人工智能行業(yè)領(lǐng)域的許多人都提出了這樣一個(gè)問(wèn)題：機(jī)器什么時(shí)候會(huì)達(dá)到人類的智能水平？

比爾·蓋茨說(shuō)，“我們總是高估未來(lái)兩年將發(fā)生的變化，并低估未來(lái)十年將發(fā)生的變化?！?/p>

人工智能概念的產(chǎn)生

大約30年前，當(dāng)人工智能開(kāi)始出現(xiàn)時(shí)，幾乎不為人知，當(dāng)時(shí)很少有人聽(tīng)說(shuō)過(guò)人工智能。如今，無(wú)人駕駛汽車、機(jī)器人以及其他創(chuàng)新用途的人工智能已經(jīng)廣為人知。然而，人工智能這個(gè)概念并不是什么新鮮事物。事實(shí)上，“人工智能”這個(gè)術(shù)語(yǔ)最初是在1956年的達(dá)特茅斯會(huì)議上創(chuàng)造的，至今已有60多年的歷史。

人工智能的宣傳和炒作

早期幾年，由于對(duì)人工智能軟件工具和技術(shù)的重視，以及根據(jù)摩爾定律對(duì)硬件進(jìn)行了相應(yīng)的改進(jìn)，人工智能應(yīng)用程序的功能得到了適度的提高。

多年來(lái)，主要的人工智能模式如今已經(jīng)被稱為良好傳統(tǒng)人工智能（GOFAI）。這種人工智能的方法試圖通過(guò)符號(hào)推理來(lái)模仿人類的思考，這種技術(shù)使用符號(hào)來(lái)操縱類似于人類推理的邏輯模式。人工智能的早期階段主要是解決一般的技術(shù)問(wèn)題，這些技術(shù)源于數(shù)學(xué)。他們?cè)诙ɡ碜C明和檢查中記錄了早期的成功，并引起了人們很大的興趣。因此，人工智能的一些技術(shù)創(chuàng)始人進(jìn)行一些夸大的宣傳和預(yù)測(cè)。例如，在1961年，馬文?明斯基寫(xiě)道，“在我們有生之年，機(jī)器在智力方面可能超過(guò)我們?！贝送?，1963年創(chuàng)建斯坦福人工智能項(xiàng)目的約翰?麥卡錫表示，其目標(biāo)是在十年內(nèi)建立一個(gè)完全智能的機(jī)器。

這些預(yù)言就像當(dāng)時(shí)的其他預(yù)言一樣并沒(méi)有實(shí)現(xiàn)。解決一般問(wèn)題的方法很快就會(huì)失去動(dòng)力，因?yàn)檫@種通用性使得它們的實(shí)施變得不切實(shí)際。因此，始于20世紀(jì)80年代基于知識(shí)的系統(tǒng)或?qū)＜蚁到y(tǒng)是人工智能標(biāo)志性的另一個(gè)階段。這些是存儲(chǔ)人類領(lǐng)域特定知識(shí)的軟件程序，并試圖以人類專家相同的方式對(duì)其進(jìn)行推理。這些系統(tǒng)使用的相當(dāng)廣泛，其中一些非常成功，至今仍在使用。但他們的主要缺點(diǎn)是無(wú)法充分學(xué)習(xí) ，但這一缺點(diǎn)可以通過(guò)機(jī)器學(xué)習(xí)部分解決。

機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)

“機(jī)器學(xué)習(xí)”這個(gè)術(shù)語(yǔ)是指使機(jī)器能夠在沒(méi)有明確編程的情況下學(xué)習(xí)的方法。而人工智能的概念始于1959年，并不是什么新鮮事物。機(jī)器學(xué)習(xí)非常重要，但由于當(dāng)時(shí)沒(méi)有學(xué)習(xí)能力，使得人工智能的改進(jìn)受到嚴(yán)重限制，而人類具有學(xué)習(xí)新技能、新知識(shí)和實(shí)踐不斷改進(jìn)的能力。因此，學(xué)習(xí)與智能行為有著密不可分的聯(lián)系，機(jī)器學(xué)習(xí)是人工智能技術(shù)的一個(gè)分支。這個(gè)領(lǐng)域的研究活動(dòng)始于20世紀(jì)60年代，現(xiàn)在正在使用各種機(jī)器學(xué)習(xí)技術(shù)。

