人工智慧通識-AI發展簡史-講義全篇

摘要： 此前做過幾次公益講座，談論到一些人工智慧的歷史發展，這裡把主要內容整理成圖文分享給大家，希望有所幫助。 整篇文章比較長，圖也很多，可能需要10多分鐘才能看完。 也可以點這裡分節閱讀 image.png 很高興和大家一...

很高興和大家一起分享關於人工智慧的基礎常識性內容，今天我們來聊聊人工智慧的過去，從歷史的角度看看人工智慧的來龍去脈。

人工智慧的誕生，我們要從能夠計算的機器說起。

1000多年前的北宋時期，我國古代人民就發明算盤作為日常數學計算的工具，依靠人工手指撥動算珠進行加減乘除四則運算，算盤只是幫助人類記錄和顯示效果，不含有任何智慧成分。

大約200年前，英國數學家巴貝奇設計了第一臺能計算二次多項式的計算機器，叫做差分機，搖動圖中左側的手柄，就可以計算出x ² +a這樣式子的值。

由於時代限制，儘管巴貝奇消耗的資金足夠製造好幾艘軍艦，但他最終也沒完成差分機的製造。圖上展示的是後來依照巴貝奇的設計圖紙製造的。大家可以通過下面這個視訊感受一下。

差分機運作視訊

這個視訊大概是在計算4 ² +2,正確的話搖上十幾秒鐘就能得到18了。

雖然功能有限，但是這個機器第一次真正意義上減少了人類大腦的計算壓力，只要提供手搖動力就能實現計算。機械從此開始具有計算智慧。

真正奠定現代計算機理論基礎的是庫爾特.哥德爾，他正式提出可以把人類的全部認知歸結為無數條定理，並且這些定理都可以用數學的模式進行表示和邏輯推導。

馮.諾依曼被稱為現代計算機之父，。

他設計了經典的馮.諾依曼結構，就是將軟體命令和資料素材都存在一起，整個裝置由中央處理器，記憶體，硬碟，輸入介面，輸出裝置組合而成，程式命令按照順序執行，其次再考慮時間。

數十年一直到現在，我們的幾乎所有計算機、筆記本、智慧手機都是基於馮諾依曼結構製造和執行的。

圖中展示的是1945年製造的ENIAC，世界上第一臺通用電子計算機。由於命令仍然需要人工輸入和調整，所以經常為了計算某個問題，需要專門人員拔掉或接入上千個插口，圖中兩位淑女就是在做這個工作。1947年馮諾依曼率領團隊在此裝置的基礎上進行改造和升級，設計製造了真正意義上的現代電子計算機裝置MANIAC。

機器會思考嗎？阿蘭.圖靈在1950年發表的論文《計算機器與智慧》中第一行就提到這個問題。圖靈被稱為電腦科學之父，也是人工智慧科學之父。二戰期間，他的團隊在1943年研製成功了被叫做“巨人”的機器，用於破解德軍的密碼電報，這一貢獻讓二戰提前2年結束，挽救了數千萬人的生命。

圖靈富有傳奇的一生帶有很濃的悲劇色彩，他是世界上最知名的同性戀認識之一，其影響力甚至超過當今蘋果公司的CEO庫克。在當時時代這是不被社會所接受的，儘管圖靈為軍方做出了巨大貢獻，但最終還是被英國政府迫害而死，年僅42歲，當人們發現圖靈自殺死去的時候，他的桌上留有一個沾滿氰化鉀的毒蘋果。

為了紀念圖靈，1966年美國計算機協會設立了圖靈獎，這是當今計算機領域全世界最富盛名，最崇高的獎項。

很多人認為喬布斯當年設定的被咬了一口的蘋果標誌，就是紀念電腦科學先驅，艾倫.圖靈。

艾倫圖靈對後世最大的理論貢獻之一就是圖靈機。如圖中所示，盒子在帶有符號的軌道上行進，讀取軌道當前符號，然後根據盒子裡面的程式對當前符號和盒子裡的數字進行計算，得到新的數字並記錄到盒子裡，然後盒子就會根據這個數字前進或者後退，到達新的軌道位置後再次讀取軌道上的符號進行計算，以此類推。

粗糙的說，和我們平時玩的大富翁遊戲差不多，區別在於大富翁遊戲每次前進或者後退的判斷是我們人類根據紙上的規則判斷的，而圖靈機的盒子可以自己進行判斷，就彷彿具有智慧的生物一樣，可以自己不停的走下去，直到軌道上某個符號代表停止。

