人工智能发展史（二）
1. 引言
上一篇文章中，我们介绍了史上第一代人工智能与人工智能发展史上的第一次低谷：
人工智能发展史（一）--第一代人工智能及第一次AI低谷
经历了人工智能发展史上的第一次低谷，人工智能领域的研究真的就这样一蹶不振了吗？是什么让 AI 研究重回人们的视野呢？
2. 人工智能并非要模拟人脑
2.1 机器模拟人脑的困境
20世纪50年代到70年代，是人工智能领域的黄金时代，无数投资者和研究者投入了巨额的经费与精力，为后世人工智能发展奠定了最为关键性的基础，寻找到了人工智能领域发展的方向。然而，盲目的乐观精神很快遭遇了现实的冷水，想要用机器来模拟人的智力，这背后所需要的存储和算力是无法想象的。
在心理学上，阿摩司·特沃斯基、彼得沃森等心理学家纷纷证明，人类在解决问题时，大多时候并没有使用逻辑运算，从而证明，一台以逻辑运算为基础的机器是无法模拟人类思考的。
在残酷的现实面前，曾经声称可以用机器模拟人脑的论调渐渐沉寂了下去，以神经网络为基础的“感知器”研究失去了市场，而有另外两个学派的思想则得到了重视。
2.2 芜杂派
1975 年，被称为“人工智能之父”的马文·明斯基在其著作《表示知识的框架》中提出了框架理论，从而为用机器来解决人类的常识问题这一难题提供了可行的出路。
框架理论认为，人们对于事物的认知是通过将其归类于一个已知的范畴来实现的，这意味着，如同当时已诞生的面向对象编程思想一样，人在理解一件事物是什么这种计算机难以解决的常识性问题时，人脑会在自己已经掌握的若干范畴中进行比对，来实现对已有概念的继承，例如，当一个人首次见到了天鹅，他会在大脑中找到“鸟”这个范畴，从而能够快速掌握到未知的“天鹅”这个概念，知道天鹅如同其他鸟一样，是生物、具有翅膀、会飞等。
只要让计算机模拟这一过程，计算机完全有可能在既有的范畴中，找到它所面对的从未接触的新概念的含义，从而实现对既有框架概念的继承。
2.3 简约派
与芜杂派相对，简约派认为，既然机器想要模仿人类进行思考可谓是困难重重，那么，我们完全可以去大力发展机器的逻辑运算能力，让机器成为专门解决逻辑问题的解题机器。
于是，顺着这个思路，人们厘清了人工智能当前能够做到的边界，从而为下一阶段人工智能发展指明了一条新的道路：专家系统。
3. 第二代人工智能：专家系统
实际上，在第一代人工智能发展的过程中，始终有专家系统这一派观点，尽管没有得到重视，但仍然在当时产生了值得瞩目的成就。
1965年，卡内基梅隆大学教授爱德华·费根鲍姆就和他的学生们一起设计并开发了一款名为 Dendral 的人工智能软件，用来分辨化学混合物，1972年，他带领的团队又研发了名为 MYCIN 的通过血液样本分析来诊断传染病的程序。
1980 年，卡内基梅隆大学的研发团队为美国数字设备公司设计开发了一个名为 XCON 的专家系统，产生了巨大的影响力，它拥有 2500 条规则，可以代替销售人员，为客户提供专业的订购问答和售后服务，据称该软件每年为美国数字设备公司省下了四千万美元。
在这次巨大的成功之下，美国各大公司纷纷成立 AI 部门，研发适应自身使用的人工智能软件来提供专业性的使用。专家系统的一炮而红，引领了人工智能领域的再度升温，潘蜜拉.麦可杜克在他的著作《会思考的机器》中写道：“不情愿的AI研究者们开始怀疑，因为它违背了科学研究中对最简化的追求。智能可能需要建立在对分门别类的大量知识的多种处理方法之上。”
1981 年，日本经济产业省决定拨款八亿五千万美元用来支持第五代计算机的研发项目，目标是能够实现人机对话、语言翻译、图像识别等专业功能，英国也投入3.5亿英镑，开启名为 Alvey 的第二代人工智能工程的研究。
除了在专家系统领域的亮眼表现，在上述巨额投入下，以模拟人脑为目标的联结主义思想也得到了崭新的发展，1982年，物理学家约翰·霍普菲尔德在神经网络算法的基础上，发明了以他的名字命名的 Hopfield 神经网络算法，实现神经网络的递归与反馈传播，而几乎与此同时，戴维·鲁姆哈特发明了反向传播神经网络算法。让已经被人们遗弃了十年之久的联结主义思想重获新生。
4. 第二次 AI 低谷
几乎是历史的重演，随着商业机构对 AI 领域的追捧，巨额的投入再次以经济泡沫的破裂而告终。
20世纪80年代中期，苹果与 IBM 两家公司异军突起，成立了性能强劲的台式机生产线，量产的机器竟然比投资者巨额投资下所生产的 AI 机器的性能还要高，这无异于直接宣布价值 5 亿美元的 AI 产业不过是一个巨大的泡沫，AI 的硬件市场需求随之突然暴跌，而预期中的能够实现人机对话的人工智能也并没有能够出现。
