人工智能名人篇
十几年的职业生涯，新的技术一直陪伴着我的成长，在和朋友沟通或在课堂上我都常说，我们学习任何一门技术都是养家续命之技能，我们学了这个技能就要感谢发明这个技术的人，所以开篇之前，我们一定要认识一下为人工智能发展做出贡献的人。第一位：艾伦·麦席森·图灵一个帅哥长大以后还是一样帅
长的帅并不是最主要的，最主要的是人家是个大牛人，请看：
英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父小的时候就学习优良，长大后去了剑桥大学，一不小心又普林斯顿大学博士毕业15岁的时候就开始研究爱因斯坦的相对论，伟人就是不一样，才能在小的时候就表现的异常不同。曾经做过一个小实验，就是享誉全球的图灵实验，用于判断机器是否具有智能。后来图灵又发明图灵机，为现代计算机的逻辑工作方式奠定基础，多么的牛叉曾协助军方破解德国的著名密码系统Enigma，帮助盟军取得了二战的胜利天妒英才，可怜的图灵因为感情问题以及对于爱情过于开放，不能得到当时政府的理解，造成他于1954年吃了毒苹果而亡，享年41岁，也许乔布斯的苹果logo就是纪念这个伟人吧！
人已去，但是伟人的精神不会消逝，总要留下什么，让我们去追随和怀缅，1966年美国计算机协会出面了，设立一年一度的图领奖来鼓励在计算机行业做出突出贡献的人。图领奖被公认为计算机界的诺贝尔奖。
小伙伴们，你想成为大拿吗？赶紧锁定目标去拿个图领奖吧！虽然拿到的可能性不大，还是要去尝试一下吧！
人工智能之父 艾伦·图灵 —— 我在战争中才华横溢，却在和平中寸步难行
提起图灵，大部分人都会想到图灵机，它几乎是所有人工智能科学、电影、文学的灵感来源。
此外图灵还有一项伟大的成就：协助军方破解德国的著名密码系统Enigma，帮助盟军取得了二战的胜利。
然而，这样的一个天才，在二战中才华横溢，却在二战结束后的和平年代里寸步难行。
-童年-1912年6月23日，艾伦·马西森·图灵在英国伦敦出生。他的父亲是印度公务员，母亲随行，只是偶尔的时候父母会回来看他。图灵和哥哥一起在寄居中度过了童年。
也许是从小缺少父母的疼爱，也许是因为天才总是格格不入。从小图灵就有点孤僻，他沉默寡言，拒绝交流，完全沉浸在自己的世界中。
他讨厌学校的规矩，认为那些制度剥夺了他悠闲的生活。
图灵讨厌玩冰球，但总喜欢做冰球比赛的边线裁判。同学的评论或许可以成为解释，“图灵为什么喜欢冰球场?因为边线是一道几何题”。图灵确实不喜欢冰球，但他喜欢数学，喜欢精确地判定球出线的位置。
-才华显露-16岁的时候，图灵就搞懂了爱因斯坦的相对论，据说全世界只有300人能搞明白。
同一时期，图灵独立给出了反正切函数的无穷级数，甚至获得了国王爱德华六世数学金盾奖章，他的数学老师惊呼他为天才。
图灵从剑桥大学国王学院毕业，之后他去了美国的普林斯顿大学读博士。
虽然图灵花两年就拿到了博士学位，但是他的博士论文意义非常重要，被认为是普林斯顿大学收藏的最重要的两篇博士论文之一。
另外一篇，就是著名的数学家，也是诺贝尔经济学奖得主约翰·纳什那部只有20多页的博士论文了。
-图灵机-1936年5月，图灵向伦敦权威的数学杂志投了一篇论文，题为《论数字计算在决断难题中的应用》。
原文链接：https://www.doc88.com/p-91777261159.html
相信聪明的你，肯定是看懂了，我就不过多解读了。
该文于1937年在《伦敦数学会文集》第42期上发表后，立即引起广泛的注意。
在论文的附录里他描述了一种可以辅助数学研究的机器，后来被人称为“图灵机”，
这个设想最有变革意义的地方在于，它第一次在纯数学的符号逻辑，和实体世界之间建立了联系，
后来我们所熟知的电脑，以及还没有实现的“人工智能”，都基于这个设想。
这是他人生第一篇重要论文，也是他的成名之作。
-二战爆发-1939年9月1日，人类回想起了被战争所支配的恐惧。德国军队在那一天对波兰发起闪击战，第二次世界大战，爆发。
这时候的艾伦·图灵已经是个小有名气的数学家，被誉为英国数学领域的奇才，他应召到“布莱奇利庄园”参加一个秘密项目，专门研究破译德国的密码通讯系统“Enigma”。
“布莱奇利庄园”里的秘密组织，就是英国政府通讯总部前身，相当于美国的国家安全局，与英国军情五处、六处合称为英国情报机构的“三叉戟”。
”Enigma“，恩尼格玛密码机，则是电影中的终极BOSS，是一种用于加密与解密文件的密码机。
