人工智能的发展与未来
随着人工智能（artificialintelligent，AI）技术的不断发展，各种AI产品已经逐步进入了我们的生活。
现如今，各种AI产品已经逐步进入了我们的生活｜Pixabay
19世纪，作为人工智能和计算机学科的鼻祖，数学家查尔斯·巴贝奇（CharlesBabbage）与艾达·洛夫莱斯（AdaLovelace）尝试着用连杆、进位齿轮和打孔卡片制造人类最早的可编程数学计算机，来模拟人类的数理逻辑运算能力。
20世纪初期，随着西班牙神经科学家拉蒙-卡哈尔（RamónyCajal）使用高尔基染色法对大脑切片进行显微观察，人类终于清晰地意识到，我们几乎全部思维活动的基础，都是大脑中那些伸出细长神经纤维、彼此连接成一张巨大信息网络的特殊神经细胞——神经元。
至此，尽管智能的具体运作方式还依然是个深不见底的迷宫，但搭建这个迷宫的砖瓦本身，对于人类来说已经不再神秘。
智能，是一种特殊的物质构造形式。
就像文字既可以用徽墨写在宣纸上，也可以用凿子刻在石碑上，智能，也未必需要拘泥于载体。随着神经科学的启迪和数学上的进步，20世纪的计算机科学先驱们意识到，巴贝奇和艾达试图用机械去再现人类智能的思路，在原理上是完全可行的。因此，以艾伦·图灵（AlanTuring）为代表的新一代学者开始思考，是否可以用二战后新兴的电子计算机作为载体，构建出“人工智能”呢？
图灵在1950年的论文《计算机器与智能（ComputingMachineryandIntelligence）》中，做了一个巧妙的“实验”，用以说明如何检验“人工智能”。
英国数学家，计算机学家图灵
这个“实验”也就是后来所说的“图灵测试（Turingtest）”：一名人类测试者将通过键盘和显示屏这样不会直接暴露身份的方式，同时与一名人类和一台计算机进行“网聊”，当人类测试者中有七成都无法正确判断交谈的两个“人”孰真孰假时，就认为这个计算机已经达到了“人工智能”的标准。
虽然，图灵测试只是一个启发性的思想实验，而非可以具体执行的判断方法，但他却通过这个假设，阐明了“智能”判断的模糊性与主观性。而他的判断手段，则与当时心理学界崛起的斯纳金的“行为主义”不谋而合。简而言之，基于唯物主义的一元论思维，图灵和斯金纳都认为，智能——甚至所有思维活动，都只是一套信息处理系统对外部刺激做出反应的运算模式。因此，对于其他旁观者来说，只要两套系统在面对同样的输入时都能够输出一样的反馈，就可以认为他们是“同类”。
1956年，人工智能正式成为了一个科学上的概念，而后涌现了很多新的研究目标与方向。比如说，就像人们在走迷宫遇到死胡同时会原路返回寻找新的路线类似，工程师为了使得人工智能达成某种目标，编写出了一种可以进行回溯的算法，即“搜索式推理”。
而工程师为了能用人类语言与计算机进行“交流”，又构建出了“语义网”。由此第一个会说英语的聊天机器人ELIZA诞生了，不过ELIZA仅仅只能按照固定套路进行作答。
而在20世纪60年代后期，有学者指出人工智能应该简化自己的模型，让人工智能更好的学习一些基本原则。在这一思潮的影响下，人工智能开始了新一轮的发展，麻省理工学院开发了一种早期的自然语言理解计算机程序，名为SHRDLU。工程师对SHRDLU的程序积木世界进行了极大的简化，里面所有物体和位置的集合可以用大约50个单词进行描述。模型极简化的成果，就是其内部语言组合数量少，程序基本能够完全理解用户的指令意义。在外部表现上，就是用户可以与装载了SHRDLU程序的电脑进行简单的对话，并可以用语言指令查询、移动程序中的虚拟积木。SHRDLU一度被认为是人工智能的成功范例，但当工程师试图将这个系统用来处理现实生活中的一些问题时，却惨遭滑铁卢。
而这之后，人工智能的发展也与图灵的想象有所不同。