而对于人工智能的研究方向，也出现了许多认知科学家反对的声音，1990年，罗德尼·布鲁克斯在论文《大象不玩象棋》批评了人工智能研究企图用符号化的方法来代替机器对世界的感知，这与实现真正的人工智能无疑是南辕北辙的，他认为，机器必须具有足够多的感知元件，并且能够足够频繁地感知世界，才有可能诞生真正的人工智能。
5. 结语
自 1987 年开始，随着资本的撤出，各国的 AI 研究再度面临了新的困境，一方面，PC 量产机的性能超过了昂贵的专业 AI 硬件，同时，第五代计算机也并没有什么新的能够实用的成果问世，无论是商业发展还是研究者们，都无法在这样的时代背景下找到新的出路。
那么，和 AI 发展的第一次低谷一样，谁能够打破 AI 发展的新的低谷呢？人工智能发展的未来又在哪里？让我们下一篇文章中，再做讲解。
附录：参考资料
https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E5%8F%B2#cite_note-106
https://en.wikipedia.org/wiki/Xcon
https://web.archive.org/web/20171116060857/http://aaai.org/Papers/AAAI/1980/AAAI80-076.pdf
微信公众号
欢迎关注微信公众号，以技术为主，涉及历史、人文等多领域的学习与感悟，每周三到七篇推文，只有全部原创，只有干货没有鸡汤
附录 -- 系列目录
居士的创作
标签技术贴 人工智能 ai 技术乱炖人工智能、机器学习、神经网络和深度学习的发展历程
“学习任何领域，了解总是第一步，而认识该领域的发展历程是了解一个领域十分有效的方法。”这一期跟大家分享人工智能、机器学习、神经网络和深度学习的发展历程。
一、人工智能的发展历程
人工智能从诞生至今，经历了一次又一次的繁荣与低谷，其发展历程大体上可以分为推理期、知识期和学习期。
人工智能的发展经历了很长时间的历史积淀，早在1950年，阿兰·图灵就提出了图灵测试机，大意是将人和机器放在一个小黑屋里与屋外的人对话，如果屋外的人分不清对话者是人类还是机器，那么这台机器就拥有像人一样的智能。
1、推理期
1956年达特茅斯会议之后的十几年里人工智能迎来了第一次高峰，大部分早期研究员都通过人类的经验，基于逻辑或事实归纳出来一些规则，然后通过编写程序来让计算机完成一个任务。
在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究者看到了机器向人类智能发展的希望，比如1959年，第一台工业机器人诞生；1964年，首台聊天机器人也诞生了。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”
但随着研究的深入，研究者意识到这些推理规则过于简单，对项目难度评估不够，人工智能的研究开始陷入低谷还让大家对人工智能的前景蒙上了一层阴影。与此同时，社会舆论的压力也开始慢慢压向人工智能这把，导致很多研究经费被转移到了其他项目上。
在当时，人工智能面临的技术瓶颈主要是三个方面。第一，计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；第三，数据量严重缺水，在当时不可能找到足够大的数据库来支撑程序进行深度的学习，这很容易导致机器无法获取足够量的数据进行智能化。
2、知识期
到了70年代，研究者意识到知识对于人工智能系统的重要性。特别是对于一些复杂的任务，需要专家来构建知识库。在这一时期，出现了各种各样的专家系统，并在特定的专业领域取得了很多成果。
专家系统可以简单理解为“知识库＋推理机”，是一类具有专门知识和经验的计算机智能程序系统。专家系统一般采用知识表示和知识推理等技术来完成通常由相关领域专家才能解决的复杂问题，因此专家系统也被称为基于知识的系统。
1980年，卡内基梅隆大学设计出了第一套专家系统—XCON。从这时起，机器学习开始兴趣，各种专家系统开始被人们广泛使用。不幸的是，随着专家系统的应用领域越来越广，问题也逐渐暴露了出来。专家系统应用有限，且经常在常识性问题上出错，因此人工智能迎来了第二个寒冬。
3、学习期