圖靈機至今仍然是計算機軟體程式的最基本架構，也是機器智慧的開端。

圖靈的另一個偉大理論貢獻是圖靈測試，至今仍然被當做人工智慧水平的重要測試標準之一。

圖靈測試是指，人們通過裝置和另外一個人進行聊天，可以是文字形式也可以是語音，這不重要。重要的是聊天之後，如果30%的人認為是在和一個真人聊天，而實際對方卻是個機器，那麼我們就認為這個機器通過了圖靈測試，它是具有智慧的。

以現在的計算機人工智慧技術來說，30%的比例定的有些低，近年來很多人工智慧對話程式都已經能夠通過圖靈測試。

上面介紹的內容可能有些枯燥，這裡推薦三部電影大家可以去觀看，第一本中文名叫做《隱藏人物》，展示了計算機技術被應用之前，美國宇航局如何利用大量人工計算來實現登月任務的。第二本是《模仿遊戲》，由奇異博士主演，精彩演繹了艾倫圖靈坎坷的一生。最後一本是法鯊主演的《喬布斯》，展現了蘋果公司歷史發展的精彩瞬間。

如果說人工智慧誕生需要三個條件，一是計算機，二是圖靈測試，那麼第三就是達特茅斯會議。

1956年，一群科學家聚會在美國漢諾思小鎮寧靜的達特茅斯學院，他們試圖利用暑假期間的兩個月進行封閉式的討論和研究，而這次會議的主題就是“達特茅斯夏季人工智慧研究計劃”。

這張圖片是會議之後半個世紀2006年拍攝的當年主要參會者的合影，最左邊的是特倫查德摩爾，數學家和電腦科學家，曾在IBM的沃森研究中心工作；

左數第二位是約翰麥卡錫，他是達特茅斯會議的發起人，1971年圖靈獎得主，Lisp語言創始人。

中間的是馬文閔斯基，知名的認知科學家，曾在1951年建立了第一個神經網路，模擬了40個神經元。

右數第二位是奧利弗賽弗裡奇，被稱為“機器感知之父”。

最右側的是雷所羅門諾夫，經驗概率理論的發明人。

雖然這個會議實際只進行了一個多月，也沒產生什麼具有影響力的研究成果，但是這個會議首次正式提出人工智慧一詞，Artificial Intelligence，AI，一直被沿用至今，所以此次會議也就被認為是人工智慧正式誕生的元年了。

達特茅斯會議之後，人工智慧研究進入了20年的黃金時代。

在美國，成立於1958年的國防高階研究計劃署對人工智慧領域進行了數百萬的投資，讓電腦科學家們自由的探索人工智慧技術新領域。

這個階段誕生了世界上第一個聊天程式ELIZA，它是由麻省理工學院的人工智慧學院在1964到1966年期間編寫的，能夠根據設定的規則，根據使用者的提問進行模式匹配，然後從預先編寫好的答案庫中選擇合適的回答。

這也是第一個嘗試通過圖靈測試的軟體程式，ELIZA曾模擬心理治療醫生和患者交談，在首次使用的時候就騙過了很多人。

“對話就是模式匹配”，這是計算機自然語言對話技術的開端。

1959年，計算機遊戲先驅亞瑟塞繆爾在IBM的首臺商用計算機IBM 701上編寫了西洋跳棋程式，這個程式順利戰勝了當時的西洋棋大師羅伯特尼賴。

西洋跳棋是個簡單的遊戲，棋子每次只能向斜對角方向移動，但如果斜對角有敵方棋子並且可以跳過去，那麼就把敵方這個棋子吃掉。

塞繆爾的跳棋程式會對所有可能跳法進行搜尋，並找到最佳方法。“推理就是搜尋”，是這個時期主要研究方向之一。

在日本，早稻田大學1967年啟動了WABOT專案，至1972年完成了第一代機器人產品WABOT-1，有雙手雙腳，有攝像頭視覺和聽覺裝置。

雖然這個機器人能夠搬東西也能移動雙腳，但每走一步要45秒，而且只能走10釐米，相當的笨重緩慢。

在這個黃金時代裡，約翰麥卡錫開發了LISP語音，成為以後幾十年來人工智慧領域最主要的程式語言；馬文閔斯基對神經網路有了更深入的研究，也發現了簡單神經網路的不足；多層神經網路、反向傳播演算法開始出現；專家系統也開始起步；第一臺工業機器人走上了通用汽車的生產線；也出現了第一個能夠自主動作的移動機器人。

