第一章 人工智能的发展变迁

世界上第一台通用计算机埃利亚克（ENIAC）于1946年2月14日在美国宾夕法尼亚大学诞生，这个用来进行弹道计算的庞然大物带来了一场席卷全球的信息革命，随着IT（ Information Technology ）技术的发展，信息产业开始壮大。

上个世纪70年代开始，美国创建的新一代通信网络实现了全球计算机的互联互通，覆盖全球的计算机网络——国际互联网（Internet）诞生，互联网改变了整个IT行业。

2007年1月9日美国的个人计算机生产商苹果公司发布了他们的第一代iPhone智能手机，这部能直接连接到互联网的手机使移动互联网迅速普及，移动互联网颠覆了整个通信业。

2016年我国大数据达到ZB量级，正式迈入大数据时代，庞大的数据信息流，不仅为我们提供了极具个性化的服务变革，也开创了人工智能的新纪元。

第一节  人工智能的发展历史

1932年，年仅20岁的剑桥大学国王学院大一学生艾伦·麦席森·图灵，荣获英国著名的史密斯数学奖。在大学毕业前夕，24岁的图灵研发了图灵机（计算机的理论模型架构，对计算机的发明起到了积极作用），被美国普林斯顿大学看重，受邀进入其高级研究院学习，并攻读博士学位。1938年图灵学成归国，在剑桥大学国王学院任数学研究员时，参与了二战盟军的恩格码（Enigma）破译行动，图灵改进后的“炸弹”破译机成功破译了德军在二战后期的大部分军事机密，为二战的提前结束立下了汗马功劳，成为了国家英雄，因而于1945年获政府的最高奖——大英帝国荣誉勋章(O．B．E．勋章)、大不列颠帝国勋章。1950年图灵在曼切斯特大学（University of Manchester ）计算实验室工作时，发表的论文《计算机与智能》(Computingmachiery and intelligence)当中提出疑问——机器能思考吗？并提出图灵测试，这是第一次提出人工智能的概念。艾伦·麦席森·图灵被誉为人工智能之父。

一、人工智能AI的诞生

1956年夏天，美国汉诺斯小镇达特茅斯学院的数学助理教授，约翰·麦卡锡（John McCarthy）邀请一帮年青科学家参加一个讨论会。后来这些年青的科学家在各自领域都获得了极高荣誉，包括马文·闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等。在达特茅斯学院内，科学家们聚在一起，讨论着一个完全不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。会议足足开了两个月的时间，虽然大家没有达成普遍的共识，但是却为会议讨论的内容起了一个名字：Artificial Intelligence，（人工智能，简称AI）。1956年也就成为了人工智能元年。

二、AI的热潮与低谷

人工智能的发展经历了起伏，上世纪60年代到70年代，AI经历了诞生以来第一次热潮，机器定理被证明，具有策略的智能程序被开发，在挑战人类跳棋比赛中获得成功。

1974年以后，人工智能开始涉足机器翻译领域，因定理证明乏力，缺乏更好的算法，加上计算机小型化进程受阻，AI发展几乎停滞，第一次低谷期到来。

上世纪80年代，随着IBM和苹果公司的个人计算机量产，计算机迎来了高速发展阶段，由英特尔（Intel）创始人戈登·摩尔（Gordon Moore）提出来的摩尔定律影响了近半个世纪的IT发展。在这个阶段人工智能借助大型数据库，开始发力专家系统领域，医疗、化学、生物、动力学等应用科学人工智能专家系统得于建立，并发挥作用。第二次AI热潮到来。

1987年以后，AI专家系统发展乏力，而更加有发展优势的人工智能神经网络研究又受到瓶颈限制，AI研究进展缓慢，第二次低谷期到来。

进入90年代，人工智能研究开始复苏。1997年IBM的超级计算机“深蓝”挑战人类国际象棋第一人俄罗斯的盖瑞·卡斯帕络夫，最终“深蓝”以2胜1负3和的比分获得胜利。2011年，历经四年培训的IBM人工智能系统“沃森”，决定向人类集大成者的智力问答发起挑战，在当时北美最热门的电视智力抢答节目“危险边缘”中与两位人类顶尖选手同堂竞技，最终沃森凭借四年多的语言识别强化训练，加上庞大的后台知识库的储备，以绝对优势战胜人类。在这个阶段，人工智能受到深度学习算法的影响，开始初步具有自我学习能力，大数据与云计算更是为AI系统带来了强劲的动力支持，第三次发展热潮悄然来临。

