雖然人工智慧(AI)是當今最受歡迎的話題之一，但人們普遍遺忘的一個事實是，它實際上誕生於1950年，並在1956年至1982年期間經歷了一個炒作週期。這篇文章的目的是強調在這個週期的繁榮階段所取得的一些成就，並解釋導致其蕭條期的原因。從這個宣傳週期中吸取的教訓不應該被忽視——它的成功形成了今天使用的機器學習演算法的原型，它的缺點指出了在有前景的研究和開發領域過度熱情的危險。

開創性的問題

雖然第一代計算機是在第二次世界大戰期間發展起來的，但似乎真正激發人工智慧領域的是艾倫·圖靈在1950年提出的一個問題:機器能模仿人類智慧嗎?在他的重要論文《計算機器與智慧》中，他設計了一款名為“模仿遊戲”的遊戲，其中一個人、一臺電腦和一個(人類)審訊者在三個不同的房間裡。審訊者的目標是通過問他們一系列問題和閱讀他們的打字回答來區分人類和計算機。計算機的目的是讓詢問者相信它是人。在1952年BBC的一次採訪中，圖靈建議，到2000年，在5分鐘的會議之後，一般的審訊人員只有不到70%的機率能

正確地識別出人類。

圖靈並不是唯一一個詢問機器是否能模擬智慧生命的人。1951年，馬文·明斯基(MarvinMinsky)，一名受早期神經科學研究啟發的研究生，他指出大腦是由一個神經網路組成的，它的神經網路由全或無脈衝的脈衝組成，試圖通過計算模型來模擬老鼠的行為。在與物理系研究生DeanEdmonds的合作下，他建立了第一個神經網路計算機。雖然原始(由大約300個真空管和馬達組成)，但它成功地模擬了老鼠在小迷宮中尋找食物的行為。

有可能創造出一臺智慧機器的想法確實是誘人的，並導致了後來的幾項發展。例如，ArthurSamuel在1952年建立了一個象棋程式，這是世界上第一個自學程式。後來，在1955年，Newell,Simon和Shaw建立了邏輯學家，這是第一個模仿人類解決問題能力的程式，並最終證明了在Whitehead和Russell的數學原理中，第一個52個定理中的38個。

繁榮時期的開始

在這些成功的鼓舞下，年輕的達特茅斯大學教授約翰·麥卡錫於1956年組織了一次會議，召集了20名先鋒研究人員，“探索製造一種能夠像人類一樣推理的機器，能夠抽象思考、解決問題和自我提高”。在他1955年提出的這個會議上，“人工智慧”這個詞被創造出來，在這個會議上，人工智慧獲得了它的願景、使命和宣傳。

研究人員很快就開始大膽地宣稱，強大的機器智慧已經開始了。許多人預計，像人類一樣聰明的機器將不會超過一代人的時間。

例如:

1958年，西蒙和紐維爾說，“十年之內，一臺數字計算機將成為世界象棋冠軍”，“十年之內，一臺數字計算機將發現並證明一個重要的新數學定理”。

在1961年，明斯基寫道，“在我們的有生之年，機器可能會在一般智力上超越我們”，1967年，他重申:“我相信，在一代人的時間內，很少有智力的空間會停留在機器的領域之外——創造‘人工智慧’的問題將會得到充分的解決”。

在我們的有生之年，機器可能會超越我們人的智慧——馬文·明斯基，1961。

人工智慧甚至引起了好萊塢的注意。1968年，阿瑟·克拉克和斯坦利·庫布裡克製作了電影《2001:太空漫遊》，他的對手是一臺人工智慧的電腦，HAL9000展示了創造力、幽默感和對威脅生存的人的陰謀。這是基於圖靈、明斯基、麥卡錫和其他許多人所持的信念，即這種機器將在2000年以前存在;事實上，明斯基曾擔任這部電影的顧問，其中一個角色維克多·卡明斯基(VictorKaminski)以他的名字命名。