經典科幻片《2001：太空漫遊》也在1968年上映，宇宙飛船搭載的人工智慧電腦HAL9000讓所有觀眾印象深刻。

“三到八年內，我們將建造出和人一樣智慧的機器”，“十年內，計算機將成為國際象棋冠軍”，“二十年內，機器將可以做任何人類工作”，這個時代，科學家們甚至整個世界都對人工智慧技術充滿樂觀的期望。

出生就遇到黃金時代的人工智慧，過度高估了科學技術的發展速度，太過樂觀的承諾無法按時兌現的時候，就引發了全世界對人工智慧技術的懷疑。

1973年，著名數學拉特希爾家向英國政府提交了一份關於人工智慧的研究報告，對當時的機器人技術、語言處理技術和影象識別技術進行了嚴厲的批評，尖銳的指出人工智慧那些看上去巨集偉的目標根本無法實現，研究已經完全失敗。此後，科學界對人工智慧進行了一輪深入的拷問，使AI的遭受到嚴厲的批評和對其實際價值的質疑。

隨後，各國政府和機構也停止或減少了資金投入，人工智慧在70年代陷入了第一次寒冬。

這次寒冬不是偶然的。在人工智慧的黃金時代，雖然創造了各種軟體程式或硬體機器人，但它們看起來都只是“玩具”，要邁進到實用的工業產品，科學家們確實一些遇到了不可戰勝的挑戰。

讓科學家們最頭痛的就是雖然很多難題理論上可以解決，看上去只是少量的規則和幾個很少的棋子，但帶來的計算量增加卻是驚人的增長，實際上根本無法解決。就像26個字母魔法般的組合成數萬個單詞，進而在不同語境下組合成無限種句子。比如執行某個有2的100次方個計算的程式，即使用現在很快的計算機也要計算數萬億年，這是不可想象的。

就像飛機需要有足夠的馬力才能從跑道上起飛，人工智慧也需要足夠的計算力才能真正發揮作用。當時有科學家計算得出，要用計算機模擬人類視網膜視覺至少需要執行10億次指令，而1976年世界最快的計算機Cray-1造價數百萬美元，但速度還不到1億次，普通電腦的計算速度還不到一百萬次。

五十年後，現在我們的筆記本或者手機能夠依賴攝像頭輕鬆實現人臉識別，這些裝置的運算速度其實都已經超過百億次，當然沒有壓力。

人工智慧還需要大量的人類經驗和真實世界的資料，要知道即使一個三歲嬰兒的智慧水平，也是觀看過數億張影象之後才形成的。由於當時計算機和網際網路都沒有普及，或者如此龐大資料是不可能的任務。

很多人工智慧科學家開始發現，數學推理、代數幾何這樣的人類智慧，計算機可以用很少的計算力輕鬆完成，而對於影象識別、聲音識別和自由運動這樣人類無須動腦，靠本能和直覺就能完成的事情，計算機卻需要巨大的運算量才可能實現。

這個論調一方面讓人懷疑早期神經網路演算法的有效性和實用性，另一方面也導致人工智慧技術向更加功利化、實用化方向發展，不再像黃金時代那樣充滿想象，充滿對模擬通用人類智慧的追求。

曾經一度被非常看好的神經網路技術，過分依賴於計算力和經驗資料量，因此長時期沒有取得實質性的進展，1969年馬文敏斯基與人合著的《感知器》一書，這本書闡明瞭神經網路現階段的真實能力，也表明之前很多過於樂觀的預測是難以實現的理論。儘管書中內容科學客觀，但也對神經網路技術產生了毀滅性的打擊，後續十年內幾乎沒人投入更進一步的研究。

當然，十年河東十年河西，數十年後，神經網路又已經成我們現在人工智慧的關鍵技術。

1979年，斯坦福大學制造了有史以來最早的無人駕駛車Stanford Cart，它依靠視覺感應器能夠在沒有人工干預的情況下，自主的穿過散亂扔著椅子的房間，雖然可能有點慢，需要幾個小時才能完成。