对于人类的很多智能行为比如语言理解、图像理解等，我们很难知道其中的原理，也无法描述这些智能行为背后的“知识”。也就导致了很难通过知识和推理的方式来实现这些行为的智能系统。为了解决这类问题，研究者开始重点转向让计算机从数据中自己学习。事实上，“学习”本身也是一种智能行为，从人工智能的萌芽时期开始，就有一些研究者尝试让机器来自动学习，即机器学习（MachineLearning）。
1997年，IBM公司的“深蓝”计算机战胜了国际象棋世界冠军卡斯帕罗夫，这成为了人工智能史上一个重要里程碑。之后，人工智能开始平稳向上的发展。
2006年，李飞飞教授意识到专家学者在研究算法的过程中忽视了“数据”的重要性，于是开始带头构建大型图像数据集—ImageNet，图像识别大赛由此拉开帷幕。同年，由于人工神经网络的不断发展，“深度学习”的概念被提出，之后，深度神经网络和卷积神经网络开始不断映入人们的眼帘。深度学习的发展又一次掀起人工智能的研究狂潮，这一狂潮至今仍在持续。
二、机器学习的发展历程
机器学习实际上已经存在了几十年或者也可以认为存在了几个世纪。追溯到17世纪，贝叶斯、拉普拉斯关于最小二乘法的推导和马尔科夫链，这些构成了机器学习广泛使用的工具和基础。
自1950年阿兰·图灵提出图灵测试机，到21世纪有深度学习的实际应用，机器学习有了很大的进展。从上世纪50年代研究机器学习以来，不同时期的研究途径和目标并不相同，可以划分为四个阶段。
1、知识推理期
知识推理期起始于20世纪50年代中期，这时候人们以为只要能赋予机器逻辑推理能力，机器就能具有智能。这一阶段的代表性工作有赫伯特·西蒙和艾伦·纽厄尔实现的自动定理证明系统LogicTherise证明了著名数学家罗素和怀特海的名著—《数学原理》中的全部52条定理，并且其中一条定理甚至比罗素和怀特海证明得更巧妙。
然而随着研究向前发展，人们逐渐认识到，仅具有逻辑推理能力是远远实现不了人工智能的，要使机器具有智能，就必须设法使机器具有知识。
2、知识工程期
从20世纪70年代中期开始，人工智能进入知识工程期。这一时期大量专家系统问世，在很多应用领域取得了大量成果，费根鲍姆作为知识工程之父在1994年获得了图灵奖。由于人工无法将所有知识都总结出来教给计算机系统，所以这一阶段的人工智能面临知识获取的瓶颈。
这个时期主要研究将各个领域的知识植入到系统里，在本阶段的目的是通过机器模拟人类学习的过程。同时还采用了图结构及其逻辑结构方面的知识进行系统描述，在这一研究阶段，主要是用各种符号来表示机器语言。在此期间，人们从学习单个概念扩展到学习多个概念，探索不同的学习策略和学习方法，且在本阶段已开始把学习系统与各种应用结合起来，并取得了很大的成功。同时，专家系统在知识获取方面的需求也极大地刺激了机器学习的研究和发展。
3、归纳学习期
1980年夏，在美国卡耐基梅隆大学举行了第一届机器学习研讨会（IWML)；1983年Tioga出版社出版了R.S.Michalski、J.G.Carbonell和T.Mitchell主编的《机器学习：一种人工智能途径》，对当时的机器学习研究工作进行了总结；1986年，第一本机器学习专业专刊MachineLearning创刊；1989年，人工智能领域的权威期刊ArtificialIntelligence出版机器学习专辑，刊发了当时一些比较活跃的研究工作。总的来看，20世纪80年代是机器学习成为一个独立的学科领域、各种机器学习技术百花初绽的时期。
20世纪80年代以来，被研究最多、应用最广的是“从样例中学习”，即从训练样例中归纳出学习结果，也就是广义的归纳学习，它涵盖了监督学习和无监督学习等。
在20世纪80年代，“从样例中学习”的一大主流是符号主义学习，其代表包括决策树和基于逻辑的学习。典型的决策树学习以信息论为基础，以信息熵的最小化为目标，直接模拟了人类对概念进行判定的树形流程；基于逻辑的学习的著名代表是归纳逻辑程序设计，可以看做机器学习与逻辑程序设计的交叉，它使用一阶逻辑（即谓词逻辑）来进行知识表示，通过修改和扩充逻辑表达式（例如Prolog表达式）来完成对数据的归纳。符号主义学习占据主流地位与整个人工智能领域的发展历程是分不开的。
20世纪90年代中期之前，“从样例中学习”的另一主流技术是基于神经网络的连接主义学习。连接主义学习在20世纪50年代取得了大发展，但因为早期的很多人工智能研究者对符号表示有特别偏爱，所以当时连接主义的研究未被纳入人工智能主流研究范畴。1983年,霍普菲尔德利用神经网络求解“流动推销员问题”这个著名的NP难题取得重大进展，使得连接主义重新受到人们关注。1986年，著名的BP算法诞生，产生了深远的影响。
