人工智能简史
人工智能史
人工智能的历史可追溯至古代，当时哲学家们便开始思考人造生命的概念——机械人与其他自动机，它们或许已经存在，或许终将诞生。
创造智能机器的梦想令人类着迷了数百年，其演进历程可谓非凡卓越。从最初的理论推演到如今机器学习与机器人技术的现代成就，对智能机器的探索始终是技术世界的驱动力。
得益于早期思想家的奠基之功，人工智能在18世纪及其后日益成为现实。哲学家们沉思人类的思维如何被机械化并受控于非人类智能机器。
对AI兴趣的思想根源，源于古典哲学家、数学家和逻辑学家对符号（机械式）操作的探索，并最终催生了1940年代第一台可编程数字计算机——阿塔纳索夫-贝瑞计算机（ABC）。
这一发明激励科学家们继续追逐打造"电子大脑"——即人工智能生命——的梦想。
此后将近十年，AI才进入与今天相近的研究领域。
数学家**艾伦·图灵（Alan Turing）提出了一项测试，用于衡量机器能否以无法辨别的方式复制人类行为。此后不久，AI研究领域在1950年代中期达特茅斯学院的一次暑期研讨会上正式确立，计算机科学家和认知学家约翰·麦卡锡（John McCarthy）**在会上创造了"人工智能"这一术语。
从1950年代至今，无数科学家、程序员、逻辑学家和理论家为巩固我们对人工智能的现代认知做出了贡献。
每一个十年都见证了革命性的创新与发现，从根本上改变了我们对AI的理解，使其从遥远的幻想逐步成为当代及未来世代可以触及的现实。
以下按时间顺序梳理人工智能理论的演进历程：
理论人工智能的诞生（1940年起）
1940年至1960年间，技术发展（第二次世界大战是其加速器）与理解机器运作和有机生命体运作如何融合的渴望深刻交织在一起。
对诺伯特·维纳（Norbert Wiener）这位控制论先驱而言，目标是将数学理论、电子学和自动化统一为"一套关于控制与通信的综合理论，无论在动物还是机器中"。
稍早些时候，早在1943年，沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）便已建立了生物神经元（形式神经元）的第一个数学和计算模型。
1950年代初，约翰·冯·诺依曼（John Von Neumann）和艾伦·图灵成为使这一切成为可能的奠基性技术之父。他们完成了从19世纪十进制逻辑计算机（处理0至9的值）到二进制逻辑机器（基于布尔代数，仅处理0或1）的过渡。
两位研究者由此奠定了现代计算机的体系结构，并证明它是一种通用机器，能够执行所编程的任何任务。图灵则在其1950年的著名论文"计算机器与智能（Computing Machinery and Intelligence）"中首次提出了机器是否可能具有智能的问题，并描述了一种"模仿游戏"——其中人类应该能够在思维传递式对话中辨别自己是在与人还是与机器交谈。
尽管这篇论文颇具争议（许多专家认为这种"图灵测试"并不完全成立），它仍常被引用为人机之间区别争论的源头。
"AI"这一缩写由麻省理工学院（MIT）的**约翰·麦卡锡（John McCarthy）创造。卡内基梅隆大学的马文·明斯基（Marvin Minsky）**将其具体定义为"创建能够执行当前由人类以更令人满意方式完成之任务的计算机程序，因为这些任务需要高级的心智过程，如：感知学习、记忆组织和批判性推理"。
1956年在达特茅斯学院举办的暑期研讨会被视为这一学科的奠基之作。值得一提的是，那次盛会并非一场正式会议，而更像是一个工作坊。在整个工作期间，包括麦卡锡和明斯基在内，只有六人始终如一地出席（这些工作主要基于形式逻辑的发展）。
尽管技术仍令人着迷且前景广阔，热度在1960年代初有所回落。机器的内存极为有限，难以有效使用计算机语言。
1957年，著名经济学家和社会学家赫伯特·西蒙（Herbert Simon）预言，人工智能将在未来10年内击败人类国际象棋选手。
然而，AI随后陷入漫长的寒冬，西蒙等待了整整30年，才看到自己的预言成真。
人工智能成为现实（1970年起）