專家系統在這個時代的末尾出現，並開啟了下一個時代。

1978年，卡耐基梅隆大學開始開發一款能夠幫助顧客自動選配計算機配件的軟體程式XCON，並且在1980年真實投入工廠使用，這是個完善的專家系統，包含了設定好的超過2500條規則，在後續幾年處理了超過80000條訂單，準確度超過95%，每年節省超過2500萬美元。

1980年卡耐基梅隆大學（CMU）研發的XCON正式投入使用，這成為一個新時期的里程碑，專家系統開始在特定領域發揮威力，也帶動整個人工智慧技術進入了一個繁榮階段。

專家系統的起源可以追溯到黃金時代，1965年，在斯坦福大學，美國著名計算機學家費根鮑姆帶領學生開發了第一個專家系統Dendral，這個系統可以根據化學儀器的讀數自動鑑定化學成分。

費根鮑姆還是斯坦福大學認知實驗室的創始人，70年代在這裡還開發了另外一個用於血液病診斷的專家程式MYCIN（黴素），這可能是最早的醫療輔助系統軟體。

專家系統其實就是一套計算機軟體，它往往聚焦於單個專業領域，模擬人類專家回答問題或提供知識，幫助工作人員作出決策。它一方面需要人類專家整理和錄入龐大的知識庫（專家規則），另一方面需要電腦科學家編寫程式，設定如何根據提問進行推理找到答案，也就是推理引擎。

專家系統把自己限定在一個小的範圍，避免了通用人工智慧的各種難題，它充分利用現有專家的知識經驗，務實的解決人類特定工作領域需要的任務，它不是創造機器生命，而是製造更有用的活字典，好工具。

XCON取得的巨大商業成功，80年代三分之二的世界500強公司開始開發和部署各自領域的專家系統，據統計，在1980到1985這5年間，就有超過10億美元投入到人工智慧領域，大部分用於企業內的人工智慧部門,也湧現出很多人工智慧軟硬體公司。

計算機技術和人工智慧技術的快速發展，點燃了日本政府的熱情。1982年，日本國際貿易工業部發起了第五代計算機系統研究計劃，預計投入8.5億美元，目的是搶佔未來資訊科技的先機，創造具有劃時代意義的超級人工智慧計算機。

日本嘗試使用大規模多CUP平行計算來解決人工智慧計算力問題，並希望打造面向更大的人類知識庫的專家系統來實現更強的人工智慧。圖中展示的就是當時日本研發的具有512顆CPU平行計算能力的第五代計算機。

這個專案在十年後基本以失敗結束，主要是當時低估了PC計算機發展的速度，尤其是intel的x86晶片架構在很快的幾年內就發展到足以應付各個領域專家系統的需要。

然而，第五代計算機計劃極大的推進了日本工業資訊化程序，加速了日本工業的快速崛起；另一方面，這開創了平行計算的先河，至今我們使用的多核處理器和神經網路晶片，都受到了20多年前這個計劃的啟發。

當各個垂直領域的專家系統紛紛取得成功之後，尤其是日本試圖搶佔先機的第五代計算機計劃的刺激，美國和很多歐洲國家也加入到這個賽道中來。

1982年美國數十家大公司聯合成立微電子與計算機技術公司（MCC）,該公司1984發起了人工智慧歷史上最大也是最有爭議性的專案，Cyc，這個專案至今仍然在運作。

Cyc專案的目的是建造一個包含全人類全部知識的專家系統，“包含所有專家的專家”。截止2017年，它已經積累了超過150萬個概念資料和超過2000萬條常識規則，曾經在各個領域產生超過100個實際應用，它也被認為是當今最強人工智慧IMB Woston的前身。

但隨著科技的發展，21世紀到來之後，Cyc這種傳統依賴人類專家手工整理知識和規則的技術，受到了網路搜尋引擎技術、自然語言處理技術以及神經網路等新技術的挑戰，未來發展並不明朗。

沉寂10年之後，神經網路又有了新的研究進展，尤其是1982年英國科學家霍普菲爾德幾乎同時與傑弗裡·辛頓發現了具有學習能力的神經網路演算法，這使得神經網路一路發展，在後面的90年代開始商業化，被用於文字影象識別和語音識別。

