人工智能发展的三个热潮

一纸荒年

随着AlphaGo和Master横扫棋坛，人工智能再次进入公众的视野。但追根溯源，人工智能并不是新鲜事物，早在1956年的达特茅斯会议被公认为是人工智能的起源。而50年后当年的会议者们重聚，看着照片中白发苍苍的人工智能开拓者与奠基者，不禁感慨万千。


20世纪50年代到60年代 第一次热潮：理论的革新
这是电子计算机刚刚诞生的时代，当时的计算机更多的被视为运算速度特别快的数学计算工具，图灵在思想上走到了所有研究者的最前沿，琢磨计算机是否能像人一样思考，即开始在理论高度思考“人工智能”的存在。
1950年10月，艾伦 图灵发表了一篇名为《计算机械和智能》的论文，提出了著名的图灵测试，影响深远，直到今天仍被计算机科学家乃至普罗大众所重视。以图灵测试为标志，数学证明系统，知识推理系统，专家系统等里程碑式的技术和应用在研究者中掀起了第一次热潮。
在当时，人们对人工智能普遍持过分乐观的态度，人们认为看到了几年内计算机通过图灵测试的希望曙光。然而受到计算机性能和算法理论的局限，接踵而来的失败似乎渐渐消灭了人们的热情，人工智能的热度迅速消退。
至2017年的今天，仍未有计算机真正意义上通过图灵测试。

20世纪80年代到90年代 第二次热潮：思维的转变
在第二次AI热潮中，语音识别是最具代表性的突破性进展之一，而这个突破依赖的是思维的转变。
过去的语音识别更多的是专家系统，即根据的是语言学的知识，总结出语音和英文音素，再把每个字打开成音节与音素，让计算机用人类学习语言的方式来学习语言。在研发过程中，计算机工程师与科学家围绕着语言学家进行工作。
而新的方法是基于数据的统计建模，抛弃了模仿人类思维方式总结思维规则的老路，研发过程中没有或极少语言学家的参与，更多的是计算机科学家与数学家的合作。
这其中的转变看似容易，其实面临着人类既有观念和经验的极大阻力。
最终，专家系统寿终正寝，基于数据统计模型的思想开始广泛传播。

事实证明，计算机的“思维”方法与人类的思维方法之间，似乎存在着非常微妙的差异，以至于在计算机科学的实践中，越是抛弃人类既有的经验知识，依赖于问题本身的数据特征，越是容易得到更好的结果。——李开复

2006年至今 第三次热潮：技术的融合
今天的人工智能研究中，深度学习无人不谈，无人不识。从知名的AlphaGo，到不那么知名但在2014年ImageNet竞赛中第一次超越人眼的图像识别算法，都是深度学习的产物。从根本上说，深度学习是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。但不为人所知的是，深度学习的历史几乎和人工智能一样长，只是一直默默无闻，直到它等到了时代的机遇。
首先，计算机的计算性能和处理能力大幅提高。符合摩尔定律而指数级增长的计算机性能最终跨过了门槛。
其次，互联网的蓬勃发展为搜索引擎等公司带来了高质量的大数据。并且正是因计算机性能的提高人们得以储存和利用这些数据。
可以说在第三次热潮中，深度学习+大规模计算+大数据=人工智能

看到这里，似乎三次热潮只是如同下图所示：在一次又一次的震荡中往复。




然而事实或许并非如此，可能我们已经走到了从量变到质变的风口。

这条曲线概括了绝大多数高新技术的发展历程。
我们很可能正处于第四个阶段。第三次热潮仍未结束。

第三次热潮有何不同？
对比：
前两次 ： 学术研究主导 市场宣传层面 学术界在劝说和游说政府和投资人投钱 更多的是提出问题
第三次 ： 商业需求主导 商业模式层面 投资人主动向热点领域的学术和创业项目投钱 更多的是解决问题

如今的人工智能可以说真正和产业相结合，走进了人们的日常生活当中。
搜索引擎的背后是以深度学习为基础的算法；
美图秀秀的背后是机器视觉和AI艺术的结合；
网络地图的背后是AI对大数据的挖掘和处理；
……

今天的人工智能，是有用的人工智能。 ——李开复《人工智能》

最后以维基百科使用的综合定义作结：AI就是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。

Miss_love

AI就是根据对环境的感知，做出合理的行动，并获得最大收益的计算机程序。