一文讀懂AI簡史:當年各國燒錢許下的願,有些至今仍未實現
一文讀懂 AI 簡史:當年各國燒錢許下的願,有些至今仍未實現
導讀: 近日 ,馬雲、馬化騰、李彥宏等網際網路大佬紛紛亮相 2018 世界人工智慧大會,並登臺演講。關於人工智慧的現狀與未來,他們提出了各自的觀點,也引發網友熱議。有人認為大佬們的分享乾貨滿滿,也有人有不同觀點,認為我們並沒有真正搞懂人工智慧,更無法預測未來。
如果回溯歷史,你會發現,人工智慧一直是國內外計算機、網際網路大佬們喜歡的話題。他們的觀點和預言,有些已成為今天的生活常態,有些卻依然沒有實現。本文就帶你回顧人工智慧發展過程中重要的歷史階段,以及大佬們那些精彩的言論。
作者:錢綱
本文摘編自《 矽谷簡史:通往人工智慧之路 》,如需轉載請聯絡我們
在我們回顧人工智慧的歷史之前,先來看看流行的人工智慧的定義。目前,最被認可的人工智慧定義為:能像人一樣理性地思考和理性地行動的機器。行動被廣義地理解為採取行動、制定行動的決策,並非肢體動作。
人工智慧分強弱兩類。 強人工智慧 為能推理 ( Reasoning ) 和解決問題 ( Problem solving ) 的智慧機器,是有知覺、有自我意識的機器。強人工智慧分兩類: 類人人工智慧 ,即能像人一樣思考和推理的機器; 非類人人工智慧 ,即具有和人不同的知覺和意識的機器,其推理方式和人類不同。持弱人工智慧觀點的人認為不可能製造出能真正地推理和解決問題的智慧機器,那些看起來像智慧的人工智慧,既不是真正的智慧,也不具有自主意識。
人工智慧的核心問題是使機器和軟體具有與人類似的知識、學習、推理等能力。具體地說,就是讓人工智慧在一些以推理和分析為主的工作中達到或超過人類的水準和效率。目前,計算機硬體水平已經具有過去無法想象的能力了,為人工智慧的實現鋪平了道路。 其實,在數學問題的證明上,在棋類競賽上,甚至在股票投資上,人工智慧都已經超過了人類。
目前用來研究人工智慧的主要手段及實現人工智慧的機器是計算機 , 人工智慧的歷史和電腦科學與技術史聯絡在一起。不過,人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。
01 早期的人工智慧
最早的人工智慧是在先民的神話傳說中。無論是古希臘還是我們中國古代都有把智慧賦予機械裝置的故事。 1863 年,塞繆爾·巴特勒 ( Samuel Butler ) 的論文《機器中的達爾文》探討了機械裝置器透過自然選擇進化出智慧的可能性。
人工智慧有一個基本假設,即人類可以用機械模擬人類的思考過程。這是一種形式化推理。在古代,亞里士多德的形式邏輯和歐幾里得《幾何原本》是形式化推理的典範。
17 世紀時,歐洲哲學家、數學家萊布尼茨和笛卡兒嘗試過將思考形式轉化為數學。萊布尼茲提出過一種用於推理的普適語言,它使推理成為計算,於是,哲學家之間的爭論,就能用邏輯來判斷其真偽。這些早期的哲學家已經知道,形式化推理依賴於形式語言系統。
20 世紀初,數理邏輯取得了長足的進步。希爾伯特提出了一個基礎性問題:“能否將所有的數學推理形式化?”很快這個問題就被哥德爾的不完備定理解決了,他的答案是:任何形式語言系統都是不完備的。哥德爾也指出了:任何形式的數學推理都能在一些限制條件下簡化成機械化步驟。
1936 年, 24 歲的英國數學家阿蘭·圖靈在他的論文中,提出了著名的圖靈機模型,一個完整的形式語言系統。 1945 年,他發表了一系列論文論述了電子數字計算機的設計思想。