圖中是霍普菲爾德。

另一邊，在德國的1986年，慕尼黑的聯邦國防軍大學把一輛梅賽德斯-賓士麵包車安裝上了計算機和各種感測器，實現了自動控制方向盤、油門和剎車。這是真正意義上的第一輛自動駕駛汽車，叫做VaMoRs，開起來時速超過80公里。

圖中看起來這輛車很笨重，這是由於當時硬體發展限制，整個車的後半部分都是用來安裝計算機裝置的，攝像頭在前玻璃後視鏡位置附近。

在1970年代，人工智慧技術的發展，對硬體計算和儲存都有著越來越高的要求。而在當時，全世界的計算機硬體結構和軟體系統都沒有統一的標準，各國政府和大企業都希望佔領先機掌握標準制定權。

人工智慧領域當時主要使用約翰麥卡錫的LISP程式語言，所以為了提高各種人工智慧程式的運輸效率，很過研究機構或公司都開始研發製造專門用來執行LISP程式的計算機晶片和儲存裝置，打造人工智慧專用的LISP機器。

這些機器可以比傳統計算機更加高效的執行專家系統或者其他人工智慧程式，上面專家系統配圖展示的就是一臺商用LISP機器。

雖然LISP機器逐漸取得進展，但同時80年代也正是個人電腦崛起的時間，IBM PC和蘋果電腦快速佔領整個計算機市場，它們的CPU頻率和速度穩步提升，越來越快，甚至變得比昂貴的LISP機器更強大。

直到1987年，專用LISP機器硬體銷售市場嚴重崩潰，人工智慧領域再一次進入寒冬。

專家系統最初取得的成功是有限的，它無法自我學習並更新知識庫和演算法，維護起來越來越麻煩，成本越來越高。以至於很多企業後來都放棄陳舊的專家系統或者升級到新的資訊處理方式。

80年代末，包括日本第五的計算機計劃在內的很多超前概念都註定失敗，原本科幻美好的人工智慧產品承諾都無法真正兌現。

人們開始對於專家系統和人工智慧的信任都產生了危機，一股強烈的聲音開始對當前人工智慧發展方向提出質疑，他們認為使用人類設定的規則進行程式設計，這種自上而下的方法是錯誤的。大象不玩象棋，但大象可以從現實中學會識別環境並作出判斷，人工智慧技術也應該擁有身體感知能力，從下而上才能實現真正的智慧。這種觀點是超前的，但也推動了後續神經網路技術的壯大和發展。

硬體市場的潰敗和理論研究的迷茫，加上各國政府和機構紛紛停止向人工智慧研究領域投入資金，導致了數年的低谷，但另一方面也取得了一些重要成就。

1988年，美國科學家朱迪亞·皮爾將概率統計方法引入人工智慧的推理過程中，這對後來人工智慧的發展起到了重大影響。

IBM的沃森研究中心把概率統計方法引入到人工智慧的語言處理中，Candide專案基於200多萬條語句實現了英語和法語之間的自動翻譯。同年，英國人工智慧科學家卡朋特開發了Jabberwacky聊天程式，嘗試更好的通過圖靈測試，至今這個程式的後續版cleverbot仍然很多人在使用。

1992年，當時在蘋果公司任職的華人李開復，他使用統計學的方法，設計開發了具有連續語音識別能力的助理程式，Casper，這也是二十年後Siri最早的原型。Casper可以實時識別語音命令並執行計算機辦公操作，類似於語音控制做word文件。

你可以點選這裡觀看視訊演示

1989年，AT＆T貝爾實驗室的雅恩·樂昆和團隊使用卷積神經網路技術，實現了人工智慧識別手寫的郵政編碼數字影象。

1993年，美國科幻小說作家弗諾·芬奇釋出了《即將到來的奇點》一文，三十年內我們將發明超越人類的智慧，人類社會將被終結。

弗諾·芬奇的奇點理論只會讓人感到不安。經歷過半個世紀風雨起伏的人工智慧行業，終於學會了低調行事。

在此後的近二十年，一方面人工智慧技術逐漸與計算機和軟體技術深入融合，為了讓自己的工作內容聽起來更切實而不科幻，很多研究者都不再使用人工智慧這個術語，而是叫做諸如資料分析、商業智慧、資訊化、知識系統、計算智慧等詞彙，研究成果或開發的功能往往也直接成為軟體工程的一部分。