现实中的人工智能发展，并未在模仿人类的“通用人工智能（也称强人工智能）”上集中太多资源。相反，人工智能研究自正式诞生起，就专注于让计算机通过“机器学习”来自我优化算法，最后形成可以高效率解决特定问题的“专家系统”。由于这些人工智能只会在限定好的狭窄领域中发挥作用，不具备、也不追求全面复杂的认知能力，因此也被称为“弱人工智能”。
但是无论如何，这些可以高效率解决特定问题的人工智能，在解放劳动力，推动现代工厂、组织智能化管理上都起到了关键作用。而随着大数据、云计算以及其他先进技术的发展，人工智能正在朝着更加多远，更加开放的方向发展。随着系统收集的数据量增加，AI算法的完善，以及相关芯片处理能力的提升，人工智能的应用也将逐渐从特定的碎片场景转变为更加深度、更加多元的应用场景。
人工智能让芯片的处理能力得以提升｜Pixabay
从小的方面来看，人工智能其实已经渐渐渗透进了我们生活的方方面面。比如喊一声就能回应你的智能语音系统，例如siri，小爱同学；再比如在超市付款时使用的人脸识别；抑或穿梭在餐厅抑或酒店的智能送餐机器人，这些其实都是人工智能的应用实例。而从大的方面来看，人工智能在制造、交通、能源及互联网行业的应用正在逐步加深，推动了数字经济生态链的构建与发展。
虽然脑科学与人工智能之间仍然存在巨大的鸿沟，通用人工智能仍然像个科幻梦，但就像萧伯纳所说的那样“科学始终是不公道的，如果它不提出十个问题，也永远无法解决一个问题。”科学总是在曲折中前进，而我们只要保持在不断探索中，虽无法预测是否能达到既定的目的地，但途中终归会有收获。
参考文献
[1]王永庆.人工智能原理与方法[M].西安交通大学出版社,1998.
[2]Russell,StuartJ.ArtificialIntelligence:AModernApproach[J].人民邮电出版社,2002.
[3]GabbayDM,HoggerCJ,RobinsonJA,etal.Handbookoflogicinartificialintelligenceandlogicprogramming.Vol.1:Logicalfoundations.,1995.
[4]胡宝洁,赵忠文,曾峦,张永继.图灵机和图灵测试[J].电脑知识与技术：学术版,2006(8):2.
[5]赵楠,缐珊珊.人工智能应用现状及关键技术研究[J].中国电子科学研究院学报,2017,12(6):3.
[6]GeneserethMR,NilssonNJ.LogicalFoundationofArtificialIntelligence[J].brainbroadresearchinartificialintelligence&neuroscience,1987
作者：张雨晨
编辑：韩越扬
[责编：赵宇豪]人工智能历史十大里程碑
人工智能得名缘由-1955
“人工智能”这个名词正式出现，最早是1955年8月31日由美国计算机科学家JohnMcCarthy和他的同事MarvinMinsky、NathanielRochester和ClaudeShannon提出的，那是确立了人工智能这一研究领域的Dartmouth学院暑期人工智能研讨项目经典提议的一部分，这个提议名为《2个月，10个人的人工智能研究》（2month,10manstudyofartificialintelligence）。
1956年Dartmouth会议被后世广泛承认为人工智能诞生的标志。会议上提出的断言之一是“学习或者智能的任何其他特性的每一个方面都应能被精确地加以描述，使得机器可以对其进行模拟。”这次会议上人工智能的名称和任务得以确定，同时出现了最初的成就和最早的一批研究者。
反向传播算法的出现—1969
