什么是人工智能

什么是人工智能？

人工智能（AI）是计算机科学的一个广泛分支，涉及构建能够执行通常需要人类智能的任务的智能机器。人工智能是一门跨学科的科学，具有多种方法，但是机器学习和深度学习的进步实际上在整个技术行业的各个领域都产生了范式转变。

人工智能如何工作？

 

机器可以思考吗？—艾伦·图灵（Alan Turing），1950年

 

在打破了纳粹加密机Enigma并帮助盟军赢得第二次世界大战不到不到十年的时间里，数学家艾伦·图灵（Alan Turing）再次提出了一个简单的问题：“机器可以思考吗？”，再次改变了历史。

图灵的论文“ 计算机械与智能 ”（1950年）及其后续的图灵测试确立了人工智能的基本目标和愿景。

什么是人工智能从本质上讲，人工智能是计算机科学的一个分支，旨在肯定地回答图灵的问题。这是在机器中复制或模拟人类智能的努力。

人工智能的广阔目标引起了许多问题和辩论。如此之多，以致没有一个单一的领域定义被普遍接受。

将AI定义为简单的“构建智能机器”的主要局限性在于，它实际上并未解释什么是人工智能？是什么使机器智能化？

在其开创性的教科书《人工智能：现代方法》中，作者Stuart Russell和Peter Norvig通过围绕机器中智能代理的主题统一他们的工作来解决这个问题。考虑到这一点，人工智能是“对从环境中获得感知并执行动作的主体的研究”。（罗素和诺维格八世）

Norvig和Russell继续探索从历史上定义AI领域的四种不同方法：

• 人性化的思考
• 理性思考
• 以人为本
• 理性行事

前两个想法涉及思维过程和推理，而其他两个则涉及行为。诺维格和罗素特别关注能够实现最佳结果的理性特工，并指出“图灵测试所需的所有技能也使特工能够理性地行动”。（罗素和诺维格4）。

麻省理工学院福特人工智能与计算机科学教授帕特里克·温斯顿（Patrick Winston）将AI定义为“受约束所支持的算法，其受表示支持的模型的表示所暴露，这些模型针对将思维，感知和行动联系在一起的循环。”

尽管这些定义对普通人来说似乎是抽象的，但它们有助于使该领域成为计算机科学领域，并为向机器和程序中注入机器学习和其他人工智能子集提供了蓝图。

DataRobot首席执行官杰里米·阿钦（Jeremy Achin）在2017年日本AI体验大会上向人群致辞时，通过提供以下有关当今AI使用方式的定义开始讲话

“ AI是一种能够执行通常需要人类智能的任务的计算机系统……其中许多人工智能系统由机器学习提供支持，其中一些由深度学习提供支持，其中一些由非常无聊的事物（例如规则）提供支持”。
如何使用AI？

如何使用AI？

人工智能通常分为两大类：

狭窄的AI：有时被称为“弱AI”，这种人工智能在有限的范围内运行，并且是对人类智能的模拟。狭窄的AI通常专注于出色地完成一项任务，尽管这些机器看起来很智能，但它们甚至比最基本的人类智能还受到更多的约束和限制。

人工智能（AGI）：AGI，有时也称为“强大的AI”，是我们在电影中看到的那种人工智能，例如Westworld的机器人 或Star Trek：The Next Generation的 Data 。AGI是一台具有一般智能的机器，就像人类一样，它可以应用这种智能来解决任何问题。

狭窄的人工智能无处不在，很容易成为迄今为止最成功的人工智能实现。根据“为人工智能的未来做准备”的说法，在过去的十年中，Narrow AI专注于执行特定任务，取得了许多突破，这些突破具有“巨大的社会效益，并为国家的经济活力做出了贡献”。奥巴马政府发布的2016年报告。

Narrow AI的一些示例包括：

• 谷歌搜索
• 图像识别软件
• Siri，Alexa和其他私人助理
• 自动驾驶汽车
• IBM的Watson

机器学习与深度学习

机器学习和深度学习的突破推动了Narrow AI的发展。了解人工智能，机器学习和深度学习之间的区别可能会造成混淆。风险资本家Frank Chen 很好地概述了如何区分它们，并指出：

“人工智能是试图模仿人类智能的一组算法和智能。机器学习就是其中之一，深度学习是那些机器学习技术之一。”

简而言之，机器学习会馈入计算机数据并使用统计技术来帮助其“学习”如何逐步提高一项任务的质量，而无需为该任务进行专门的编程，从而消除了数百万行代码的需要。机器学习包括有监督的学习（使用标记的数据集）和无监督的学习（使用无标记的数据集）。

深度学习是一种机器学习，它通过受生物启发的神经网络架构来运行输入。神经网络包含许多隐藏层，可通过这些隐藏层来处理数据，从而使机器“深入”学习，建立连接并加权输入以获得最佳结果。

人工智能

对于许多AI研究人员来说，创造一种可以应用于任何任务的具有人类水平智能的机器是圣杯，但是寻求AGI却充满了困难。

寻找“在任何环境中学习和行动的通用算法”（Russel和Norvig 27）并不是什么新鲜事，但是时间并没有减轻从根本上创建具有全套认知能力的机器的难度。

长期以来，AGI一直是反乌托邦科幻小说的缪斯女神，其中超智能机器人压倒了人类，但专家们认为这不是我们很快就需要担心的事情。

人工智能的历史

智能机器人和人造生物最早出现在古希腊古代的神话中。亚里斯多德对三段论的发展以及对演绎推理的运用，是人类寻求了解自身智慧的关键时刻。尽管其根源已经很长很深，但是我们今天所想到的人工智能的历史却跨越了不到一个世纪的时间。以下是AI中一些最重要事件的快速浏览。