另一方面，在這個階段，人工智慧演算法理論的進展並不多，很多研究者都只是基於以前時代的理論，依賴於更強大更快速的計算機硬體就可以取得突破性的成果。

1995年，理查德華萊士收到60年代聊天程式ELIZA的啟發，開發了新的聊天機器人程式Alice，它能夠利用網際網路不斷增加自身的資料集，優化內容。

雖然Alice也並不能真的通過圖靈測試，但它的設計思想影響深遠，2013年奧斯卡獲獎影片《her（她）》就是以Alice為原型創作的。

90年代最具轟動的莫過於1997年，IMB的計算機深藍Deep blue戰勝了人類世界象棋冠軍卡斯帕羅夫。

實際上，在1996年，深藍就曾經與卡斯帕羅夫對戰，但並沒有取勝，還受到卡斯帕羅夫的嘲笑，它認為計算機下棋缺乏悟性，永遠不會戰勝人類。

1996年失敗之後，IBM對深藍進行了升級，它擁有480塊專用的CPU，運算速度翻倍，每秒可以預測2億次，可以預測未來八步或更多的棋局。這種情況下人類冠軍只能惜敗。

戰後，卡斯帕羅夫表示深藍有時可以“像上帝一樣思考”。雖然這次世紀之戰只是計算機依賴速度和蠻力，在規則明確、條件透明的遊戲中才能取得的勝利。

1997年，兩位德國科學霍克賴特和施米德赫伯 提出了長期短期記憶（LSTM） 這是一種今天仍用於手寫識別和語音識別的遞迴神經網路，對後來人工智慧的研究有著深遠影響。

1998年，美國公司創造了第一個寵物機器人Furby。

而熱衷於機器人技術的日本，2000年，本田公司釋出了機器人產品ASIMO，經過十多年的升級改進，目前已經是全世界最先進的機器人之一。

點選這裡觀看阿西莫精彩視訊

2001年，由斯皮爾伯格導演的電影《AI》上映，影片描述了未來人與機器人共生世界的種種悖論，人工智慧一度引發社會關注，但關於技術的主題很快就被淡忘，數年後的觀眾只記得關於人性、關於愛與被愛的悲情故事。

家用機器人一直是人們關注的重點，1996年美國公司伊萊克斯推出了第一款機吸塵器機器人，也就是現在大家在使用的掃地機器人，但由於產品缺陷很多很快以失敗告終。

2002年，美國先進的機器人技術公司iRobot面向市場推出了Roomba掃地機器人，大獲成功。iRobot至今仍然是掃地機器最好品牌之一。

2004年，美國神經科學家傑夫·霍金斯出版了《人工智慧的未來》一書，深入討論了全新的大腦記憶預測理論，指出了依照此理論如何去建造真正的智慧機器，這本書對後來神經科學的深入研究產生了深刻的影響。

2006年，傑弗裡辛頓出版了《Learning Multiple Layers of Representation》奠定了後來神經網路的全新的架構，至今仍然是人工智慧深度學習的核心技術。

2007年，在斯坦福任教的華裔科學家李飛飛，發起建立了ImageNet專案。

為了向人工智慧研究機構提供足夠數量可靠地影象資料，ImageNet號召民眾上傳影象並標註影象內容。

ImageNet目前已經包含了1400萬張圖片資料，超過2萬個類別。

自2010年開始，ImageNet每年舉行大規模視覺識別挑戰賽，全球開發者和研究機構都會參與貢獻最好的人工智慧影象識別演算法進行評比。尤其是2012年由多倫多大學在挑戰賽上設計的深度卷積神經網路演算法，被業內認為是深度學習革命的開始。

華裔科學家吳恩達及其團隊在2009年開始研究使用圖形處理器（GPU而不是CPU）進行大規模無監督式機器學習工作，嘗試讓人工智慧程式完全自主的識別圖形中的內容。

2012年，吳恩達取得了驚人的成就，向世人展示了一個超強的神經網路，它能夠在自主觀看數千萬張圖片之後，識別那些包含有小貓的影象內容。這是歷史上在沒有人工干預下，機器自主強化學習的里程碑式事件。

在人工智慧技術的發展歷史上，美國軍方的身影一致若隱若現，曾經在寒冬期放棄人工智慧戰略的DARPA，早已再次加入行業戰場。

2004年開始，DARPA連續組織了多場自動駕駛汽車技術挑戰賽，試圖探索利用人工智慧實現更強的軍事自動化，而到2012年後，DARPA挑戰賽又轉向機器人領域，希望在未來通過機器人技術提高作戰效率。

