如何通俗易懂的跟别人讲一下“人工智能”的发展历史？ - 好文

计算机之父、人工智能之父——图灵（Alan
Turing）提出：机器会思考吗？**如果一台机器能够与人类对话而不被辨别出其机器的身份，那么这台机器具有智能的特征。**同时，图灵还预言创造具有真正智能的机器的可能性。

<>AI诞生

在1956年达特茅斯学院举行的一次会议上，正式确立了人工智能为研究学科。

2006年达特茅斯会议当事人重聚，左起：Trenchard More、John McCarthy、Marvin Minsky、Oliver
Selfridge、Ray Solomonoff

<>第一次发展高潮（1955年—1974年）

达特茅斯会议之后是大发现的时代。对很多人来讲，这一阶段开发出来的程序堪称神奇：计算机可以解决代数应用题、证明几何定理、学习和使用英语。在众多研究当中，搜索式推理、自然语言、微世界在当时最具影响力。

<>当时成就

1.人工神经网络在30-50年代被提出，1951年Marvin Minsky制造出第一台神经网络机

2.贝尔曼公式（增强学习雏形）被提出

3.感知器（深度学习雏形）被提出

4.搜索式推理被提出

5.自然语言被提出

6.首次提出人工智能拥有模仿智能的特征，懂得使用语言，懂得形成抽象概念并解决人类现存问题

7.Arthur Samuel在五十年代中期和六十年代初开发的国际象棋程序，棋力已经可以挑战具有相当水平的业余爱好者

8.机器人SHAKEY项目受到了大力宣传，它能够对自己的行为进行“推理”；人们将其视作世界上第一台通用机器人

9.微世界的提出

<>存在的问题——第一次寒冬

研究学者认为具有完全智能的机器将在二十年内出现并给出了很多预言，如机器将能完成人能做到的一切工作、将制造出一台具有人类平均智能的机器。但很快就打脸了，AI遭遇到瓶颈。由于此前的过于乐观使人们期待过高，当AI研究人员的承诺无法兑现时，公众开始激烈批评AI研究人员，许多机构不断减少对人工智能研究的资助，直至停止拨款。

1.计算机运算能力遭遇瓶颈，无法解决指数型爆炸的复杂计算问题

2.常识和推理需要大量对世界的认识信息，计算机达不到“看懂”和“听懂”的地步

3.无法解决莫拉维克悖论

4.无法解决部分涉及自动规划的逻辑问题

5.神经网络研究学者遭遇冷落

说明：莫拉维克悖论：如果机器像数学天才一样下象棋，那么它能模仿婴儿学习又有多难呢？然而，事实证明这是相当难的。

<>第二次发展高潮（1980年—1987年）

**“专家系统”**的AI程序开始为全世界的公司所采纳，人工智能研究迎来了新一轮高潮。由于专家系统仅限于一个很小的领域，从而避免了常识问题。“知识处理”随之也成为了主流
AI 研究的焦点。

<>当时成就

1.专家系统的诞生

2.AI研究人员发现智能可能需要建立在对分门别类的大量知识的多种处理方法之上

3.BP算法实现了神经网络训练的突破，神经网络研究学者重新受到关注

4.AI研究人员首次提出：机器为了获得真正的智能，机器必须具有躯体，它需要有感知、移动、生存，与这个世界交互的能力。感知运动技能对于常识推理等高层次技能是至关重要的，
基于对事物的推理能力比抽象能力更为重要，这也促进了未来自然语言、机器视觉的发展。

<>存在的问题——第一次寒冬

AI硬件的市场需求突然下跌，专家系统虽然很有用，但它的应用领域过于狭窄，而且更新迭代和维护成本非常高。

当时主要问题：
1.受到台式机和“个人电脑”理念的冲击影响

2.商业机构对AI的追捧和冷落，使AI化为泡沫并破裂

3.计算机性能瓶颈仍无法突破

4.仍然缺乏海量数据训练机器

<>第三次发展高潮（1993年至今）

在摩尔定律下，计算机性能不断突破。云计算、大数据、机器学习、自然语言和机器视觉等领域发展迅速，人工智能迎来第三次高潮。

<>当时成就

1997年：IBM的国际象棋机器人深蓝战胜国际象棋世界冠军卡斯帕罗夫
2006年：
1.Geoffrey Hinton提出多层神经网络的深度学习算法
2.Eric Schmidt在搜索引擎大会提出“云计算”概念
2010年：
Sebastian Thrun领导的谷歌无人驾驶汽车曝光，创下了超过16万千米无事故的纪录
2013年：
深度学习算法在语音和视觉识别率获得突破性进展
2016年：
1.Google AlphaGo以比分4:1战胜围棋九段棋手李世石
2.Chatbots这个概念开始流行
3.Google发布为机器学习定制的第一代专用芯片TPU
4.Google发布语音助手Assistant