連接主義和人工神經(jīng)網(wǎng)絡(luò)

然而，連接主義或人工神經(jīng)網(wǎng)絡(luò)這種模式已經(jīng)成為人工智能技術(shù)主流，它試圖模仿人類大腦中生物神經(jīng)元的工作方式。實(shí)質(zhì)上，機(jī)器接受歷史數(shù)據(jù)的訓(xùn)練（或?qū)W習(xí)），然后可以用來(lái)預(yù)測(cè)新的數(shù)據(jù)和結(jié)果。與人工智能的符號(hào)不同，它們不會(huì)在解決問(wèn)題時(shí)使用明確的人類編程符號(hào)，而是通過(guò)調(diào)整神經(jīng)元中的數(shù)字權(quán)重進(jìn)行自我學(xué)習(xí)。

人工神經(jīng)網(wǎng)絡(luò)也不是新鮮事物。其概念最初是由McCulloch和Pitts在1943年提出的，他提出了一種人工神經(jīng)元模型，稱之為感知器。然而，在20世紀(jì)80年代人工神經(jīng)網(wǎng)絡(luò)開(kāi)始復(fù)蘇之前，它們幾乎已經(jīng)被忽略。早期應(yīng)用基于使用單層神經(jīng)元的感知器軟件。然而，使用多層或深度神經(jīng)網(wǎng)絡(luò)可以獲得更好的結(jié)果。更新的機(jī)器學(xué)習(xí)技術(shù)使用隱藏層來(lái)識(shí)別特定特征的人工神經(jīng)網(wǎng)絡(luò)。

隨著時(shí)間的推移，通過(guò)知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘，這種技術(shù)得到了改進(jìn)，并成功地應(yīng)用于商業(yè)，尤其是20世紀(jì)90年代的零售行業(yè)。通過(guò)技術(shù)的結(jié)合可以處理大量數(shù)據(jù)的硬件改進(jìn)、統(tǒng)計(jì)技術(shù)，以及滿足逐漸出現(xiàn)的全球互聯(lián)網(wǎng)和萬(wàn)維網(wǎng)的需求，使其成為可能。隨后使用的大部分?jǐn)?shù)據(jù)來(lái)自內(nèi)部數(shù)據(jù)源，例如企業(yè)數(shù)據(jù)庫(kù)、零售數(shù)據(jù)等。對(duì)這些數(shù)據(jù)的分析通常會(huì)提供對(duì)趨勢(shì)等方面的見(jiàn)解，使組織能夠改進(jìn)決策制定。

然而，現(xiàn)在許多人工神經(jīng)網(wǎng)絡(luò)通過(guò)零售和社交網(wǎng)站等眾多來(lái)源從網(wǎng)上獲取大量的訓(xùn)練數(shù)據(jù)。數(shù)據(jù)本身可以來(lái)自網(wǎng)絡(luò)上的異構(gòu)源，可以采用文本、圖表、照片、視頻、聲音文件等形式。這就是所謂的大數(shù)據(jù)。同樣，大數(shù)據(jù)這個(gè)術(shù)語(yǔ)并不新鮮，但其影響不容小覷。當(dāng)谷歌公司首席科學(xué)家Peter Norvig在谷歌時(shí)代精神（Zeitgeist）大會(huì)上被問(wèn)及谷歌公司成功的秘訣時(shí)。他回答說(shuō)：“我們并不比其他人有著更好的算法，我們只是擁有更多的數(shù)據(jù)。”

然而，上世紀(jì)90年代，社交網(wǎng)站如Twitter、Facebook等開(kāi)始興起。每天都有數(shù)百萬(wàn)張圖片在網(wǎng)上上傳下載。為了分析這些圖像，需要了解它們的內(nèi)容，但它們通常沒(méi)有標(biāo)簽，因?yàn)槠鋬?nèi)容是未知的。理解其內(nèi)容和識(shí)別圖像的需求催生了一個(gè)名為ImageNet的網(wǎng)站。在2009年推出時(shí)，它擁有一個(gè)包含1400萬(wàn)張圖像的數(shù)據(jù)庫(kù)。新的人工神經(jīng)網(wǎng)絡(luò)應(yīng)用程序可以在ImageNet網(wǎng)站上從這些圖像中訓(xùn)練自己，但這仍然容易出錯(cuò)。因此，該網(wǎng)站的創(chuàng)始人引入了一項(xiàng)名為ImageNet Challenge的技術(shù)競(jìng)賽，鼓勵(lì)研究可以識(shí)別數(shù)據(jù)集圖像中的對(duì)象的計(jì)算機(jī)算法，以最大限度地減少識(shí)別中的錯(cuò)誤。2012年，當(dāng)時(shí)在谷歌公司工作的一位名叫Alex Krizhevsky的研究員在這次比賽中取得了出色的成績(jī)，以超過(guò)10％的優(yōu)勢(shì)擊敗了所有對(duì)手。他推出的網(wǎng)絡(luò)名稱為AlexNet。這為走向“深度學(xué)習(xí)”的時(shí)代鋪平了道路。