2009年，谷歌開始祕密測試無人駕駛汽車技術；至2014年，谷歌就成為第一個在通過美國州自駕車測試的公司。

2011年，又是IBM，這次是人類的常識智力問答，在綜藝競答類節目《危險邊緣》中，IBM的沃森系統與真人一起搶答競猜，雖然沃森的語言理解能力也鬧出了一些小笑話，但憑藉其強大的知識庫仍然最後戰勝了兩位人類冠軍而獲勝。

世紀之交的二十年中，人工智慧技術與計算機軟體技術深度整合，也滲透到幾乎所有的產業中去發揮作用，同時，人工智慧技術也越來越注重數學，注重科學，逐步走向成熟。

在21世紀第一個十年之前，對於簡單的人類感知和本能，人工智慧技術一直處於落後或追趕，而到2011年，在影象識別領域或常識問答比賽上，人工智慧都開始表現出超過人類的水平，新的十年將會是人工智慧在各個專業領域取得突破的時代。

2008以後，隨著移動網際網路技術、雲端計算技術的爆發，積累了歷史上超乎想象的資料量，這為人工智慧的後續發展提供了足夠的素材和動力。

AI人工智慧，Big data大資料，Cloud雲端計算，以及正在深入展開的IoT物聯網技術，共同構成了21世紀第二個十年的技術主旋律。

2014年，伊恩·古德費羅提出GANs生成對抗網路演算法，這是一種用於無監督學習的人工智慧演算法，這種演算法由生成網路和評估網路構成，以左右互搏的方式提升最終效果，這種方法很快被人工智慧很多技術領域採用。

2016年和2017年，谷歌發起了兩場轟動世界的圍棋人機之戰，其人工智慧程式AlphaGo連續戰勝曾經的圍棋世界冠軍韓國李世石，以及現任的圍棋世界冠軍中國的柯潔。

曾經的宿敵，人類頂級圍棋智慧的代表，如今已紛紛敗在計算機高速的計算能力和優秀的人工智慧演算法之下。

“AlphaGo對我來說，是上帝般的存在。”柯潔賽後如此評價，“對於AlphaGo的自我進步速度來說，人類的存在很多餘。”

AlphaGo背後是谷歌收購不久的英國公司Deep Mind，專注於人工智慧和深度學習技術，目前該公司的技術不僅用於圍棋比賽，更主要用於谷歌的搜尋引擎、廣告演算法以及視訊、郵箱等產品。人工智慧技術已經成為谷歌的重要支撐技術之一。

谷歌2013年還曾收購了世界頂級機器人技術公司，波士頓動力學公司，2017年又出售給日本軟銀公司。

波士頓動力學崛起於美國國防部的DARPA大賽，其生產的雙足機器人和四足機器狗具有超強的環境適應能力和未知情況下的行動能力。

影象識別技術正逐漸從成熟走向深入。從日常的人臉識別到照片中的各種物件識別，從手機的人臉解鎖到AR空間成像技術，以及圖片、視訊的語義提取等等，機器視覺還有很長的路要走，也還有巨大的潛力等待挖掘。

2010年亞馬遜公司就開始研發語音控制的智慧音箱，2014年正式釋出了產品Echo，這是一款可以通過語音控制家庭電器和提供資訊資訊的音箱產品。

隨後谷歌、蘋果都推出類似產品，國內廠商如阿里、小米、百度、騰訊等也都紛紛效仿，一時間智慧音箱產品遍地開花，都試圖搶佔使用者家庭客廳的入口。

智慧音箱的背後技術是語音助手，而目前最強技術都掌握在微軟、谷歌、亞馬遜、蘋果和三星等幾個巨頭手中。

目前來看，常規語音識別技術已經比較成熟，發音技術有待完善。而真正的語義理解技術還都處於比較初級的階段，對於鬆散自由的口語表述，語音助手往往無法獲得重點，更無法正確回答。

2018年，谷歌釋出了語音助手的升級版演示，展示了語音助手自動電話呼叫並完成主人任務的場景。其中包含了多輪對話、語音全雙工等新技術，這可能預示著新一輪自然語言處理和語義理解技術的到來。