**1968年，斯坦利·库布里克（Stanley Kubrick）**执导了电影《2001太空漫游》，片中计算机HAL 9000浓缩了AI所引发的全部伦理命题：它究竟代表高度的智识成就、对人类的福祉，还是一种危险？
这部电影的影响自然不在科学层面，但它将这一话题带入了大众视野。科幻作家菲利普·K·迪克（Philip K. Dick）也从未停止追问：有朝一日，机器是否会拥有情感？
正是随着1970年代末第一批微处理器的出现，AI重新腾飞，进入了专家系统的黄金时代。
这条道路早在1965年由麻省理工学院的DENDRAL（专门研究分子化学的专家系统）开辟，并于1972年由斯坦福大学的MYCIN（专门诊断血液疾病和开具药方的系统）延续。这些系统基于"推理引擎"运行，被编程为人类逻辑推理的镜像。输入数据后，引擎便能给出高水平的专业回答。
人们对大规模发展满怀期许，但热情在1980年代末至1990年代初再度退却。对这类知识进行编程需要大量人力，且需要200至300条规则，由此产生了一种"黑箱"效应——机器的推理过程无从知晓。
开发和维护工作因此变得极为复杂，而且——最重要的是——存在更快速、在许多方面也更简单、成本更低的替代方式。值得一提的是，在1990年代，"人工智能"这一术语几乎成为禁忌，人们转而使用"先进计算"等更为低调的表述。
1997年5月，IBM专家系统深蓝（Deep Blue）在国际象棋比赛中击败加里·卡斯帕罗夫（Garry Kasparov），实现了赫伯特·西蒙1957年的预言——但足足迟到了30年。这一成就并未持续带动这一AI形式的资金投入和研究发展。
深蓝的运作基于一种系统化的暴力穷举算法，对所有可能的棋步逐一评估和权衡。
人类的落败在历史上具有深远的象征意义，但深蓝实际上只能处理极为有限的范围，与建模现实世界复杂性的能力相去甚远。
人工智能在第三个千年绽放光彩（2000年起）
这一学科新一轮激动人心的繁荣，由2010年前后两个关键因素驱动。
首先是海量数据的可获取性。过去，使用图像分类和识别算法需要手动采样。如今，在Google上简单搜索即可在数秒内获得数百万条数据。
计算机显卡在加速学习算法计算方面的卓越效率，是一次真正的突破。2010年以前，处理整个样本集需要数周时间，这是由于过程的迭代性所致。
凭借这些显卡的计算能力（每秒可执行逾千万亿次运算），以较低的财务成本实现了显著的技术进步。
这一技术装备使人们取得了令人瞩目的公开成就并获得了更多资金支持：2011年，IBM的AI沃森（Watson）击败了两位危险边缘（Jeopardy!）冠军。2012年，Google X（Google的研究实验室）使其算法能够在视频中识别猫的图像。这项任务使用了超过16,000个处理器，但其潜力令人惊叹：一台机器学会了区分某种事物。
2016年，AlphaGO（Google专门用于围棋的AI）击败了欧洲冠军（范辉）和世界冠军（李世石），随后又以AlphaGo Zero超越了自身。值得一提的是，围棋的组合复杂度远超国际象棋（其可能性甚至超过宇宙中的粒子数），因此不可能像1997年深蓝那样依靠暴力穷举取得如此显著的成果。
这一奇迹从何而来？专家系统范式的彻底革命。
方法论已转变为归纳式：不再像专家系统那样编码规则，而是让计算机通过关联和分类，基于大量数据自主发现规律。
在各种机器学习技术中，深度学习在众多应用领域（包括语音和图像识别）中似乎最具前景。2003年，多伦多大学的杰弗里·辛顿（Geoffrey Hinton）、蒙特利尔大学的约书亚·本吉奥（Yoshua Bengio）和纽约大学的扬·勒丘恩（Yann LeCun）决定启动一项研究项目，对神经网络进行更新。
微软、Google和IBM同步开展的实验取得了令人难以置信的成果。借助深度学习，语音识别的错误率降低了一半。
展望未来
在这一领域的不懈追求，深刻改变了我们的集体意识，我们持续见证着与技术交互方式的范式转变。
展望未来，AI的可能性似乎无穷无尽，我们只能畅想即将到来的那些令人叹为观止的进步。