三、AI的爆发

2016年3月Google公司的人工智能AlphaGO挑战当时世界围棋排名第二的韩国棋手李世石九段，在大家都不看好人工智能的情况下，AlphaGO以4：1的绝对优势战胜人类棋手。2017年5月AlphaGO二代以3：0的比分战胜世界围棋人类排名第一的中国棋手柯洁。至此人工智能系统终于在人类引以为傲的纯智力领域拔得头筹。

2016年以后，人工智能在多个领域相继获得关键性技术的突破，产业体系开始形成，爆发性增长已成必然，AI将会对人类工作生活带来深远的影响。

第二节  现阶段人工智能三要素

人工智能在经过了两次低谷期，终于在2016年迎来了AI的爆发。现阶段AI的高速发展离不开人类几十年的科学研发，医学上多层神经网络的发现，催生了计算机深度学习算法的研究；基于分布式技术的非结构性数据库的研发成功，使得互联网上的所有数据均能被存储和利用；基于云计算的非单一性运算单元，大大的提高了计算机的运算能力。这些新兴技术在AI上的应用，使得人工智能开始真正走入我们的生活。

一、深度学习算法

机器学习（Machine Learning）早期主要采用大量 “如果-就” (If - Then) 规则定义，自上而下的思路，这就是所谓的“专家系统”。人工神经网络 ( Artifical Neural Network)，标志着另外一种自下而上的思路。神经网络没有一个严格的正式定义。它的基本特点，是试图模仿大脑的神经元之间传递，处理信息的模式。

1981年的诺贝尔医学奖获得者David Hubel、Torsten Wiesel发现了人的视觉系统信息处理是多层分级的（Deep）。比如看到一张人脸的照片：第一步是视网膜获取基本图像像素信息，第一层神经网络处理这些信息，对应颜色、形状边缘和方向，然后抽象为物体的形状，比如是椭圆形。第二层神经网络根据第一层处理的结果，进一步判定形状，并抽象出对应的物体，知道了这是一张人脸。第三层神经网络接受这张人脸，做最后的识别工作。

这种分层的神经网络系统也被引入机器学习中，2006年，加拿大多伦多大学教授杰弗里·辛顿（Geoffrey Hinton）对深度学习的提出以及模型训练方法的改进打破了BP神经网络发展的瓶颈。Hinton在世界顶级学术期刊《科学》上的一篇论文正式开启了人工智能深度学习算法的研究。为表彰杰弗里·辛顿(Geoffrey Hinton)给人工智能带来的重大突破，他与约书亚·本吉奥(Yoshua Bengio)和杨乐昆(Yann LeCun)两位深度学习专家一同获得了美国计算机协会（ACM）2018年ACM A.M.图灵奖。

考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有父节点，输出节点没有子节点。这种流向图的一个特别属性是深度(depth)：从一个输入到一个输出的最长路径的长度。把学习结构看作一个网络，则深度学习的核心思路是：无监督学习用于每一层网络的pre-train；每次用无监督学习只训练一层，将其训练结果作为其高一层的输入；用自顶而下的监督算法去调整所有层。

深度学习（Deep Learning）是一种多层人工神经网络学习方法，是仿人类大脑神经感知外部世界的算法，现阶段的人工智能系统大多都会采用深度学习算法，它使得AI有较强的自我学习和纠错能力。

二、本源大数据

随着大规模并行处理（MPP）数据库、分布式文件系统、云计算平台、基于云端可扩展的存储系统等互联网技术的研发应用，现如今网络上的大部分数据均能被存储。这种具有海量的数据规模、快速的数据流转、多样的数据类型和精确价值密度的，规模上大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，就是大数据（Big data）。

很显然，大数据需要新处理模式才能使其具有更大的价值，而基于深度学习算法的人工智能系统则具有更强的决策力、洞察发现力和流程优化能力，AI更加适应处理这种海量、高增长率和多样化的数据信息。