隨著計算機技術的提高,人們開始有了實現人工智慧的技術手段。最早期的人工智慧是用電子網路模擬人類的神經元,這一網路的激勵電平只有“ 1 ”和“ ”兩種狀態,沒有中間狀態。維納的控制論很好地描述了電子網路的控制和穩定性。 克勞德·夏農提出的資訊理論則描述瞭如何用數字訊號來實現邏輯功能。圖靈的計算機理論證明二進位制的數字訊號足以描述任何形式的計算。這一切為人工智慧打下了堅實的基礎。
最早提出神經元網路的學者是沃爾特·皮茨 ( Walter Pitts ) 和沃倫·麥卡洛克 ( Warren McCulloch ) ,他們分析了理想的人工神經元網路,並給出了利用它們進行簡單邏輯運算的機制。人工智慧理論的奠基人之一的馬文·明斯基 ( Marvin Minsky ) 當時只有 24 歲,是他們的學生。 1951 年明斯基與迪安·埃德蒙茲 ( Dean Edmonds ) 造出了第一臺神經元網路機 SNARC 。
1950 年,圖靈發表了一篇劃時代論文《計算機器與智慧》論文指出製造具有真正智慧的機器是可能的。 同時,圖靈給出了智慧的確切定義,即能夠透過圖靈測試的智慧機器。 圖靈測試 是這樣的:如果一臺機器與人類對話時,能不被辨別出其機器身份,那麼該機器就具有智慧。圖靈的工作為人工智慧奠定了堅實的基礎。
1951 年,克里斯托夫·斯特雷奇 ( Christopher Strachey ) 寫出了第一個跳棋 ( checkers ) 程式;很快就有人寫出了國際象棋程式。 20 世紀 50 年代中期的國際象棋程式已經具有業餘愛好者的水平了。 遊戲中的人工智慧一直是評價人工智慧進展的一類標準。
20 世紀 50 年代中期,科學家們開始用機器進行符號操作了。 1955 年,艾倫·紐厄爾 ( Allen Newell ) 和赫伯特·西蒙 ( Hervert Simon ) 開發了邏輯理論家 ( Logic Theorist ) 程式。該程式證明了《數學原理》中前 52 個定理中的 38 個,該程式的一些證明方法,比原著還好。
1956 年,第一次關於人工智慧的學術會在達特茅斯學院召開,會議由明斯基、約翰·麥卡錫 ( John McCarthy ) 、夏農等人發起,麥卡錫在會議上提出了人工智慧一詞。與會者有雷·所羅門諾夫 ( Ray Solomonoff ) 、奧利弗·塞爾弗裡奇 ( Oliver Selfridge ) 、阿瑟·塞繆爾 ( Arthur Samuel ) 、紐厄爾和西蒙等人,他們後來在人工智慧研究中做出了重要貢獻。 這次會議是人工智慧被確立為一門學科的標誌。
人工智慧之父和 LISP 語言發明人麥卡錫在達特茅斯會議上第一次為人工智慧下了定義:“人工智慧就是要讓機器的行為看起來就像是人所表現出的智慧行為一樣。”麥卡錫的人工智慧定義儘管很流行,但不全面。
02 第一次高潮
達特茅斯會議後的幾年是人工智慧飛速發展的時代。這一階段,人們開發出了一些智慧程式:解代數應用題,證明幾何定理,學習和使用英語。當時,絕大多數人都無法相信機器能夠解決這些智慧問題。開發出這些程式的學者們相信,在未來的 20 年內,將出現具有完全智慧的機器。國防部高階研究計劃署為這些專案撥出了大筆科研經費。
這些早期的人工智慧程式中最有影響的是,搜尋式推理、紐厄爾和西蒙的通用解題程式和赫伯特·格倫特爾 ( Herbert Gelernter ) 的幾何定理證明程式等。
人工智慧的一個重要目標是使計算機能夠透過自然語言和人類進行交流。 早期的成功範例是丹尼爾·博布羅 ( Daniel Bobrow ) 的程式 STUDENT ,它還能解高中代數應用題。
很快,有人就開發出了一個會說英語的聊天程式。與它聊天的使用者有的會認為自己是在和人類在交談。實際上該程式並不瞭解自己在說什麼。它是按固定套路和語法在作答。
