人工智能简史

人工智能作为一个领域始于二十世纪中叶。最初，符号推理非常流行，也带来了一系列重要进展，例如专家系统——能够在某些有限问题的领域充当专家的计算机程序。然而，人们很快发现这种方法无法实现应用场景的大规模拓展。从专家那里提取知识，用计算机可读的形式表现出来，并保持知识库的准确性，是一项非常复杂的任务，而且因为成本太高，在很多情况下并不适用。这使得20世纪70年代出现了“人工智能寒冬”（[AI Winter](https://en.wikipedia.org/wiki/AI_winter)）。作者Dmitry Soshnikov随着时间的推移，计算资源变得越来越便宜，可用的数据也越来越多，神经网络方法开始在计算机视觉、语音理解等领域展现出可与人类相媲美的卓越性能。在过去十年中，“人工智能”一词大多被用作“神经网络”的同义词，因为我们听到的大多数人工智能的成功案例都是基于神经网络的方法。我们可以观察一下这些方法是如何变化的，例如，在创建国际象棋计算机对弈程序时：

|多行文本|描述|附件||-|-|-||1969年：经历低潮|1969年，Marvin Minsky和Seymour Papert在《感知器：计算几何学导论》一书中阐述了因为硬件的限制，只有几层的神经网络仅能执行最基本的计算，一下子浇灭了这条路线上研发的热情，AI领域迎来了第一次泡沫破灭。这些先驱们怎么也没想到，计算机的速度能够在随后的几十年里指数级增长，提升了上亿倍。|||1960-1970年代：早期专家系统|在这个时期，AI研究主要集中在符号主义，以逻辑推理为中心。此时的AI主要是基于规则的系统，比如早期的专家系统。|||1980年代：神经网络|当基于规则的系统弊端在1980年代变得明显时，人工智能研究开始关注机器学习，这是该学科的一个分支，采用统计方法让计算机从数据中学习。因此，神经网络是根据人脑的结构和操作创建和建模的。|||1997：深蓝赢得国际象棋比赛|IBM深蓝在1997年战胜了国际象棋冠军卡斯帕罗夫后，新的基于概率推论（Probabilistic Reasoning）思路开始被广泛应用在AI领域，随后IBM Watson的项目使用这种方法在电视游戏节目《Jeopardy》中经常击败参赛的人类。|||1990-2000年代：机器学习|在1990年代，AI研究在机器人技术、计算机视觉和自然语言处理等领域取得了显著进展。在21世纪初，深度学习的出现使得语音识别、图像识别和自然语言处理的进步成为可能——深度学习是机器学习的一个分支，它使用深度神经网络。||

|多行文本|描述|附件||-|-|-||2012年：深度学习兴起|Deep Learning是一种Machine Learning算法，它使用多层神经网络和反向传播（Backpropagation）技术来训练神经网络。该领域是几乎是由Geoffrey Hinton开创的，早在1986年，Hinton与他的同事一起发表了关于深度神经网络（DNNs-Deep Neural Networks）的开创性论文，这篇文章引入了反向传播的概念，这是一种调整权重的算法，每当你改变权重时，神经网络就会比以前更快接近正确的输出，可以轻松的实现多层的神经网络，突破了1966年Minsky写的感知器局限的魔咒。|||2012年：AlexNet赢得ImageNet挑战赛|AlexNet在ImageNet挑战赛上取得了突破性的成果，从而引发了深度学习的热潮。深度学习最重要的数据集之一，就是由李飞飞创建的ImageNet。曾任斯坦福大学人工智能实验室主任，同时也是谷歌云AI/ML首席科学家的李飞飞，早在2009年就看出数据对Machine Learning算法的发展至关重要，同年在计算机视觉和模式识别（CVPR）上发表了相关论文。|||2016年：AlphaGO战胜围棋世界冠军|DeepMind在2014年被Google以5.25亿美元收购的。它专注游戏算法，其使命是"解决智能问题"，然后用这种智能来"解决其他一切问题"。DeepMind的AlphaGo在2016年战胜了围棋世界冠军李世石。这是一个历史性的时刻，它标志着人工智能在围棋这个历史悠久且复杂度极高的游戏中超越了人类，对人类对于机器智能和未来可能性的理解产生了深远影响。||