人工智能行業(yè)領(lǐng)域的許多人都提出了這樣一個問題：機器什么時候會達(dá)到人類的智能水平？

比爾·蓋茨說，“我們總是高估未來兩年將發(fā)生的變化，并低估未來十年將發(fā)生的變化�！�

人工智能概念的產(chǎn)生

大約30年前，當(dāng)人工智能開始出現(xiàn)時，幾乎不為人知，當(dāng)時很少有人聽說過人工智能。如今，無人駕駛汽車、機器人以及其他創(chuàng)新用途的人工智能已經(jīng)廣為人知。然而，人工智能這個概念并不是什么新鮮事物。事實上，“人工智能”這個術(shù)語最初是在1956年的達(dá)特茅斯會議上創(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，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符號推理來模仿人類的思考，這種技術(shù)使用符號來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)問題，這些技術(shù)源于數(shù)學(xué)。他們在定理證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。例如，在1961年，馬文?明斯基寫道，“在我們有生之年，機器在智力方面可能超過我們�！贝送�，1963年創(chuàng)建斯坦福人工智能項目的約翰?麥卡錫表示，其目標(biāo)是在十年內(nèi)建立一個完全智能的機器。

這些預(yù)言就像當(dāng)時的其他預(yù)言一樣并沒有實現(xiàn)。解決一般問題的方法很快就會失去動力，因為這種通用性使得它們的實施變得不切實際。因此，始于20世紀(jì)80年代基于知識的系統(tǒng)或?qū)＜蚁到y(tǒng)是人工智能標(biāo)志性的另一個階段。這些是存儲人類領(lǐng)域特定知識的軟件程序，并試圖以人類專家相同的方式對其進(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。但他們的主要缺點是無法充分學(xué)習(xí) ，但這一缺點可以通過機器學(xué)習(xí)部分解決。

機器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)

“機器學(xué)習(xí)”這個術(shù)語是指使機器能夠在沒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。機器學(xué)習(xí)非常重要，但由于當(dāng)時沒有學(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、新知識和實踐不斷改進(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，機器學(xué)習(xí)是人工智能技術(shù)的一個分支。這個領(lǐng)域的研究活動始于20世紀(jì)60年代，現(xiàn)在正在使用各種機器學(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。實質(zhì)上，機器接受歷史數(shù)據(jù)的訓(xùn)練（或?qū)W習(xí)），然后可以用來預(yù)測新的數(shù)據(jù)和結(jié)果。與人工智能的符號不同，它們不會在解決問題時使用明確的人類編程符號，而是通過調(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。更新的機器學(xué)習(xí)技術(shù)使用隱藏層來識別特定特征的人工神經(jīng)網(wǎng)絡(luò)。

隨著時間的推移，通過知識發(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)計技術(shù)，以及滿足逐漸出現(xiàn)的全球互聯(lián)網(wǎng)和萬維網(wǎng)的需求，使其成為可能。隨后使用的大部分?jǐn)?shù)據(jù)來自內(nèi)部數(shù)據(jù)源，例如企業(yè)數(shù)據(jù)庫、零售數(shù)據(jù)等。對這些數(shù)據(jù)的分析通常會提供對趨勢等方面的見解，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)通過零售和社交網(wǎng)站等眾多來源從網(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)這個術(shù)語并不新鮮，但其影響不容小覷。當(dāng)谷歌公司首席科學(xué)家Peter Norvig在谷歌時代精神（Zeitgeist）大會上被問及谷歌公司成功的秘訣時。他回答說：“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等開始興起。每天都有數(shù)百萬張圖片在網(wǎng)上上傳下載。為了分析這些圖像，需要了解它們的內(nèi)容，但它們通常沒有標(biāo)簽，因為其內(nèi)容是未知的。理解其內(nèi)容和識別圖像的需求催生了一個名為ImageNet的網(wǎng)站。在2009年推出時，它擁有一個包含1400萬張圖像的數(shù)據(jù)庫。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。因此，該網(wǎng)站的創(chuàng)始人引入了一項名為ImageNet Challenge的技術(shù)競賽，鼓勵研究可以識別數(shù)據(jù)集圖像中的對象的計算機算法，以最大限度地減少識別中的錯誤。2012年，當(dāng)時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，以超過10％的優(yōu)勢擊敗了所有對手。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的說法，“我們不可能僅僅通過擴大當(dāng)今的深度學(xué)習(xí)技術(shù)來獲得通常的智能水平。”

這項技術(shù)還面臨其他挑戰(zhàn)。人工神經(jīng)網(wǎng)絡(luò)的一個缺點是，它們在解釋和透明決策推理方面嚴(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)用中尤其成為問題，因為從業(yè)者需要了解他們的決策過程。

出于這個原因，美國國防部負(fù)責(zé)研究新技術(shù)的高級研究計劃局（DARPA）對2016年8月啟動的一項研究項目提供了資助。該計劃的目的是為一系列新項目提供資金，這些項目被稱為可解釋人工智能（XAI）。這些項目的目的是創(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。其中一些項目正在實施中，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)在提出了一個問題：現(xiàn)在是另一個炒作時期嗎？可能不是。與早期的人工智能不同，深度學(xué)習(xí)的商業(yè)利益如今無處不在。初創(chuàng)企業(yè)的投資和數(shù)量呈指數(shù)級增長。這些應(yīng)用程序涵蓋機器人、醫(yī)學(xué)、教育、金融、自動駕駛汽車以及各個行業(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。

其中包括國際象棋和圍棋等游戲、醫(yī)療保健應(yīng)用程序（例如英國國民保健系統(tǒng)部分使用的Babylon GP at Hand）、醫(yī)療聊天機器人、計算機視覺、對象識別、語音到文本轉(zhuǎn)換、語音識別，以及顯著改進(jìn)的機器人，這只是一小部分例子。這些應(yīng)用程序?qū)⑼ㄟ^更好的機器學(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問題：“機器何時會達(dá)到人類一樣的智能水平 ？”無論其答案是什么，現(xiàn)在很少有人會質(zhì)疑人工智能對人們生活的影響，并將在未來影響越來越大， 而人工智能的發(fā)展將會越來越成熟。