反向传播（backpropagation）有时缩写为BACKPROP，是一种与最优化方法（如梯度下降法）结合使用的，用于训练神经网络的常见方法，在机器学习史上是重要的算法之一。它最早是1969年MarvinMinsky和SeymourPapert在《感知机》（Perceptrons）中提出，但直到20世纪80年代中期，才成为机器学习的主流。
反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法，虽然它也用在一些无监督网络（如自动编码器）中。它是多层前馈网络的Delta规则的推广，可以用链式法则对每层迭代计算梯度。反向传播要求人工神经元（或“节点”）的激励函数可微。
人机对话—1966
近年来，人机对话交互技术成为人工智能的热点领域。众多业界公司相继推出了人机对话技术相关产品，如个人事务助理、手机助理、虚拟情感陪护机器人、娱乐型聊天机器人、智能音箱等等，并将人机对话交互技术作为其公司的重点研发方向。目前比较知名的产品有：Amaze的Alexa、Google的GoogleAssistant、Apple的Siri等等。
人机对话最早可追溯到1966年，麻省理工学院JosephWeizenbaum在ACM上发表了题为《ELIZA，一个研究人机自然语言交流的计算机程序》（ELIZA-acomputerprogramforthestudyofnaturallanguagecommunicationbetweenmanandmachine）的文章。文章描述了这个叫作ELIZA的程序如何使人与计算机在一定程度上进行自然语言对话成为可能。Weizenbaum开发了最早的聊天机器人ELIZA，用于在临床治疗中模仿心理医生。ELIZA的实现技术是通过关键词匹配规则对输入进行分解，而后根据分解规则所对应的重组规则来生成回复。简而言之，就是将输入语句类型化，再翻译成合适的输出。虽然ELIZA很简单，但Weizenbaum本人对ELIZA的表现感到吃惊，随后撰写了《计算机的能力和人类的推理》（ComputerPowerandHumanReason）这本书，表达他对人工智能的特殊情感。ELIZA如此出名，以至于Siri也说ELIZA是一位心理医生，是她的启蒙老师。（“Shewasmyfirstteacher!”、“…Shewasabrillantpsychiatrist.…”）
奇点理论-1982
想必你一定时不时在媒体上听到过“奇点”。何谓奇点？就是机器变得比人类更聪明的那个点。奇点的概念，最早是1982年VernorSteffenVinge在卡内基梅隆大学召开的美国人工智能协会年会上首次提出“技术奇异点”这一概念。1993年，他在美国国家航空航天局路易斯研究中心举行的一次讨论会上发表了论文《技术奇异点即将来临：后人类时代生存指南》（TheComingTechnologicalSingularity）再次简述了这个观点，论文同年刊载于《全地球评论》（WholeEarthReview）杂志上。在这篇论文中，VernorSteffenVinge系统地阐述了自己的“技术奇异点”的理论，并声称超越人类智能的计算器将在50年之内问世，并把这次变化好比200万年以前人类的出现一样重大。正是这篇文章，使“奇点”的观点流行开来。
自动驾驶终于来临-1989
自动驾驶似乎在这几年才频繁出现媒体上。世界上第一辆自动驾驶骑车是Google公司开发的吗？非也。自动驾驶汽车的展示系统可追溯至1920年代及1930年代间，但要到1950年代从出现可行的实验，并取得部分成果。第一辆能真正自动驾驶的汽车则出现于1980年代。1984年，卡内基美隆大学推动Navlab计划与ALV计划，这个被人搁置多年的想法又卷土重来，再到1987年，梅赛德斯-奔驰与德国慕尼黑联邦国防大学共同推行尤里卡普罗米修斯计划。从此以后，许多大型公司与研究机构开始制造可运作的自动驾驶汽车原型。
