人工智能发展流脉

人工智能(Artificial Intelligence，英文缩写为AI)是计算机科学或智能科学的一个分支，涉及研究、设计及应用智能机器。

其诞生于上个世纪30年代，经历了不同的发展阶段，致力于研究开发用于模拟、延伸和扩展人类智能的理论、技术及应用系统，希望探究人类收集信息、反应决策和实施行为的本质，并生产出与人类处理问题相似的智能机器。

简要梳理迄今为止人工智能的发展脉络，我们可以将其划分为以下几个历史阶段：

一、孕育奠基期（20世纪30年代到1956年）

在1956年之前，一些理论和实践上的重大进步已经为这一学科的诞生奠定了基础：

☆ 20世纪30年代，数理逻辑的形式化和智能可计算思想构建了计算与智能的关联概念。

☆ 1943年，美国人卡洛克和皮茨共同研制成功了世界上首个人工神经网络模型——MP模型，探索了以结构化方式和仿生学原理模拟人类智力活动的路径。

☆1948年，美国数学家维纳创立了控制论，为以行为模拟的观点研究人工智能奠定了技术和理论根基。

☆ 1950年，英国数学家阿兰·图灵发表了其著名的论文《计算机能思考吗》，论证了“机器能思维”的观点，预测了机器具备智能的可行性，并提出了“图灵测试”（按照图灵的设想，如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能）来检验机器是否具备智能。

二、形成发展期（1956年到20世纪60年代末）

“人工智能”这一概念诞生于1956年，当年在美国的DARTMOUTH大学，麦卡锡、马文·明斯基和罗切斯特邀请了10多位数学家、计算机学家、神经学家、心理学家、工程师举行了为期两个月的学术探讨会，共同讨论了如何用机器模拟人类智能，由此标志着人工智能学科和这一概念正式建立。

此后的十几年间，人工智能迅速发展，在众多领域取得一批重大研究成果：

☆1956年，塞缪尔发明了一个具有自我学习、自我管理和自我适应能力的跳棋程序。

☆1957年，一个研究小组研制成功了能模拟人类运用数理逻辑去证明三角函数、代数方程等数学问题的程序；在人工神经网络领域，罗森布拉特等人研制成功了感知器，利用其可以进行简单的声音、图像、文字识别。

☆1965年，鲁滨逊提出了消解（归结）原理。

三、低谷瓶颈期（20世纪70年代到80年代初期）

经历了十几年的快速发展，70年代后，人工智能研究进入了低谷期，其原因不仅有科研人员与美国国家科技研究项目合作上的失败，还有社会舆论在伦理和自身未来命运上的压力，更重要的是人工智能的发展面临着诸多技术瓶颈。

其一，计算机性能制约导致计算能力不足，许多人工智能程序无法充分运行。如塞缪尔的跳棋程序在与世界冠军对弈中遭到惨败，鲁滨逊的数学定理证明程序由于能力有限，在部分时候其证明能力还不如人类。

其二，人工智能程序不足以应对纷繁复杂的现实。早期的程序一般基于良好结构的问题，而现实世界多是不良结构，各种可能性的组合往往会对程序产生结果爆炸问题，而已有程序尚无能力应对。

其三，数据量的匮乏。人工智能的发展很多时候依赖于计算机技术、互联网技术等的发展，在20世纪60年代阶段，海量的数据并未存储、互联互通范围有限，这就导致人工智能成为了无源之水，智能水平维持在极低水平且上升无门。

上述因素导致了人工智能在70年代进入了发展的低谷瓶颈期。

四、专家系统推广阶段（20世纪80年代至90年代）

专家系统诞生于20世纪60年代，但在当时并没有显示出其特别之处。在经历上个阶段的低谷之时，专家系统逐步成长，迅速兴起，成为人工智能的发展方向。

专家系统（Expert System），是指拥有大量专业知识并能利用专业知识去解决特定领域中本需要由人类专家才能解决的计算机程序。例如著名的专家系统MYCIN可以精确识别50种以上的病菌并正确的使用相应的抗生素，从而协助医生诊断、治疗疾病。专家系统的成功使研究人员认识到知识在人工智能发展中的重要性。

1977年费根鲍姆正式提出知识工程（knowledge engineering）理论，指出知识的获取、表示以及运用和处理是人工智能系统的三大基本问题。专家系统的出现实现了人类人工智能研究从理论到实践应用、从人类思维方式规律探究到运用专业知识解决问题的革命性跨越。

同时，这一时期内计算机识别、自然语言理解和处理、机器翻译等技术也取得了长足的发展。

五、深度学习引领发展阶段（21世纪至今）

进入21世纪之后，人工智能的发展进入技术大爆炸时期。

2006年，Hinton等提出了“深度学习”的概念，这一概念源于最初人工神经网络的研究。

专家系统是基于已有的知识去处理问题，而深度学习的核心却是让机器自己去模仿人脑的机制去解释图像、文本和声音等数据，进而自己获得“知识”，并在不断地解释数据中修正和增长已有的知识，提高智能水平，这为机器自身的智力“成长”提供了一条路径。

此外，互联网的全球覆盖为其提供海量的数据基础，算法的进步使得机器的深度学习成为可能，硬件制造水平的提高提升了计算机的数据处理能力，大数据和实时决策时代的到来，让人工智能在各领域的研究成果层出不穷。

再一次引发人工智能大热的标志性事件，是2016年Google公司研发的拥有自我学习能力的AlphaGo战胜世界围棋冠军韩国棋手李世石。2017年，第四代AlphaGo在没有任何知识录入的情况下，仅自学三天后便打败了第2代机器，四十天后战胜了第3代机器，让人们充分领略到深度学习算法自我成长能力的潜力。

当前，互联网、机器制造、教育、医疗、服务等行业与人工智能技术的结合愈加紧密，“Alpha Go”、自动驾驶、智能检索、智能物流等技术成果正在逐渐改变我们的生活。

越来越多的国家将人工智能的发展列入国家战略。2016年10月，美国发布了《国家人工智能研究与发展战略规划》和《为人工智能的未来做好准备》两份报告，确定了国家在人工智能领域优先发展的七项长期战略。

2017年1月，英国宣布“现代工业战略”，投入巨额资金用于人工智能、智能能源技术、机器人技术和5G等领域，力争成为第四次工业革命的领军者。同年，日本也制定了人工智能发展路线图，提出分3个阶段推进人工智能技术的产业应用化，提高医疗护理、工业制造、社会流通等产业的效率。

中国也于2017年印发《新一代人工智能发展规划》，分三步走，从人才培养、产业助推和企业扶持三方面促进人工智能理论、技术和应用发展，力争到2030年使中国成为全球主要人工智能创新中心之一。

当前，人工智能已经成为资本、技术、舆论追捧的热点，甚至有人预测它将开启第四次工业革命的大门。在可以预见的未来，各国都将投入巨大的精力推动人工智能向更高层次迈进，人工智能的时代正在逐步向我们走来。

如果您喜欢此类文章，请关注或使用评论功能↓↓

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。