• 1943年

沃伦·麦卡洛（Warren McCullough）和沃尔特·皮茨（Walter Pitts）出版了“神经活动中固有的思想的逻辑演算”。本文提出了第一个用于构建神经网络的数学模型。

• 1949年

唐纳德·赫布（ Donald Hebb）在他的《行为的组织：一种神经心理学理论》一书中 提出了这样一种理论，即神经通路是根据经验创建的，并且神经元之间的联系越频繁，它们就会越牢固。Hebbian学习仍然是AI中的重要模型。

• 1950年

艾伦·图灵（Alan Turing）出版了《计算机械与智能》，提出了现在称为图灵测试的方法，该方法用于确定机器是否为智能计算机。

哈佛大学的学生Marvin Minsky和Dean Edmonds构建了第一台神经网络计算机SNARC。

克劳德·香农（Claude Shannon）发表论文“为象棋编程计算机”。

艾萨克·阿西莫夫（Isaac Asimov）出版了《机器人三定律》。

• 1952年

亚瑟·塞缪尔（Arthur Samuel）开发了一个自学程序来玩跳棋。

• 1954年

Georgetown-IBM机器翻译实验会自动将60个经过精心选择的俄语句子翻译成英语。

• 1956年

人工智能一词是在“达特茅斯人工智能夏季研究项目”中创造的。由约翰·麦卡锡（John McCarthy）领导的会议，定义了AI的范围和目标，被广泛认为是今天我们所知道的人工智能的诞生。

Allen Newell和Herbert Simon演示了第一个推理程序Logic Theorist（LT）。

• 1958年

约翰·麦卡锡（John McCarthy）开发了AI编程语言Lisp，并发表了论文《常识程序》。该论文提出假设的Advice Takeer，这是一个完整的AI系统，具有像人类一样有效地学习经验的能力。

• 1959年

Allen Newell，Herbert Simon和JC Shaw开发了通用问题解决器（GPS），该程序旨在模仿人类的问题解决方案。

赫伯特·盖伦特（Herbert Gelernter）开发了几何定理证明程序。

Arthur Samuel在IBM期间创造了术语“机器学习”。

约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Minsky）创立了MIT人工智能项目。

• 963年

约翰·麦卡锡（John McCarthy）在斯坦福开设AI实验室。

• 1966年

美国政府的自动语言处理咨询委员会（ALPAC）的报告详细介绍了机器翻译研究方面缺乏进展的情况，这是冷战时期的一项重大计划，并有望实现俄语的自动和即时翻译。ALPAC报告导致所有政府资助的机器翻译项目被取消。

• 1969年

在XX程序DENDRAL中开发了第一个成功的专家系统，并在斯坦福大学创建了用于诊断血液感染的MYCIN。

1972年

创建逻辑编程语言PROLOG。

• 1973年

英国政府发布的“ Lighthill报告”详细介绍了人工智能研究的失望之处，并导致对人工智能项目的资金大量削减。

• 1974-1980

对AI开发进度的不满导致DARPA大幅削减了学术补助金。结合早期的ALPAC报告和上一年的“ Lighthill报告”，人工智能资金枯竭，研究停滞。这个时期被称为“第一个AI冬季”。

• 1980

Digital Equipment Corporations开发了第一个成功的商业专家系统R1（也称为XCON）。设计用于配置新计算机系统的订单的R1引发了专家系统的投资热潮，这种热潮将持续十年之久，从而有效地结束了第一个“ AI Winter”。

• 1982年

日本国际贸易产业省启动了雄心勃勃的第五代计算机系统项目。FGCS的目标是开发类似超级计算机的性能和AI开发平台。

• 1983年

为了响应日本的FGCS，美国政府启动了战略计算计划，以提供DARPA资助的高级计算和人工智能研究。

• 1985年

公司每年在专家系统上的花费超过10亿美元，整个被称为Lisp机器市场的产业应运而生。像Symbolics和Lisp Machines Inc.这样的公司都制造专用计算机，以在AI编程语言Lisp上运行。

• 1987-1993年

随着计算技术的改进，更便宜的替代品应运而生，Lisp机器市场在1987年崩溃，迎来了“第二次AI冬季”。在此期间，专家系统被证明过于昂贵，无法维护和更新，最终失宠。

日本以未能实现十年前概述的宏伟目标为由，于1992年终止了FGCS项目。

DARPA在花费近10亿美元并且远远没有达到预期之后，于1993年结束了战略计算计划。

• 1991年

在海湾战争期间，美军部署了DART，这是一种自动化的后勤计划和调度工具。

• 1997年

IBM的Deep Blue击败了世界象棋冠军Gary Kasparov

• 2005年

自动驾驶汽车STANLEY赢得了DARPA大挑战赛。

美国军方开始投资自主机器人，例如Boston Dynamic的“ Big Dog”和iRobot的“ PackBot”。

• 2008年

Google在语音识别方面取得了突破，并在其iPhone应用程序中引入了该功能。

• 2011年

IBM的Watson在Jeopardy！上击败了竞争对手 。

• 2012年

Google Brain深度学习项目的创始人安德鲁·伍（Andrew Ng）使用深度学习算法为一个神经网络提供了1000万个YouTube视频作为训练集。神经网络学会了识别猫而不被告知猫是什么，从而开启了神经网络和深度学习资金的突破时代。

• 2014年

谷歌生产的第一款自动驾驶汽车通过了国家驾驶测试。

• 2016年

Google DeepMind的AlphaGo击败了世界冠军围棋选手Lee Sedol。古代中国游戏的复杂性被视为清除AI的主要障碍。