纳粹德国的军事通讯文件，大都用这种恩尼格玛进行加密和解密，尤其是高级机密，就算反法西斯联军截取了情报，面对一串天文数字也无可奈何。超过一亿亿种排列组合的可能性，没打错字，是“10,000,000,000,000,000”，不是一亿，想靠“暴力破解法”来逐一试验可能性，破解的可能性犹如花十辈子来买中一次彩票。
更让情报人员绝望的是，德国人每一天都会用不同的密码设置模式，也就是说，情报人员只有18小时的时间破译，因为第二天又得换一种新的方式重新来过。
总之，”Enigma“犹如德国的一条加强版马奇诺防线，摆在了反法西斯联军的面前，所有人都认为它牢不可破。
-模仿游戏-图灵很快就意识到，光靠“人力”，根本不可能完成任务。
于是他开始设想一种“模仿游戏”，用机器去模仿人工运算。其他人在努力做数学题，他却自己一个人搞起了机械工程。
这好比数学课上做物理作业，领导很生气，图灵也受到了很大的阻碍。
计划刚开始图灵遭到了以休(马修·古迪MatthewGoode)为首的组员和领导的排斥，幸好军情处部长孟席斯(马克·斯特朗MarkStrong饰)帮助他立项研究破译密码的机器，而图灵则变成了负责人。招收了新的成员琼开始了艰难的工作。
虽然过程很曲折，但是图灵还是有惊无险地完成任务。
经过和同事们的不懈努力，1940年3月，他们研制出密码破译机器“波比”，给予德军稳若金汤的恩尼格玛沉重一击。
这帮了盟军大忙，他们从两眼摸黑变得对德军动向了如指掌，战舰被击沉率大大下降，甚至开始占据主动。
最终，图灵和同事们的卓越贡献使得战争提前两年结束。
但这一切成为秘密尘封，战争结束后，他们必须为军方保守密码。
虽然大家现在都知道图灵的名字，并且他的名气越来越大。但是在图灵的年底，他只能默默的生活。
战争英雄回到研究室，又成了那个如谜一般的科学家。
-被迫害后逝世-1952年，图灵的同性伴侣协同一名同谋一起闯进了图灵的房子实施盗窃。图灵为此而报警。
但是警方的调查结果使得他被控以“明显的猥亵和性颠倒行为”。他没有申辩，并被定罪。
在著名的公审后，他被给予了两个选择：坐牢或荷尔蒙疗法。
他选择了荷尔蒙注射，并持续了一年。在这段时间里，药物产生了包括乳房不断发育的副作用。
1954年6月7日，图灵被发现死于家中的床上，床头还放着一个被咬了一口的泡过氰化物的苹果。
警方调查后认为是剧毒的氰化物中毒，调查结论为自杀。 当时图灵41岁。
-正式平反-2009年，英国计算机科学家康明（JohnGraham-Cumming）发起了为图灵平反的在线请愿，截止到2009年9月10日请愿签名人数已经超过了3万，为此，当时的英国政府及首相戈登布朗不得不发表正式的道歉声明。
2012年12月，霍金、纳斯（PaulNurse，诺贝尔医学奖得主）、里斯（MartinRees，英国皇家学会会长）等11位重要人士致函英国首相卡梅伦，要求为其平反。
2013年12月24日，在英国司法大臣克里斯・格雷灵（ChrisGrayling）的要求下，英国女王终于向图灵颁发了皇家赦免。英国司法部长宣布，“图灵的晚年生活因为其同性取向而被迫蒙上了一层阴影，我们认为当时的判决是不公的，这种歧视现象如今也已经遭到了废除。
图灵试验1945年到1948年，图灵在国家物理实验室，负责自动计算引擎（ACE）的工作。
在这段时间，他继续作一些比较抽象的研究，如“计算机械和智能”。
图灵在对人工智能的研究中，提出了一个叫做图灵试验的实验，尝试定出一个决定机器是否有感觉的标准。
如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。
这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。论文中还回答了对这一假说的各种常见质疑。图灵测试是人工智能哲学方面第一个严肃的提案。
人脑是机器智能好的模型吗
在人工智能鼻祖艾伦图灵的百年诞辰之际，四位人工智能领域顶尖科学家和企业家在Nature上撰文，探讨神经科学与人工智能研究之间的巨大鸿沟。
避免人脑研究的盲区RODNEYBROOKSEmeritusprofessorofrobotics,MassachusettsInstituteofTechnology
当前的人工智能研究正陷入了一个死胡同，我们尝试着用计算机和人脑来模拟和理解彼此，但这样一种根深蒂固的思维方式让我们很难对智能和认知产生更加深刻的见解，进而产生新的认知和智能模型。