20世纪90年代中期，统计学习出现并迅速占据主流舞台，代表性技术是支持向量机（SVM）以及更一般的“核方法”。这方面的研究早在20世纪60年代就已经开始，统计学习理论在那个时期也已打下了基础，但直到90年代中期统计学习才开始成为机器学习的主流。一方面是由于有效的支持向量机算法在90年代初才被提出，其优越性能到90年代中期在文本分类应用中才得以显现；另一方面，正是在连接主义学习技术的局限性凸显之后，人们才把目光转向了以统计学习理论为直接支撑的统计学习技术。在支持向量机被普遍接受后，核技巧被人们用到了机器学习的几乎每一个角落，核方法也逐渐成为机器学习的基本内容之一。
4、深度学习
21世纪初，连接主义学习又卷土重来，掀起了以“深度学习”为名的热潮。2006年，深度学习概念被提出。2007年，希尔顿发表了深度信念网络论文，本吉奥等人发表了逐层训练方法的论文—《GreedyLay-WiseTrainingofDeepNetworks》，扬·勒丘恩团队发表了《EfficientLearningofSparseRepresentationswithanEnergy-BasedModel》论文，这些时间标志着人工智能正式进入了深层神经网络的实践阶段。同时，云计算和GPU并行计算为深度学习的发展提供了基础保障，特别是最近几年，机器学习在各个领域都取得了突飞猛进的发展。
新的机器学习算法面临的主要问题更加复杂，机器学习的应用领域从广度向深度发展，这对模型训练和应用都提出了更高的要求。随着人工智能的发展，冯·诺依曼式的有限状态机和理论基础越来越难以应对目前神经网络中层数的要求，这些都对机器学习提出了挑战。
三、神经网络和深度学习的发展历程
1、前言
在介绍神经网络和深度学习起源之前，首先介绍一下人类大脑是怎么工作的。1981年的诺贝尔医学奖，分发给了DavidHubel、TorstenWiesel和PogerSperry。前两位的主要贡献是发现了人的视觉系统的信息处理是分级的。如下图所示，从视网膜（Retina）出发，经过低级的V1区提取边缘特征，到V2区形成基本形状或目标的局部，再到高层V4形成整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层）进行分类判断等。从视觉处理机制可以看出高层的特征是低层特征的组合，从低层到高层的特征表达越来越抽象和概念化。
这个发现激发了人们对于神经系统的进一步思考。大脑的工作过程是一个对接收信号不断迭代、不断抽象概念化的过程。例如，从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定眼前物体的形状，比如是椭圆形），然后进一步抽象（大脑进一步判定该物体是一张人脸），最后识别人脸。这个过程其实和我们的常识是相吻合的，因为复杂的图形往往就是由一些基本结构组合而成的。同时还可以看出：大脑是一个深度架构，认知过程也是深度的。
而深度学习，恰恰就是通过组合低层特征形成更加抽象的高层特征（或属性类别）。例如，在计算机视觉领域，深度学习算法从原始图像去学习得到一个低层次表达，例如边缘检测器、小波滤波器等，然后在这些低层次表达的基础上，通过线性或者非线性组合，来获得一个高层次的表达。此外，不仅图像存在这个规律，声音也是类似的。
2、起源阶段
1943年，心理学家麦卡洛克和数学逻辑学家皮兹发表论文《神经活动中内在思想的逻辑演算》，提出了MP模型。MP模型是模仿神经元的结构和工作原理，构成出的一个基于神经网络的数学模型，本质上是一种“模拟人类大脑”的神经元模型。MP模型作为人工神经网络的起源，开创了人工神经网络的新时代，也奠定了神经网络模型的基础。当时提出MP模型是希望能够用计算机来模拟人的神经元反应的过程，该模型将神经元的工作过程简化为了三部分：输入信号线性加权，求和，非线性激活（阈值法）。如下图所示：
1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。
1949年，加拿大著名心理学家唐纳德·赫布在论文《Theorganizationofbehavior》中提出了神经心理学理论。赫布认为神经网络的学习过程最终是发生在神经元之间的突出部位，突触的连接强度随着突触前后神经元的活动而变化，变化的量与两个神经元的活性之和成正比。然后在《行为的组织》中提出了一种基础无监督学习的规则—赫布学习规则（HebbRule）。赫布规则模仿人类认知世界的过程建立一种“网络模型”，该网络模型针对训练集进行大量的训练并提取训练集的统计特征，然后按照样本的相似程度进行分类，把相互之间联系密切的样本分为一类，这样就把样本分成了若干类。赫布规则与“条件反射”机理一致，为以后的神经网络学习算法奠定了基础，具有重大的历史意义。