人工智慧的子領域誕生了

1956年至1982年間，人工智慧在智慧領域的蓬勃發展，催生了人工智慧的幾個子領域。這一研究的大部分成果，導致了現代人工智慧理論的第一個原型。

基於規則的系統

基於規則的專家系統試圖通過執行一系列“if---else”規則來解決複雜的問題。這種系統的一個優點是，它們的指令(當程式看到“如果”或“else”時應該做什麼)是靈活的，可以由編碼器、使用者或程式本身修改。這類專家系統是由Feigenbaum和他的同事在上世紀70年代建立和使用的，其中許多是當今人工智慧系統的基礎模組。

機器學習

機器學習領域是由ArthurSamuel在1959年創造的，他說:“研究的領域使計算機能夠在不被明確程式設計的情況下學習”。機器學習是一個廣闊的領域，它的詳細解釋超出了本文的範圍。本系列的第二篇文章——參見第一頁的序言和——將簡要討論它的子欄位和應用程式。然而，下面我們給出一個機器學習程式的例子，稱為感知器網路。

機器學習是一門研究領域，它使計算機能夠在不被明確程式設計的情況下學習——亞瑟·塞繆爾，1959年。

單層和多層感知器網路

根據McCulloch和Pitts在1943年和Hebb在1949年的工作，Rosenblatt在1957年引入了感知器網路作為一個人工神經元的通訊模型。這個模型如圖5所示，可以簡單地描述如下。輸入變數被輸入的一層頂點連線到一個隱藏的頂點層(也稱為感知器)，它反過來連線到感知器的輸出層。一個訊號通過連線從輸入頂點到感知機在隱藏層中，通過與該連線相關的“重量”來校準，這個重量是在一個“學習過程”中分配的。從隱藏層感知器到輸出層感知器的訊號以類似的方式進行校準。就像人類神經元一樣，如果所有傳入訊號的總重量超過指定的電勢，感知器就會“觸發”。然而，與人類不同，這個模型中的訊號只傳輸到輸出層，這就是為什麼這些網路通常被稱為“前饋”。感知機網路只有一個隱藏的感知機層(即後來又被稱為“淺”人工神經網路。儘管淺層網路的能力有限，Rosenblatt成功地建立了一個單層感知器網路，他稱之為“建立的Mark1”，能夠識別基本的影象。

如今，人們的興奮之處在於“深層”(兩個或更多隱藏的層)神經網路，這些神經網路在20世紀60年代也被研究過。實際上，深度網路的第一個通用學習演算法可以追溯到1965年Ivakhnenko和Lapa的工作。Ivakhnenko在1971年曾考慮過深度為8層的網路，當時他還提供了一項訓練他們的技術。

自然語言處理(NLP)

1957年，喬姆斯基用通用語法改革了語言學，這是一種基於規則的理解語法的系統[21]。這形成了第一個模型，研究人員可以使用它在20世紀60年代建立成功的NLP系統，包括SHRDLU，一個使用小詞彙表的程式，並且能夠部分地理解特定領域的文字文件[22]。在20世紀70年代早期，研究人員開始編寫概念本體，即允許計算機解釋單詞、短語和概念之間的關係的資料結構;這些存在論現在廣泛應用於。

語音識別和語音處理

1952年，美國電話電報公司貝爾實驗室的三名研究人員首次提出了一種計算機是否能識別語音的問題，當時他們為單個揚聲器建立了一個獨立的數字識別系統。這個系統在20世紀60年代後期得到了極大的改進，當時Reddy建立了HearsayI，這個程式的準確性很低，但卻是第一個將大量的詞彙連續語音轉換成文字的程式。1975年，他的學生貝克和貝克建立了“龍”系統，通過使用隱馬爾可夫模型(HMM)進一步改進了HearsayI，這是一個統一的概率模型，允許他們組合各種來源，如聲學、語言和語法。今天，HMM仍然是一個有效的語音識別框架。