1958 年,紐厄爾和西蒙指出:“ 10 年之內,數字計算機將成為國際象棋世界冠軍。”“ 10 年之內,數字計算機將發現並證明一個重要的數學定理。”
1965 年,西蒙稱:“ 20 年內,機器將能完成人能做到的一切工作。”
當時的美國政府為人工智慧提供的研究經費幾乎是無條件的。麻省理工、卡內基梅隆大學、史丹佛大學和英國的愛丁堡大學是當時人工智慧的研究中心。
03 艱難的 20 世紀 70 年代
20 世紀 70 年代初,人工智慧遭遇了瓶頸。當時最好的人工智慧程式也只能解決一些最簡單的問題,在很多人的眼裡人工智慧只是“玩具”而已。
1976 年,漢斯·莫拉維克 ( Hans Moravec ) 提出了著名的 莫拉維克悖論 :那些對於人類來說比較困難的問題,像證明定理這類問題對計算機程式而言相對容易;而一些對人類來說極其簡單的任務,如人臉識別,卻很難由計算機程式來實現。在莫拉維克悖論面前,當時的人工智慧專家們一籌莫展。
計算機的運算能力也是人工智慧的瓶頸。當時的計算機記憶體和速度都不足以解決任何實際的人工智慧問題。莫拉維克指出,計算機的能力離人工智慧的要求還差上百萬倍。
1972 年理查德·卡普 ( Richard Karp ) 證明了一個令人沮喪的結論,許多問題的計算時間與輸入規模的冪成正比。除了最簡單的情況,解決的時間接近無限長。也就是說人工智慧恐怕永遠也不會有實用價值。
由於缺乏實質性進展,政府對人工智慧的研究逐漸停止了資助。 1974 年,人工智慧專案已經很難找到政府資助了。
另外,來自其他領域的專家們也開始反對人工智慧了。有哲學家稱,哥德爾不完備定理證明了形式系統 (例如計算機程式) 無法判斷某些陳述的真理性,而人類可以;還有些人認為人類推理實際上僅涉及少量的“符號處理”,而大多是具體的、直覺的、下意識的;還有人指出,程式並不理解它使用的符號,即意向性問題,如果符號對於機器沒有意義,那機器就不是在思考。
人工智慧專家們不太把來自其他領域的批評當回事,但計算複雜性和“讓程式具有常識”這些問題則是他們必須認真面對的。
1976 年約瑟夫·維森鮑姆 ( Joseph Weizeubaum ) 出版了專著《計算機的力量與人類的推理》 ( Computer Power and Human Reason ) ,書中表示 人工智慧的濫用可能損害人類生命的價值。
早在 1958 年,麥卡錫就提出了將邏輯學引入人工智慧的構想。 1963 年, J. 艾倫·魯濱遜 ( J.Alan Robinson ) 發現了在計算機上實現推理的演算法:歸結 ( resolution ) 與合一 ( unification ) 演算法。 20 世紀 60 年代末,麥卡錫發現用這一想法來直接實現邏輯推理的計算複雜度極高:即使證明很簡單的定理也需要天文數字的步驟。 20 世紀 70 年代,羅伯特·科瓦爾斯基 ( Robert Kowalsky ) 、阿蘭·葛摩 ( Alain Colmerauer ) 和菲利普·魯塞爾 ( Phillipe Roussel ) 在愛丁堡大學開發出了邏輯程式語言 Prolog 。
04 繁榮的 20 世紀 80 年代
20 世紀 80 年代,人工智慧中的專家系統程式開始被企業採納。很快,知識處理就成了人工智慧的主流。專家系統是一個能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題的程式。最早的專家系統程式是由愛德華·費根鮑姆 ( Edward Feigenbaum ) 小組開發出來的。 1965 年的 DENDRAL 專家系統能根據分光計讀數分辨混合物; 1972 年的 MYCIN 能夠診斷血液傳染病。