20世纪50年代末，在MP模型和赫布学习规则的研究基础上，美国科学家罗森布拉特发现了一种类似于人类学习过程的算法—感知机学习。并于1958年，正式提出了由两层神经元组成的神经网络，称之为感知器（Perceptron）。感知器本质上是一种线性模型，可以对输入的训练集数据进行二分类，且能够在训练集中自动更新权值。感知器的提出引起了大量科学家对人工神经网络研究的兴趣，对神经网络的发展具有里程碑式的意义。
在1969年，马文·明斯基和西蒙·派珀特共同编写了一本书籍《感知器》，在书中他们证明了单层感知器无法解决线性不可分问题（例如：异或问题）。由于这个致命的缺陷以及没有及时推广感知器到多层神经网络中，在20世纪70年代，人工神经网络进入了第一个寒冬期，人们对神经网络的研究也停滞了将近20年。
3、发展阶段
真理的果实总是垂青于能够坚持研究的科学家。尽管人工神经网络ANN的研究陷入了前所未有的低谷，但仍有为数不多的学者致力于ANN的研究。
1982年，著名物理学家约翰·霍普菲尔德发明了Hopfield神经网络。Hopfield神经网络是一种结合存储系统和二元系统的循环神经网络。Hopfield网络也可以模拟人类的记忆，根据激活函数的选取不同，有连续型和离散型两种，分别用于优化计算和联想记忆。但由于容易陷入局部最小值的缺陷，该算法并未在当时引起很大的轰动。
1984年，辛顿与年轻学者谢诺夫斯基等合作提出了大规模并行网络学习机，并明确提出隐藏单元的概念，这种学习机后来被称为玻尔兹曼机（Boltzmannmachine）。他们利用统计物理学的概念和方法，首次提出的多层网络的学习算法，称为玻尔兹曼机模型。
由神经网络之父杰弗里·辛顿在1986年发明了适用于多层感知器（MLP）的BP算法（BackPropagation），并采用了Sigmoid函数进行非线性映射，有效解决了非线性分类和学习的问题。BP算法引起了神经网络的第二次热潮，其在传统神经网络正向传播的基础上，增加了误差的反向传播过程。反向传播过程不断地调整神经元之间的权值和阈值，直到输出的误差达到减小到允许的范围之内，或达到预先设定的训练次数为止。BP算法完美的解决了非线性分类问题，让人工神经网络再次引起了人们广泛的关注。
1991年BP算法被指出存在梯度消失问题，也就是说在误差梯度后向传递的过程中，后层梯度以乘性方式叠加到前层，由于Sigmoid函数的饱和特性，后层梯度本来就小，误差梯度传到前层时几乎为0，因此无法对前层进行有效的学习，该问题直接阻碍了深度学习的进一步发展。
此外90年代中期，支持向量机算法诞生（SVM算法）等各种浅层机器学习模型被提出，SVM也是一种有监督的学习模型，应用于模式识别，分类以及回归分析等。支持向量机以统计学为基础，和神经网络有明显的差异，支持向量机等算法的提出再次阻碍了深度学习的发展。
4、崛起阶段
2006年，杰弗里·辛顿以及他的学生鲁斯兰·萨拉赫丁诺夫正式提出了深度学习的概念。他们在世界顶级学术期刊《Science》发表的一篇文章中详细的给出了“梯度消失”问题的解决方案——通过无监督的学习方法逐层训练算法，再使用有监督的反向传播算法进行调优。该深度学习方法的提出，立即在学术圈引起了巨大的反响，斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇，至此开启了深度学习在学术界和工业界的浪潮。
2011年，ReLU激活函数被提出，该激活函数能够有效的抑制梯度消失问题。2011年以来，微软首次将DL应用在语音识别上，取得了重大突破。微软研究院和Google的语音识别研究人员先后采用深度神经网络DNN技术降低语音识别错误率至20％~30％，是语音识别领域十多年来最大的突破性进展。
2012年，DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26％降低到15％。在这一年，DNN还被应用于制药公司的DrugeActivity预测问题，并获得世界最好成绩。2012年，在著名的ImageNet图像识别大赛中，杰弗里·辛顿课题组为了证明深度学习的潜力，首次参加ImageNet图像识别比赛，其通过构建的CNN网络AlexNet一举夺得冠军，且碾压第二名（SVM方法）的分类性能。也正是由于该比赛，CNN吸引到了众多研究者的注意。深度学习算法在世界大赛的脱颖而出，也再一次吸引了学术界和工业界对于深度学习领域的注意。