阿兰·图灵1936年的那篇文章奠定了人工智能和计算科学的基石，在他的这篇文章里面，图灵将人作为计算模型的模拟对象和灵感来源。通过将人用铅笔进行数字演算的过程进行进一步抽象和符号化，图灵研发出了世界上第一台利用穿孔纸带完成自动计算的机器。
虽然这种机器抽象化地模拟了人脑的运算过程，但是由于是基于整数进行的计算，它的计算功能其实是十分局限的，也完全不同于生物系统的计算模式。和计算机不同的是，生物系统长期接受来自外界环境的刺激，与此同时，生物体本身也会通过自己的行为来改变了外界环境。例如，一些群居性昆虫的行为受到了其巢穴形状及其后代的行为影响。
尽管如此，在过去的七十年里面，计算神经学领域的研究者们还是坚信人脑本质就是一种计算机，它的运行模式和图灵提出来的基于穿孔纸带和有限符号集的状态机是完全等同的。
1943年，WarrenMcCulloch和WalterPitts指出生物神经元放电过程中的电位变换过程可以通过数字逻辑来进行建模。基于上述理论，他们进而利用一些逻辑门电路来模拟神经网络中的神经元，并验证了这些数字式神经元能完成图灵计算机所能完成的所有计算。后来的研究进一步发现，这些近似的神经网络模型可以完成对更加复杂层次的生物计算的模拟。
基于上述研究成果，在之后的几十年里面，神经网络的研究以及计算神经学得到了蓬勃发展。而且这样的简化模型和类比如今已经被广泛应用于对人脑运行模式的解释之中，尽管这种近似的二进制抽象模型无法完全描述人脑的复杂性。
如今，当我们尝试着让机器更加智能，但我们对于人脑的描述和研究更多是基于机器计算和运行模式。当我们愈加将人脑作为机器智能的来源的时候，这么一种对人脑的简化描述模式显然是不够。
对人脑的算法进行建模DEMISHASSABISNeuroscientist,computer-gameproducerandchessmaster,UniversityCollegeLondon
编者注:DEMISHASSABIS创建了Deepmind，后来被Google收购，DEMISHASSABIS因此也成为了Google的一员。
阿兰·图灵将人脑作为人工智能的原型。如果他现在还活着，他也一定会选择从事自然智能和人工智能方面的的交叉学科研究。到目前为止（编者注：这篇文章发表在2012，当时深度学习还未兴起），很多人工智能（AI）研究人员并没有认识到将人脑作为机器算法来源的重要性。在图灵的时代，当时的人们缺乏必要的手段来彻底研究人脑——这一生物史上最复杂、最神秘的黑盒子。如今的我们则有了更加强大的工具来做到这一点，比如核磁共振成像技术还有光谱基因学等等。
神经科学对于人工智能进步有两方面重大的贡献。一方面，很多在人脑中发现的生理结构，比如在导航中的借鉴到的网格细胞以及视觉图像处理中的分级细胞能够激发出新的算法和结构。另外一方面，神经科学家的发现能够验证当前提出的一些机器学习算法在一个完整AI系统中整合的合理性。
因此，当我们想推动人工智能的发展的时候，就需要从算法的层次来进一步了解人脑的工作原理，了解它是如何来描述和定义我们所认知的世界。举例来说，当我们知道概念是基于人的感官信息产生的时候，我们就认识到了人工智能语言中的符号的意义同样需要基于现实中传感数据来描述。
虽然人工智能的研究者不需要时刻了解在当前脑科学的发展，但是他们至少应当通过实验来了解和验证其中的一些核心问题，这其中包括诸如“概念和知识是如何获取的？”等一系列问题。另外一方面，从神经科学的发展角度来看，将智能引入到算法的架构之中也许将有助于解开一系列许久以来困惑我们的谜团，比如意识和梦的产生等等。
对人脑的模仿需要细胞DENNISBRAYDepartmentofPhysiology,DevelopmentandNeuroscience,UniversityofCambridge
虽然机器在很多方面可以和人进行类比，但是不可否认的是，它和人的基本构造单元以及结构是完全不同。如果我们的目标是制造出更加智能的机器，我们也许应该使用硅或者铜作为原材料。但是如果我们的目标是制造出一个和我们人脑一样复杂的智能系统，我们也许应该考虑采用不同的材料和设计方法。
计算机在复杂数学运算以及存储和读取速度上面早已经超过了人脑。如今我们已经理所当然地认为计算机能在国际象棋上面轻易击败人类选手，尽管在很早以前，象棋被认为是代表人类最高智慧的一项运动。
2011年，当IBM的Watson电脑在Jerpardy节目上击败人类选手的时候，人类对电脑自以为是的优越性被彻底终结。尽管Jerpody中的问题十分口语化，还引入了大量的双关和幽默，Watson还是在回答问题中毫无悬念地击败了两个人类选手。如果阿兰图灵现在还活着，他也一定会为Watson的表现所震惊。