專家系統是在很小的知識領域內的應用,避免了常識問題;因其簡單又能容易地實現或修改,於是有了廣泛的應用。但是,人們從專家系統中看到了這類程式的實用性。 人工智慧終於變得實用了。
1980 年,卡內基梅隆大學為數字裝置公司設計了專家系統 XCON ,獲得巨大成功。 XCON 每年為公司省下了 4000 萬美元。於是,全世界的公司都開始研發和應用專家系統。 到 1985 年,人工智慧得到了各大企業超過 10 億美元的投資。 於是,為專家系統提供支援的產業應運而生,硬體公司有 Symbolics 、 LISP Machines 等,軟體公司以 IntelliCorp 、 Aion 為主。
專家系統的能力基於其儲存的專業知識。 20 世紀 70 年代的經驗告訴人們,智慧行為與知識處理有著密切關係。知識庫系統和知識工程是 20 世紀 80 年代人工智慧研究的主要方向。
1981 年,日本經濟產業省撥款 8.5 億美元資助第五代計算機的研發。目標是造出能夠與人對話,翻譯語言,解釋影像,並像人一樣推理的計算機。他們選用 Prolog 作為該專案的主要程式語言。
其他國家也紛紛響應。英國發起了耗資 3.5 億英鎊的 Alvey 工程。美國企業協會組織了微電子與計算機技術集團 ( Microelectronics and Computer Technology Corporation , MCC ) ,向人工智慧和資訊科技的大規模專案提供資助。 DARPA 組織了戰略計算促進會 ( Strategic Computing Initiative ) ,開始向人工智慧大量投資。
1982 年,物理學家霍普菲爾德 ( Hopfield ) 證明了一種新型的神經網路能用一種全新的方式學習和處理資訊。同時,羅姆爾海特 ( Rumelhart ) 推廣了一種神經網路訓練方法。這些發現使神經網路在 20 世紀 90 年代獲得了商業上的成功,它們被廣泛地應用於光字元識別和語音識別軟體。
05 再次跌入低谷
1987 年,人工智慧硬體市場需求突然下跌,而個人計算機的效能不斷提升,其效能已經超過了 Symbolics 和其他廠家生產的昂貴的 LISP 機。人工智慧硬體廠商失去了存在的理由,一個價值 5 億美元的產業頃刻間土崩瓦解。
一些曾經大獲成功的專家系統的維護費居高不下。它們難以升級,難以使用,成了以前已經暴露的各種各樣的問題的犧牲品。專家系統的實用性僅僅侷限於某些特定情景。
20 世紀 80 年代晚期,戰略計算促進會大幅削減對人工智慧的資助。 DARPA 的新領導認為人工智慧不是“下一個浪潮”,撥款將傾向於一些看起來容易出成果的專案。
“第五代計算機工程”一直到 1991 年也沒有實現。其中一些目標, 比如“與人類展開交談”,直到 2010 年也沒有實現。
06 再度繁榮
20 世紀 80 年代後期,一些學者提出了一種全新的人工智慧方案。 他們認為,為了獲得真正的智慧,機器必須能夠感知、移動、生存,並與這個世界互動。 他們認為這些感知運動技能對於常識等高層次技能至關重要,相反抽象推理則是人類最不重要、最無趣的技能。他們提倡“自底向上”地創造智慧。
20 世紀 90 年代,人工智慧終於實現了它最初的一些目標。它被成功地用在許多技術產業中。這些成就主要歸功於計算機效能的提升。
§ 1997 年 5 月 11 日,深藍戰勝了國際象棋世界冠軍卡斯帕羅夫 ( Kasparov ) 。