影象處理和計算機視覺

在1966年的夏天，明斯基在麻省理工學院僱傭了一名大一的本科生，並要求他解決以下問題:將一臺電視攝像機連線到一臺電腦上，然後讓機器描述它所看到的東西。其目的是從影象中提取出三維結構，從而使機器人的感覺系統能夠部分地模仿人類的視覺系統。20世紀70年代早期的計算機視覺研究為今天存在的許多演算法奠定了基礎，包括從影象中提取邊緣，標記線和圓圈，以及在視訊中估計運動。

商業應用

上述理論的進步導致了一些應用，其中大部分在當時的實踐中沒有被使用，但為以後的商業應用奠定了基礎。下面將討論其中的一些應用程式。

聊天機器人

1964年至1966年間，魏岑鮑姆創造了第一個“查特-波特”(chat-bot)，以ELIZADoolittle的名字命名，他在蕭伯納的小說《Pygmalion》(後來改編成電影《窈淑女》(MyFairLady))中被教導正確地說話。ELIZA可以進行對話，有時會欺騙使用者，讓他們相信他們是在和一個人交流，但是，碰巧的是，ELIZA只給出了通常無意義的標準回答。1972年晚些時候，醫學研究者Colby創造了一個“偏執的”聊天機器人PARRY，它也是一個無意識的程式。然而，在簡短的模仿遊戲中，精神科醫生無法區分帕裡和偏執的人類的漫談。

機器人

1954年，Devol建立了第一個可程式設計機器人Unimate，這是當時為數不多的商業化的人工智慧發明之一;它是通用汽車公司在1961年購買的。1972年，美國早稻田大學的研究人員在Unimate上取得了顯著的進步。1972年，他們建造了世界上第一個全尺寸智慧仿人機器人。雖然它幾乎是一個玩具，但它的肢體系統讓它可以行走和握著，以及用手運送物品;它的視覺系統(由它的人工眼睛和耳朵組成)允許它測量物體的距離和方向;而它的人工口腔使它可以用日語進行交談。這逐漸導致了機器視覺的創新性工作，包括創造可以疊加積木的機器人。

蕭條期和人工智慧冬季

儘管取得了一些成功，但到1975年，人工智慧專案基本上限於解決基本問題。事後來看，研究人員發現了兩種基本問題。

有限且昂貴的計算能力

1976年，世界上最快的超級計算機(它的成本超過了500萬美元)只能每秒執行大約1億次指令[34]。相比之下，Moravec1976年的研究表明，即使是人類視網膜上的邊緣匹配和運動檢測能力，也需要一臺計算機以10倍的速度執行這樣的指令。同樣地，人類有大約860億個神經元和1萬億突觸;使用中提供的資料進行的基本計算表明，建立一個這種規模的感知器網路將花費1.6萬億美元，在1974年消耗整個美國的GDP。

人類思想背後的祕密

科學家不瞭解人類大腦的功能，尤其不知道創造力、推理和幽默背後的神經機制。對於機器學習程式究竟應該試圖模仿什麼，缺乏理解，這對推動人工智慧理論的發展構成了重大障礙。事實上，在20世紀70年代，其他領域的科學家甚至開始質疑人工智慧研究人員提出的“模仿人類大腦”的概念。例如，一些人認為，如果符號對機器沒有“意義”，那麼機器就不能被描述為“思考”。

最終，先驅者們發現，他們嚴重低估了製造一臺能夠贏得模仿遊戲的人工智慧電腦的難度。例如，1969年，Minsky和Papert出版了這本書，感知機，它們指出了Rosenblatt的一個隱藏的層感知器的嚴重侷限性。這本書是人工智慧的創始人之一，同時也證明了感知器的不足，這本書在近十年的時間裡對神經網路的研究起到了嚴重的阻礙作用。

在接下來的幾年裡，其他研究人員開始分享明斯基對強大人工智慧初期的懷疑。例如，在1977年的一次會議上，一位更加謹慎的約翰·麥卡錫(JohnMcCarthy)指出，建立這樣一臺機器需要“概念上的突破”，因為“你想要的是1.7個愛因斯坦和0.3個曼哈頓計劃，而你首先要的是愛因斯坦。”我相信這需要5到500年的時間。