Watson也许就是图灵关于文化认知是一系列逻辑状态构成的最新论证。然而，不可否认的是，Watson内在的工作原理却并不是基于人类的人脑。虽然Jerpody中任务和人脑的职能高度关联，但是这些软件工程师在设计Watson的时候并不知道也不关心所谓的解刨学和生理学。
即便是他们用到的一系列机器学习方法，如神经网络、遗传算法、元胞自动机的灵感都是来自人脑。1944年，阿兰图灵试图利用机器构建除人类的人脑。在此之后，无数的数据科学家和人工智能科学家为了这个梦想矢志不渝地努力。尽管现在大部分神经学家认为将有上百种蛋白质组成的、具有异常复杂结构的诸如突触的人脑结构用若干行代码来表示是很幼稚的。
不得不说都是，直到现在为止，我们对于人脑真正的结构和工作原理并不是十分清楚，更别说复制它了。人脑是独一无二的，它引导我们去认知了解世界，指示我们每天执行各式各样复杂的功能。同时，人脑也是我们情感、灵感、创意、意识的来源。而如今的机器智能是显然无法产生这些特征，因此我们更应该思考当我们在设计机器的大脑—微处理器的时候遗漏了什么重要的东西。
另一方面，人脑在很多方面和机器有着显著的不同，它是周期性运作、双向传输和发送信号。与其相反，电脑则是按照因果关系的线性链原则来运作。其次，和机器的软件硬件分离不同，人的思维和人脑则是以一个完全不可分割的整体存在。另外，从化学组成来说，构成人脑的脑细胞不仅能够处理传感信息，也可以产生细微的化学变化。
同时，脑细胞是柔软的，具有很好的延展性的，并由无数的大分子构成。这一点也和芯片的构成完全不同。生物体可以利用不同的细胞状态来记忆和编码信息，进而产生了趋利行为和自我意识。也许，如果机器的基本单元也是类似这些细胞的单元，由它构成的电脑将更加像我们人类，进而产生更加类似人脑的智能。
速度将导致电脑最终超越人脑AMNONSHASHUASachsProfessorofComputerScience,HebrewUniversityofJerusalem,andco-founderandchairmanofMobileye
计算机科学家AlanKay在1980年曾经说过这么一句话：“如果你很在意自己的软件，那么你就应该定制属于自己的硬件。”在计算科学中，程序软体和计算载体应当互相促进配合，这一点已经成为了信息处理、图像渲染、游戏、视频压缩、视频流算法的常识。我相信这一点同样也适用于人脑，也就是说因为人脑构成的不同，其产生智能的方式应该完全不同于机器。
人脑和机器最大的区别在于存量和处理速度。在计算机中，等同于人类记忆单元的是计算机硬盘，到目前为止，我们已经有了似乎能够存储无限数据的硬盘。如果是瞬时信息，计算机则将其存储在随机存取存储器(RAM)之中，RAM存储数据的速度和功能远远强于人脑。
基于机器的这种优势，我们有理由相信，这种量变上的优势将随着更加优化的智能算法的出现而出现质变（编者注：实际上深度学习的兴起就是这一观点的佐证）。其次，智能往往体现在学习能力上面。机器学习科学家通常利用统计学习的方法来训练一个学习模型，而这一基于概率的推理过程往往需要大量的训练数据和大量的存储空间。当前流行的机器学习算法也和人脑的工作模式完全不一样。
比如，IBM的电脑Watson需要T(terabyte)级别的相关数据来进行训练才能够在Jerpody中击败人类选手。Volvo的行人检测系统则需要学习成百上万张图片才能够训练出检测行人的模型。如果上述任务由人脑来完成，它并不像机器那样对数据这么依赖。至于处理速度上，人脑最多能够达到10-50次方浮点运算，这基本上等价于几十万个酷睿i7处理器一起运行的结果。然而，人脑信号在传输速度上远远落后于计算机。传输速度上巨大的差异导致了人脑和计算机完全不同的结构。
人脑通过分级并行结构来弥补其传输速度慢的劣势，这牵涉了大量不同层次的运算。相比而言，机器的计算结构则相对扁平化，但因为其时钟频率更快，因此也更加适合实施一些蛮力破解的算法。正是因为这样，机器比人脑更加适合一些规则性强、可以枚举的任务，比如国际象棋。对于人脑的认知过程进行算法角度的分析和模仿有助于推动人工智能的飞跃。与此同时，我们同时也要意识到电脑和人脑在结构上的巨大差异，因此其实现智能的最终策略也应该有所不能，比如我们应该好好利用电脑近似无限的存储容量以及快速计算的能力。