人工智能在获得更加优越的深度学习算法后，对数据的要求，特别是量级的要求，越来越大，即使是大型数据库系统也不能满足其需求，而基于互联网的大数据越来越受到AI的青睐，现如今人工智能的数据本源就是大数据。

三、核心运算力

要让机器具有人类的智能，计算能力显得尤为重要，这和计算机技术的发展及网络技术的发展密不可分，人工智能运算力正沿着服务器集群、云计算、量子计算的方向在发展。

早期的人工智能系统主要依靠大型计算机系统提供计算能力，1997年战胜人类国际象棋大师盖瑞·卡斯帕络夫的IBM的“深蓝”，其后台就是一部超大型计算机。2011年IBM新一代人工智能系统“沃森”的运算大脑则是一个大型的服务器集群。在这个阶段人工智能的计算成本还十分高昂，只有大型的IT企业才能涉足AI的研发。

2016年Google公司的人工智能AlphaGO是基于云计算技术的互联网上的5千多台普通服务器和计算机来完成计算的。2006年8月9日，Google首席执行官埃里克·施密特（Eric Schmidt）在搜索引擎大会（SES San Jose 2006）上首次提出“云计算”（Cloud Computing）的概念。云计算是通过将核心运算分布在大量的分布式计算机上，而非本地计算机或远程服务器中，用户在任意位置、使用各种终端获取应用服务。所请求的资源来自“云”，而不是固定的有形的实体。应用在“云”中某处运行，但实际上用户无需了解、也不用担心应用运行的具体位置。只需要一台笔记本或者一个手机，就可以通过网络服务来实现我们需要的一切，甚至包括超级计算这样的任务。云计算使人工智能技术真正走入了寻常百姓家，我们使用一部智能手机就能方便的使用各种AI应用。这是现阶段人工智能系统的核心运算力。

量子计算是一种遵循量子力学规律调控量子信息单元进行计算的新型计算模式。对照于传统的通用计算机，其理论模型是通用图灵机，而通用的量子计算机，其理论模型是用量子力学规律重新诠释的通用图灵机。从可计算的问题来看，量子计算机只能解决传统计算机所能解决的问题，但是从计算的效率上，由于量子力学叠加性的存在，目前某些已知的量子算法在处理问题时速度要快于传统的通用计算机。加拿大量子计算公司D-Wave于2011年5月11日正式发布了全球第一款商用型量子计算机“D-Wave One”。D-Wave On采用了128-qubit（量子比特）的处理器，理论运算速度已经远远超越现有任何超级电子计算机。量子计算机能提供更加快速、高效的运算，是人工智能未来的核心运算力。

第三节  人工智能的发展趋势

现阶段的人工智能正处于从实验室走向应用市场的技术拐点，技术创新和产业应用发展巨大。从长远来看，人工智能还有很漫长的道路要走，不管是技术层面的革新还是对人类社会层面带来的冲击，亦或是道德法律方面的问题，短期内都不可能解决。对人工智能发展趋势的判断也是众说纷纭，从计算机及网络发展的角度，或者说从纯技术角度出发，未来的人工智能大概会呈现三个阶段：弱人工智能、强人工智能、超人工智能。

一、弱人工智能

这是人工智能真正实用化的第一个阶段，各种具体的人工智能技术得以实现，每一个AI系统，都能在一个方面媲美人类智能，它们没有固定的形态，可能是一个机械臂，也可能只是一个云端的计算机主机。擅长于单个方面的人工智能会逐渐进入我们的工作生活，取代我们的部分技能。现阶段的人工智能水平就属于弱人工智能阶段。

二、强人工智能

这个阶段的人工智能主要以仿生学为基础，高度模仿人类的类人机器人会诞生，在智力方面已经和人类在同一水平线的基础上，AI开始学习人类的行为动作，这个阶段的人工智能将会全面提升运动能力，最终在智力和行动力方面达到人类的同等级别，强人工智能将会出现。

三、超人工智能

在强人工智能的基础，AI系统进一步进化，几乎在所有领域，人工智能都会超过人类的智慧水平，进化后更加实用的运动能力，使得它能在所有的地形健步如飞，能轻易到达人类不能到达的极端环境中，超人工智能是一种理想化的阶段，能否真正实现还未能所知。