20世紀50年代的大肆宣傳使人們對這種大膽的高度產生了預期，當1973年的結果沒有實現時，美國和英國政府撤回了對AI的研究經費。雖然日本政府在1980年暫時提供了額外的資金，但在1980年代後期，它很快就幻滅了，並再次收回投資。這個半衰期(特別是在1974年到1982年之間)通常被稱為“人工智慧冬季”，因為當時人工智慧的研究幾乎完全停止了。事實上，在這段時間和隨後的幾年裡，“一些電腦科學家和軟體工程師會避免使用人工智慧這一術語，因為他們害怕被視為狂熱的夢想家”。

因為你想要的是1.7個愛因斯坦和0.3個曼哈頓計劃，你首先要的是愛因斯坦。我相信這需要五到五百年的時間——約翰麥卡錫，1977年。

在1974-1982年期間，普遍的態度是非常不幸的，因為在這一期間發生的少數重大進展基本上沒有引起注意，並作出了重大努力來重新創造它們。以下是兩項這樣的進展:

第一個是反向傳播技術，它通常用於有效地訓練神經網路，在它們的邊緣分配接近最優的權重。雖然它是由幾個獨立的研究人員(如Kelley,Bryson,Dreyfus,Ho)在20世紀60年代引入的，並在1970年由Linnainmaa實施，但它主要被忽略了。類似的，1974年的Werbos論文提出，這種技術可以有效地用於訓練神經網路，直到1982年，當蕭條期接近尾聲的時候才出版。1986年，Rumelhart、Hinton和Williams重新發現了這項技術，通過展示其實際意義使之普及。

第二種是遞迴神經網路(RNN)，它類似於Rosenblatt的感知器網路，它沒有前饋，因為它允許連線同時指向輸入和輸出層。在1974年，這種網路被認為是一種生物學上更精確的大腦模型。遺憾的是，直到1982年Hopfield普及了RNNs之後，RNNs才被發現，並進一步完善了它們。

結論

炒作週期的定義特徵是繁榮階段，當研究人員、開發商和投資者變得過於樂觀和巨大的增長髮生時，當投資被收回時，經濟增長就會大幅下降。從本文介紹的故事中，我們可以看到人工智慧在1956年和1982年經歷了這樣的一個週期。

從圖靈和明斯基的想象中誕生出一臺機器可以模仿智慧生命，艾艾則從1956年麥卡錫在達特茅斯大學組織的會議上獲得了它的名字、使命和宣傳。這標誌著人工智慧炒作週期的開始階段。從1956年到1973年，在人工智慧領域，包括基於規則的系統，發現了許多具有穿透性的理論和實際進展;淺層和深層神經網路;自然語言處理;語音處理;和影象識別。在此期間所取得的成就形成了當前人工智慧系統的初始原型。

在繁榮時期也發生了“非理性繁榮”。人工智慧的先驅們很快就對人工智慧機器的未來做出了誇張的預測。到1974年，這些預測沒有應驗，研究人員意識到他們的承諾被誇大了。到目前為止，投資者也開始懷疑並撤出資金。這導致了一個半衰期，也被稱為人工智慧冬季，當時人工智慧的研究進展緩慢，甚至“人工智慧”這個詞也被拒絕了。在這一時期的大多數發明，如反向傳播和反覆的神經網路，在很大程度上被忽視了，在隨後的幾十年裡花費了大量的精力去重新發現它們。

一般來說，炒作週期是雙刃劍，而AI在1956年到1982年之間的表現也不例外。必須注意的是:它的繁榮階段的成功應該被銘記和感激，但它的過度熱情至少應該被一些懷疑的眼光看待，以避免對蕭條階段的全面懲罰。然而，像大多數的炒作週期一樣，“萌芽”在上世紀80年代中期再次出現，在1983年和2010年，人工智慧研究逐漸復甦;我們將在下一篇文章中討論這些和相關的發展，“1983-2010年人工智慧的復甦”。

大資料週刊

郵箱:[email protected]

電話:010-57524293

眾論大資料 引領大時代

長按二維碼關注