點這裡觀看2018谷歌語音助手演示視訊

人工智慧經歷了半個多世紀的發展歷程，湧現出了眾多影響深遠的技術、學者、公司和產品。

我們參照維基百科，把整個人工智慧的歷史分為七個時期。

1965年達特茅斯會議之前，第二次世界大戰促科學技術的快速發展，圖靈、哥德爾、馮諾依曼、克勞德夏農等偉大的先驅者奠定了人工智慧和計算機技術的基礎。

達特茅斯會議之後，人工智慧相關研究進入了野蠻生長的黃金時代。一方面，馬文閔斯基建立了沿用至今的神經網路的基本演算法結構；約翰麥卡錫釋出了主導人工智慧研究幾十年的LISP語言；亞瑟塞繆爾開發了第一個可以戰勝人類的西洋跳棋程式；這些對後世都產生了關鍵性影響。另一方面，麻省理工開發了世界第一個聊天機器人ELIZA，還出現了第一個自主運動的機器人shakey，他們試圖製造具有通用智慧和移動能力的產品，這些瘋狂的想法也推高了整個社會對AI的期望和幻想。

十多年過去之後，當人們發現人工智慧曾經的那些美好承諾都沒能兌現，或者實際產品和預期相差太多的時候，就會產生質疑甚至憤怒。1973年萊特希爾報告成為了導火索事件，人們開始認為人工智慧技術只是科學家和科幻小說家們描繪的海市蜃樓，並不會產生實際的作用。社會輿論的否定和支援資金的撤離，讓人工智慧行業陷入第一個寒冬。

寒冬並沒有讓所有研究者止步，只是更努力的尋找如何讓人工智慧創造實用價值的方法。70年代末80年代初，專注小範圍知識領域的專家系統開始崛起並創造了巨大價值，這引發了工業自動化資訊化技術革命。日本發起了第五代計算機計劃，其他國家也紛紛加入這場競賽，資金和資源再一次湧入人工智慧領域，80年代再次成為繁榮發展時期。

但好景不長。人工智慧領域的瘋狂投入讓這個行業產生了冒進，尤其是人工智慧專用硬體LISP機器的發展顯得混亂且緩慢。計算機領域不進則退，IBM、蘋果在這個時機發起了個人計算機革命，笨重的LISP機器在短短几年內就被完全擊潰。整個行業似乎都被將被顛覆，這是一個沉痛又短暫的寒冬期。

通用計算機裝置的勝利，讓傳統的人工智慧程式技術逐漸被埋葬，但也讓人工智慧真正開始和現代計算機技術進行深入融合。在世紀相交的二十年內，人工智慧技術似乎沉睡隱身了，除了1997年IMB炒作的國際象棋人機大戰之外，幾乎很少聽到AI的聲音。然而這也正是人工智慧韜光養晦低調發展的時代，它利用計算機和網際網路的發展機遇，變身商業智慧、資料分析、資訊化、自動化、知識工程等名稱，滲透到社會生產和生活的每個角落。

計算機和網際網路一方面為人工智慧提供了創造商業價值的載體，讓AI技術研究可以穩步推進，另一方面也為人工智慧的爆發積累了強大的運算力和經驗資料。晶片技術、資料庫技術以及神經網路演算法的不斷髮展，讓人工智慧在越來越多賽事上創造奇蹟，甚至超越人類。2011年沃森在自然語言常識問答比賽中戰勝人類選手，DARPA挑戰賽無人駕駛汽車時速可以達到80公里以上，ImageNet挑戰賽上影象識別演算法準確度超越人類，同年吳恩達創造了具有完全自學習能力可以識別貓的神經網路模型...

21世紀第二個十年，隨著移動互聯、大資料、雲端計算、物聯網技術的迸發，人工智慧技術也邁入了新的融合時代，從AlphaGo戰勝李世石，到微軟語音識別技術超越人類，到谷歌自動駕駛、波士頓動力學機器人，到滿布市場的智慧音箱，到每個人手機中的神經網路晶片和智慧程式，人工智慧從無形發展到有形的陪伴每個人的生產生活，半個多世紀前科學家曾經描繪的美好圖景正在一步一步被人工智慧技術所實現。

未來已來，AI已在。

人工智慧通識文章索引

每個人的智慧決策新時代

如果您發現文章錯誤，請不吝留言指正；

如果您覺得有用，請點喜歡；

如果您覺得很有用，歡迎轉載~

END