<>人工智能是什么？

在60年代，AI研究人员认为人工智能是一台通用机器人
，它拥有模仿智能的特征，懂得使用语言，懂得形成抽象概念，能够对自己的行为进行推理，它可以解决人类现存问题。由于理念、技术和数据的限制，人工智能在模式识别、信息表示、问题解决和自然语言处理等不同领域发展缓慢。

80年代，AI研究人员转移方向，认为人工智能对事物的推理能力比抽象能力更重要，机器为了获得真正的智能，
机器必须具有躯体，它需要感知、移动、生存，与这个世界交互。为了积累更多推理能力，AI研究人员开发出专家系统
，它能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。

1997年，IBM的超级计算机深蓝在国际象棋领域完胜整个人类代表卡斯帕罗夫；相隔20年，Google的AlphaGo在围棋领域完胜整个人类代表柯洁。划时代的事件使大部分AI研究人员确信人工智能的时代已经降临。

深蓝和AlphaGo在本质上有什么区别？简单点说，
深蓝的代码是研究人员编程的，知识和经验也是研究人员传授的，所以可以认为与卡斯帕罗夫对战的深蓝的背后还是人类，只不过它的运算能力比人类更强，更少失误
。而**AlphaGo的代码是自我更新的，知识和经验是自我训练出来的。**与深蓝不一样的是，AlphaGo拥有两颗大脑，一颗负责预测落子的最佳概率，一颗做整体的局面判断，通过两颗大脑的协同工作，它能够判断出未来几十步的胜率大小。所以与柯洁对战的AlphaGo的背后是通过十几万盘的海量训练后，拥有自主学习能力的人工智能系统。

人工智能目前有两个定义，分别为强人工智能和弱人工智能。

普通群众所遐想的人工智能属于强人工智能，它属于通用型机器人，也就是60年代AI研究人员提出的理念。它能够和人类一样对世界进行感知和交互，通过自我学习的方式对所有领域进行记忆、推理和解决问题。这样的强人工智能需要具备以下能力：
1）存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力
2）知识表示的能力，包括常识性知识的表示能力
3）规划能力
4）学习能力
5）使用自然语言进行交流沟通的能力
6）将上述能力整合起来实现既定目标的能力

这些能力在常人看来都很简单，因为自己都具备着；但由于技术的限制，计算机很难具备以上能力，这也是为什么现阶段人工智能很难达到常人思考的水平。

由于技术未成熟，现阶段的人工智能属于弱人工智能，还达不到大众所遐想的强人工智能。弱人工智能也称限制领域人工智能或应用型人工智能，指的是专注于且只能解决特定领域问题的人工智能，例如AlphaGo，它自身的数学模型只能解决围棋领域的问题，可以说它是一个非常狭小领域问题的专家系统，以及它很难扩展到稍微宽广一些的知识领域，例如如何通过一盘棋表达出自己的性格和灵魂。

弱人工智能和强人工智能在能力上存在着巨大鸿沟，弱人工智能想要进一步发展，必须具备以下能力：
1）跨领域推理
2）拥有抽象能力
3）“知其然，也知其所以然”
4）拥有常识
5）拥有审美能力
6）拥有自我意识和情感

<>程序员系统性学习人工智能课程

如果想了解和系统学习更多人工智能、机器学习理论和项目实践，CSDN学院中有一系列精品AI课，分为大课和小课，包含数学基础、Python基础、算法和企业级项目
等，适合并不同类型的人群，值得拥有！
CSDN学院⼤课链接：
https://edu.csdn.net/topic/ai30?utm_source=lqy
<https://edu.csdn.net/topic/ai30?utm_source=lqy>
CSDN学院⼩课链接：
https://edu.csdn.net/course/detail/6601?utm_source=lqy
<https://edu.csdn.net/course/detail/6601?utm_source=lqy>

热门工具换一换