1989年，美国卡内基梅隆大学的研究人员DeanPomerleau就花费了8年的时间，研发出了一套名叫ALVINN（AutonomousLandVehicleInaNeuralNetwork)的无人驾驶系统，并用在了NAVLAB货车上，从宾夕法尼亚州匹兹堡到加州圣地亚哥行驶了2797英里，成功实现了自动驾驶，成为自动驾驶的祖师爷。虽然它的技术在今天来看非常原始，但是它证明了自动驾驶是可以实现的。
人脑的最后战役-1997
1996年2月10日，超级电脑DeepBlue首次挑战国际象棋世界冠军Kasparov，但以2：4落败。比赛在2月17日结束。其后研究小组把DeepBlue加以改良，1997年5月再度挑战Kasparov，比赛在5月11日结束，最终DeepBlue电脑以3.5：2.5击败Kasparov，成为首个在标准比赛时限内击败国际象棋世界冠军的电脑系统。IBM在比赛后宣布DeepBlue退役。
这是一场人类大脑和机器大脑的决战。尽管无疑DeepBlue处理信息的速度比Kasparov更快，拥有每秒超过2亿步的惊人速度。但DeepBlue的缺陷是没有直觉，不能进行真正的思考。这场比赛过程表明，DeepBlue无穷无尽的计算能力在很大程度上弥补了这些缺陷，这也反过来让人们思考，什么是思维的本质？思维是神秘莫测的吗？
这一结果尽管可能并没有证明AI除了在有明确定义的规则的问题上表现出色之外，在其他问题是否也表现出色，但这仍是人工智能领域向前迈进的一大步。
AI在Jeopardy！节目大获全胜-2011
就像DeepBlue与GarryKasparov的对弈一样，2011年，IBM的AI面临着另一个巨大的挑战，IBMWatson在挑战Jeopardy！（美国一档电视智力竞赛综艺节目）的前优胜者BradRutter和KenJennings——冠军奖获得100万美元奖金。比赛结束后，被Watson碾压的KenJennings打趣说：“我，作为一个人，欢迎我们的新机器人霸主。”（I,forone,welcomeournewrobotoverlords.）
Watson是能够使用自然语言来回答问题的人工智能系统，由IBM公司的首席研究员DavidFerrucci所领导的DeepQA计划小组开发并以该公司创始人ThomasJ·Watson的名字命名。IBM介绍时说“它是一个集高级自然语言处理、讯息检索、知识表示、自动推理、机器学习等开放式问答技术的应用”，并且“基于为假设认知和大规模的证据搜集、分析、评价而开发的DeepQA技术”。
AI的认猫事件-2012
以前，如果没有人类和大量现成数据的帮助下，人工智能甚至都不能分辨出猫的照片。但在2012年6月，Google的研究人员JeffDean和AndrewNg用1.6万块电脑处理器构建了全球最大的电子模拟神经网络，并通过向其展示自YouTube上随机选取的1000万段视频，考察其能够学到什么。结果显示，在无外界指令的自发条件下，该人工神经网络自主学会了识别猫的面孔。该成果表明Google在人工智能领域已取得重大进展。
AI打败围棋世界冠军-2016
2016年3月，GoogleDeepMind的AlphaGo在四场比赛中击败了围棋世界冠军李世乭。全世界有6000万观众观看了这场比赛。这是一个具有里程碑意义的事件，因为围棋中可能的落子位置数目比宇宙的原子总数还要多，把围棋所有的状态用穷举法全部列出大概需要10¹⁷⁰（相比之下国际象棋只有10⁴⁶），因此，围棋也被认为是人工智能攻克信息完全博弈游戏最后的堡垒。相比1997年IBMDeepBlue的暴力博弈树遍历而言，DeepBlue的胜利只是硬件速度的胜利和计算机的胜利。AlphaGo今天的胜利才真正是人工智能的胜利，它标志着真正人工智能时代的开启。返回搜狐，查看更多
