挑战赛)中，多伦多大学开发的一个多层神经网络 Alex Net 取得了冠军，并大幅度超越了使用传统机器学习算法的第二名。

这次比赛的成果在人工智能学界引起了广泛的震动。

从此，以多层神经网络为基础的深度学习被推广到多个应用领域，在语音识别、图像分析、视频理解等诸多领域取得成功。

2016年，谷歌(Google)通过深度学习训练的阿尔法狗(AlphaGo)程序在一场举世瞩目的比赛中以4 比1 战胜了曾经的围棋世界冠军李世石。它的改进版更在 2017 年战胜了当时世界排名第一的中国棋手柯洁。

这一系列让世人震惊的成就再一次点燃了全世界对人工智能的热情。世界各国政府和商业机构都纷纷把人工智能列为未来发展战略的重要部分。

由此，人工智能的发展迎来了第三次热潮。 随着硬件的发展以及国家之间的科技布局，世界人工智能的发展已进入到快车道，人工智能的应用将渗透到我们生活的方方面面，我们也会感受到科技带来的便捷。

#2.人工智能的其他应用

安防领域：通过人工智能算法实时从视频中检测出行人和车辆，自动找到视频中的异常行为，如醉酒的行人和逆行的车辆，未佩戴口罩的个人，自动判断人群密度和人流的方向，提前发现过密人群带来的潜在风险，帮助工作人员引导和管理人流。

医疗领域：人工智能在医疗中的应用为解决“看病难”的问题提供了新的思路。目前，世界各国的诸多研究机构都投入很大的力量开发对医学影像进行自动分析的技术。这些技术可以自动找到医学影像中的重点部位，并进行对比分析。

人工智能分析的结果可以为医生诊断提供参考信息，从而有效地减少误诊或者漏诊。除此以外，有些新技术还能通过多张医疗影像重建出人体内器官的三维模型，帮助医生设计手术，确保手术更加精准。

随着智能医疗技术的进步，我们相信人工智能不仅能为医生提供更直接更精准的诊断和治疗建议，而且可以为我们每个人提供健康建议和疾病风险预警，从而让我们生活得更加健康。

工业制造领域：我国是工业大国，随着各种产品的快速迭代以及现代人对于定制化产品的强烈需求，工业制造系统必须变得更加“聪明”，而人工智能则是提升工业制造系统的最强动力。

比如，品质监控是生产过程中的重要环节，一个质量不过关的零件如果流向市场，不仅会使消费体验大打折扣。更有可能导致严重的安全事故。

因此传统生产线上都安排大量的检测工人用肉眼进行质量检测。这种人工检测方式不仅容易漏检和误判，更会给质检工人造成疲劳伤害。

因此很多工业产品公司开发使用人工智能的视觉工具，帮助工厂自动检测出形态各异的缺陷。

2011年汉诺威工业博览会(Hannover Messe)上，德国提出了工业4.0概念，其中最重要的就是在工业环境中使用大量的传感器采集海量的数据。

人工智能则成为分析这些海量数据并从中挖掘有价值信息的强大武器。西门子(Siemens)和通用电气(GE)等工业巨头纷纷开发了人工智能系统，用来预测生产环节的风险、降低材料浪费和能源消耗，并同时提升生产效率。

#3.总结

人工智能的功能越来越强大，同时也影响我们生活的方方面面，现在，让我们一起走近人工智能，更深入地理解其运行逻辑，感受它的魅力。首先了解一些机器学习的基础知识，随后基于主流框架之一TensorFlow来感受实际的开发过程。