§ 2005 年,史丹佛大學開發的一臺機器人在一條沙漠小徑上成功地自動行駛了 131 英里,贏得了 DARPA 挑戰大賽頭獎。
§ 2009 年,藍腦計劃成功地模擬了部分鼠腦。
§ 2011 年, IBM 的沃森參加《危險邊緣》節目,在最後一集中打敗了人類選手。
但是,這些成就不是因為正規化上的革命。它們只是工程技術的複雜應用。人們廣泛地認識到,許多人工智慧需要解決的問題已成為數學和運籌學領域的課題了。數學語言的共享使人工智慧與其他學科在更高層次上進行了合作,其研究結果則更易於評估和證明。今天,人工智慧已成為一門非常嚴格的科學分支。
今天,計算機的計算能力已經提高到了前所未有的地步。在理論上,人工智慧發展幾乎是沒有限制的,因此它必將像今天的網際網路一樣深遠地影響我們的日常生活和價值觀。
關於作者:錢綱,現就職於美國德州儀器公司,從事半導體工藝及半導體器件的開發與研究工作。科學網人氣作者,其作品線上獲得超過千萬人次的瀏覽量。錢綱的作品以涉及歷史、科技的雜文、隨筆為主。主要作品有美國曆史及人物紀事《美國往事》,矽谷歷史《矽谷簡史》等。
本文摘編自《 矽谷簡史:通往人工智慧之路 》,經出版方授權釋出。
https://www.cnblogs.com/DicksonJYL/p/9711418.html
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/29829936/viewspace-2214981/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 一文讀懂資料庫70年發展史資料庫
- 一圖讀懂叫車軟體如何燒錢——資訊圖
- 一文讀懂資料庫發展史資料庫
- 當初的願望實現了嗎?看華為雲普惠AI這一年AI
- 一文讀懂mysql許可權系統MySql
- 一文讀懂資料平臺的發展歷史
- 一文讀懂隨機森林的解釋和實現隨機森林
- 一文讀懂「Attention is All You Need」| 附程式碼實現
- 當博弈論遇上機器學習:一文讀懂相關理論機器學習
- 一文讀懂mavenMaven
- 讀寫給大家的AI極簡史筆記02人工智慧簡史AI筆記人工智慧
- 【晶片】一文讀懂:真實的中國晶片產業晶片產業
- 一文讀懂支援向量機SVM(附實現程式碼、公式)公式
- 一文讀懂區塊鏈以及一個區塊鏈的實現區塊鏈
- 一文讀懂k8s rbac 許可權驗證K8S
- 一文讀懂如何實施資料治理?
- 一文讀懂微核心
- 一文讀懂特徵工程特徵工程
- HiLens,一盞普惠AI的許願神燈AI
- 一文讓你讀懂Synchronized底層實現,秒殺面試官synchronized面試
- OceanBase 原始碼解讀(七):一文讀懂資料庫索引實現原理原始碼資料庫索引
- 一文讀懂大資料實時計算大資料
- 一文讀懂 Serverless 的起源、發展和落地實踐Server
- 一文讀懂圖資料庫 Nebula Graph 訪問控制實現原理資料庫
- 一文讀懂支付系統
- 一文讀懂前端快取前端快取
- 一文讀懂野指標指標
- 一文讀懂“負載均衡”負載
- 一文讀懂web組態Web
- 一文讀懂機器學習中的模型偏差機器學習模型
- 一文讀懂元宇宙的特徵元宇宙特徵
- 一文讀懂HyperWorks的耦合求解功能
- 一文讀懂SpringMVC中的檔案上傳與下載SpringMVC
- AI讀雲,更懂深圳AI
- 讀寫給大家的AI極簡史筆記06超智慧AI筆記
- 長沙讀懂區塊鏈錢包!區塊鏈
- 一文讀懂Java中的動態代理Java
- 一文讀懂Python中的對映Python