【探索】人类不理解人工智能，根本原因是我们还无法理解人类的智慧和意识。
我相信技术将继续以前所未有的方式飞速发展；我们现在就见证了这件事，根本没有理由相去信我们正接近于计算平台。然而，从先进技术到人工创造意识，将是一个巨大的飞跃。本质上讲，研发出最完美人工智能的前提是：我们理解了人类的智慧和意识。
智力的定义是？
AI专家正在努力给予智力一个特定的定义，即学习能力，识别模式，显示情绪行为和解决需分析的问题。然而，这只是争议海洋中智力的定义之一，模糊地形成了关于认知本质的想法。神经科学和神经心理学没有提供人类智力的定义，相反，他们有很多定义。不同的领域，甚至是不同的研究人员，都在使用不同的术语定义智力。
大体上讲，科学家把智力视为适应环境的能力，同时实现个人的目标，甚至是对特定问题选择出最佳解法的能力。然而，这在很大程度上都基于对智力生物层面上的理解，因为它涉及到进化和自然选择。在实践中，神经学家和心理学家在各自的领域内外，都提出了非常具有竞争性的关于人类智慧的想法。
考虑一下心理学家MichaelC.Ramsay和CecilR.Reynolds的概述：
“理论家们已指出：智力是一组相对稳定的能力，这些能力随着时间的推移而逐渐改变，研究人员也赞同这一观点。虽然智力可以被视为一个潜在的东西，但它似乎并不是一个固定的，或一成不变的固有特性。当代心理学家和其他科学家认为，智力是复杂的环境和遗传因素相互作用的结果。尽管已经研究了一百年多年，但关于这种相互作用的理解和细节，我们仍然知之甚少。最后，智力的起源并非纯粹的生物，也非纯粹的社会。一些作者认为，智力是智力测试的一部分。”
这并没有描述出达成共识的领域。而心理学只是一个涉及人类大脑、思想和智力的行业之一。
我们对技术速度的理解可能在不断加快，但我们对于一些概念的认知非常模糊，对于智力，意识，甚至是什么人类思想的理解仍然处在很幼稚的阶段。技术可能会迎来一个以计算机为基础的人类时代，但神经科学，心理学和哲学不会。他们是宇宙疏远的，甚至降落在技术星球上的东西，而这些知识上的差距肯定会拉慢实现人工智能的节奏。
大多数研究大脑和思想的专家大体上至少同意两件事：我们无法具体、一致的理解什么是智力，而且我们也不知道什么是意识。
2011年微软联合创始人PaulAllen写道：
“要达到奇点，仅仅使目前的软件运行更快是不够滴。我们还需要建立更聪明，更能干的软件程序。创造这种先进的软件，需要科学界事先理解人类认知的基础，我们现在仅仅知道一些皮毛而已。”
人类智慧和意识的定义，相比于比神经科学更具哲学性
·意识的创造性
马斯克、库兹韦尔和其它支持技术奇点的人一再声明，计算能力不断增加会自动导致人类智能和机器意识的产生。他们意味着，技术进步越快，其他科学领域的发展也就越快。
2006年库兹韦尔说过：
“只要有足够强大的电脑，它就不关我们的事了，强大的硬件，将给予我们人类级的智力。我们需要了解人类智慧的运作原理，和人类大脑是如何执行这些功能的。什么是软件，什么是算法，内容是什么？而且，我们期待着另一个宏伟的项目，I标签逆向操纵人类大脑，了解其工作原理。我们在其它领域也看到与我们相同指数的进展，如生物学。”
库兹韦尔认识到首先需要了解人类智慧，然后才能准确地让其在机器上重现，但他的解决方案是，逆向操作大脑，这跨越了神经科学，心理学和哲学领域。它假设的太多了，主要讲的是建立大脑和建立思想是同一件事。
·“大脑”和“思想”这两个术语是不可替换的