面臨的挑戰(zhàn)

盡管深度學(xué)習(xí)取得了巨大的成功，但一些專家質(zhì)疑這種模式是否足以達(dá)到人類智能。例如，根據(jù)深度學(xué)習(xí)網(wǎng)絡(luò)的著名研究員Francois Chollet的說(shuō)法，“我們不可能僅僅通過(guò)擴(kuò)大當(dāng)今的深度學(xué)習(xí)技術(shù)來(lái)獲得通常的智能水平?！?/p>

這項(xiàng)技術(shù)還面臨其他挑戰(zhàn)。人工神經(jīng)網(wǎng)絡(luò)的一個(gè)缺點(diǎn)是，它們?cè)诮忉尯屯该鳑Q策推理方面嚴(yán)重不足，它們是一種黑盒結(jié)構(gòu)。這在諸如醫(yī)療診斷系統(tǒng)之類的應(yīng)用中尤其成為問(wèn)題，因?yàn)閺臉I(yè)者需要了解他們的決策過(guò)程。

出于這個(gè)原因，美國(guó)國(guó)防部負(fù)責(zé)研究新技術(shù)的高級(jí)研究計(jì)劃局（DARPA）對(duì)2016年8月啟動(dòng)的一項(xiàng)研究項(xiàng)目提供了資助。該計(jì)劃的目的是為一系列新項(xiàng)目提供資金，這些項(xiàng)目被稱為可解釋人工智能（XAI）。這些項(xiàng)目的目的是創(chuàng)建工具，使人工智能程序的用戶能夠理解該決策背后的原因。其中一些項(xiàng)目正在實(shí)施中，并在四年內(nèi)完成。

結(jié)論

鑒于人工智能的發(fā)展歷史還很短，有些人現(xiàn)在提出了一個(gè)問(wèn)題：現(xiàn)在是另一個(gè)炒作時(shí)期嗎？可能不是。與早期的人工智能不同，深度學(xué)習(xí)的商業(yè)利益如今無(wú)處不在。初創(chuàng)企業(yè)的投資和數(shù)量呈指數(shù)級(jí)增長(zhǎng)。這些應(yīng)用程序涵蓋機(jī)器人、醫(yī)學(xué)、教育、金融、自動(dòng)駕駛汽車以及各個(gè)行業(yè)領(lǐng)域。此外，這些人工智能應(yīng)用程序的智能水平與人類一樣出色，并且在某些情況下優(yōu)于人類。

其中包括國(guó)際象棋和圍棋等游戲、醫(yī)療保健應(yīng)用程序（例如英國(guó)國(guó)民保健系統(tǒng)部分使用的Babylon GP at Hand）、醫(yī)療聊天機(jī)器人、計(jì)算機(jī)視覺(jué)、對(duì)象識(shí)別、語(yǔ)音到文本轉(zhuǎn)換、語(yǔ)音識(shí)別，以及顯著改進(jìn)的機(jī)器人，這只是一小部分例子。這些應(yīng)用程序?qū)⑼ㄟ^(guò)更好的機(jī)器學(xué)習(xí)算法繼續(xù)改進(jìn)。

人工智能社區(qū)中的許多人提出了這樣一個(gè)問(wèn)題：“機(jī)器何時(shí)會(huì)達(dá)到人類一樣的智能水平 ？”無(wú)論其答案是什么，現(xiàn)在很少有人會(huì)質(zhì)疑人工智能對(duì)人們生活的影響，并將在未來(lái)影響越來(lái)越大， 而人工智能的發(fā)展將會(huì)越來(lái)越成熟。