随着深度学习技术的不断进步以及数据处理能力的不断提升，2014年，Facebook基于深度学习技术的DeepFace项目，在人脸识别方面的准确率已经能达到97%以上，跟人类识别的准确率几乎没有差别。这样的结果也再一次证明了深度学习算法在图像识别方面的一骑绝尘。
2016年3月，由谷歌（Google）旗下DeepMind公司开发的AlphaGo(基于深度学习算法)与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；2016年末2017年初，该程序在中国棋类网站上以“大师”（Master）为注册帐号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩。
2017年，基于强化学习算法的AlphaGo升级版AlphaGoZero横空出世。其采用“从零开始”、“无师自通”的学习模式，以100:0的比分轻而易举打败了之前的AlphaGo。除了围棋，它还精通国际象棋等其它棋类游戏，可以说是真正的棋类“天才”。此外在这一年，深度学习的相关算法在医疗、金融、艺术、无人驾驶等多个领域均取得了显著的成果。所以，也有专家把2017年看作是深度学习甚至是人工智能发展最为突飞猛进的一年。
5、神经网络和深度学习发展史上的里程碑
本文转自微信号：壹脑云
作者：袅袅
校对：喵君姐姐、TingZhang
人工智能的起源和人工智能发展历程
1.1图灵测试测试者与被测试者(一个人和一台机器)隔开的情况下，通过一些装置(如键盘)向被测试者随意提问。多次测试(一般为5min之内)，如果有超过30%的测试者不能确定被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。
1.2达特茅斯会议1956年8月，在美国汉诺斯小镇宁静的达特茅斯学院中，
约翰·麦卡锡(JohnMcCarthy)
马文·闵斯基(MarvinMinsky，人工智能与认知学专家)
克劳德·香农(ClaudeShannon，信息论的创始人)
艾伦·纽厄尔(AllenNewell，计算机科学家)
赫伯特·西蒙(HerbertSimon，诺贝尔经济学奖得主)等科学家正聚在一起，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：“人工智能”，因此，1956年也就成为了人工智能元年。
2、人工智能发展历程人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
第一是起步发展期：1956年—20世纪60年代初。
人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
第二是反思发展期：20世纪60年代—70年代初。
人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空(例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等)，使人工智能的发展走入低谷。
第三是应用发展期：20世纪70年代初—80年代中。
20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
第四是低迷发展期：20世纪80年代中—90年代中。
随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
第五是稳步发展期：20世纪90年代中—2010年。
由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司(简称IBM)深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
第六是蓬勃发展期：2011年至今。
随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
猜你喜欢：
人工智能之个性化推荐之路
深度相机是什么？深度相机常见技术
如何解决分类中解决类别不平衡问题？
语言模型-BERT：bert算法介绍
传智教育人工智能培训课程