我们重新创造大脑是可行的；这是一个无限复杂的结构，但它仍然是一个可实现的物理性质的东西，最终，被完全映射，解剖和重新形成。就在本月，IBM宣布已经着手了一项工程，尽管难以预测行为，人工神经元仍然能够在嘈杂的数据中可靠地识别模式，具体地说，也就是自然神经元理应做到的事。能够创建一个神经元的时间点比建一个完整的人脑还要远好几光年，但它是一块拼图。
但，它仍然不是思想。即使科学家们开发技术来创造一个人工的大脑，也没有证据表明这个过程能自动产生思想。无法保证这台机器会突然有意识。我们都不了解意识的本质时，它怎么可能会自动产生意识呢？
只考虑思想、意识和智力的一方面：创造力。就自身而言，每个人的创造力都是特殊且模糊的东西。对一个人来说，创意的过程是在一个遥远的小屋里隔离几个星期；而对于另一个人，它只需要三杯威士忌；再对于另一个人来说，创造力体现在不可预知的灵光一现之中，可能持续几分钟或几个月。创造力意味着强烈的关注一些东西，并长时间的拖延他人。
那么告诉我：AI机器会拖延吗？
也许不会。奇点表明，最终，AI将比人类的智能强上数十亿倍。这意味着AI会放弃乱七八糟的东西，如喜欢拖延和轻度酗酒，并“一日三省吾身”以完成人类可以完成的任务。毫无疑问，终将有一天软件能够以最小的（或零）人类输入，而产生美丽的，创造性的东西。美丽的东西，不一定更好。有创造力，不一定需要意识。
奇点
马斯克、库兹韦尔和其他人不是预言TayTwitter机器人的存在；他们告诉世界，我们将在未来的20年内，复制人脑，把它植入人造壳中，并重新创造人类的思想。不，我们会创造出更好的东西：思想，无论是什么，它都不需要拖延来变得非常具有创造性。一个可能有或没有意识的大脑，无论这意味着什么。
技术奇点可能会来临，但我们对心理学、神经科学和哲学的理解更为模糊，而所有这些领域必须协同工作以满足奇点的承诺。近几十年来，科学家们在技术领域取得了巨大的进步，而计算机每年都在变强，但更强大的计算机并不等同于哲学认知上的突破。更准确地映射大脑并不意味着我们了解大脑。
相比于加速回报定律，技术奇点更人们受青睐。地球上的任何东西都不是凭空运行的，在我们能够制造出可支持人类智力的人工智能机器之前，我们需要了解我们试图模仿的是什么。不道德的、道德的，还是技术层面的。我们在能重新创造人类大脑之前，首先需要解开人类心灵的秘密。
本文来自：雷锋网
未来科技学院对外公开邀请特聘专家
未来科技学院是人工智能学家成立的前沿科技研究和传播机构，目标是培养掌握未来科学规律的企业家和科学家。
为了促进前沿科技领域的专家传播前沿思想、帮助专家用自己的知识和智慧产生经济价值，未来科技学院决定对外公开邀请特聘专家加入未来科技学院专家团。如果您是互联网、脑科学、人工智能、虚拟现实、生物基因、机器人、纳米（不仅限于上述领域）等等前沿领域的博士，教授或资深行业专家，欢迎登记成为未来科技学院的特聘专家。
成为未来科技学院的特邀专家，您将可以：
1、加入未来科技学院特聘专家群，与国内顶级的前沿科技领域科学家专家交流互动。
2、作为主讲嘉宾参加未来科技学院举办的前沿科技讲座或培训，传播您的成果和思想。
3、参与未来科技学院与企业、科研院所举办的前沿科技问题研讨会，进行产学研交流。
4、优先使用人工智能学家开发的专家知识分享与科学众包平台-“专家威客”，自动成为平台的认证专家，让您的知识、智慧和成果通过互联网产生经济价值。
您可以扫描下面二维码进行进入特聘专家登记群快速与我们联系
您也可以请点击本文左下角“阅读原文”进行登记
人工智能学家Aitists
人工智能学家是权威的前沿科技媒体和研究机构，2016年2月成立人工智能与互联网进化实验室（AIELab)，重点研究互联网，人工智能，脑科学，虚拟现实，机器人，移动互联网等领域的未来发展趋势和重大科学问题。
长按上方二维码关注微信号Aitists
投稿邮箱：返回搜狐，查看更多