人工智能觉醒

思考的过程，能否由机器参与？

人类对人工智能的探索并不是独立于对计算机和互联网的研究，相反，这三者的发展存在一个并行的过程，三者之间相互促进、相辅相成。

人工智能的萌芽可以追溯到20世纪40年代，心理学家沃伦·麦卡洛克和沃尔特·皮茨首次提出人工神经元模型的概念，代表神经元接收和处理信息的机制，他们的理论奠定了神经网络基础。

而最为人所知的是图灵于1950年发表的论文《计算机器与智能》（Computing Machinary and Intelligence），对“机器能否思考”这个问题进行的阐述。文章对查尔斯·巴贝奇的差分机的理念进行了分析比较，认为巴贝奇的计算机理念属于机械式计算，而机器要代替人类必须要有电子计算机。图灵由此引入了电子计算机的概念，并将其分为三个部分：储存部分、执行单位和控制。在这篇论文中，图灵前瞻性地提出了“机器学习”（machines learning）的概念，这一理念在20世纪80年代得以延伸落地。

1956年美国科学家约翰·麦卡锡组织了达特茅斯会议，会议提出了“人工智能”的概念，至此AI正式走上历史舞台。此后AI技术发展进入了一个快车道，完全信息的对抗、机器定理证明和问题求解、模式识别、基于自然语言的人机对话等技术理念相继诞生。

世界上第一台具有一定对话能力的聊天机器人诞生于1966年，由麻省理工学院约瑟夫·维森鲍姆制作了一台名为“ELIZA”的机器人。ELIZA并不具备真正意义上的理解能力和分析能力，只是通过文本的拆解和重复，实现一定程度的“对话”，这和我们今天所谈的人机交互相距甚远。但对于人工智能的发展，这是一次重要的尝试，让人工智能以一种最直观、最具体的方式呈现出来，某种程度上也是图灵关于机器思考能力问题的延续，如果机器具备思考能力，那么它将如何体现出来呢？

20世纪60年代中叶，人工智能“专家系统”的概念被提出，它的核心方法论是模仿人类专家的知识和推理方式来进行决策。它包括两个部分——知识库和推理引擎，知识库是特定领域知识的合集，而推理引擎相当于它的思考模式。通过这种方式，能够对输入的内容进行分析、判断和解释。

80年代，人工智能的发展进入到了机器学习的阶段。美国计算机科学家汤姆·米歇尔在《机器学习》一书中对机器学习进行了定义：如果用变量P来衡量计算机程序在任务T当中的性能，该性能随着经验E的提升而增加，则称计算机程序从经验E中学习了任务T和衡量指标P，即学习过程Process＜P，T，E＞。这个时期，人们思考机器学习是什么以及它要做什么，这个过程可以划分为三个要素：模型、策略、算法。这三个要素对于人工智能整体都是至关重要的，模型是机器学习产出的函数，输入数据即得到结果，策略是学习的方式和最优选择的模型，算法是以历史数据为依托，寻找未知参数，形成最优解的模型。

经历了一段时间的发展后，人工智能从学术和技术角度逐步有了清晰的脉络，建立了相对清晰的技术和理论体系，包括深度学习、自然语言处理、计算机视觉、数据挖掘等。总体的思路就是让人工智能具备一些类人类的能力，比如视觉能力，人工智能能够“看见”物理世界中的场景，实现人脸识别、图像识别等功能；再如听觉能力和理解人类自然语言的能力、将输入的语音转化为文字的能力等。

20世纪90年代之后，人工智能发展的速度加快，同时一些实际应用场景也让人工智能进入了大众视野，使人们更加直观和深刻地感受到技术的进步。1997年IBM的机器人深蓝（Deep Blue）战胜了国际象棋冠军加里·卡斯帕罗夫。在深蓝的设计方案中，这是一个由两个2米高的立式机箱、500多个处理器和216个加速芯片组成的机器，能够预测对方棋手的基本走位和评估可能的结果，其能力可达每秒钟探索1亿种可能的棋位。虽然深蓝在赛后即退役，但这一事件第一次引发了普罗大众对人工智能的认知热潮。在后来的发展历程中，人工智能击败人类的戏份再次上演。比如，2016年谷歌的AlphaGo计算机程序在围棋比赛中击败了世界冠军李世石，2018年OpenAI的计算机程序OpenAI Five在Dota 2比赛中击败了人类顶尖玩家，并且平均天梯分数超过4200分。

2001年后的人工智能发展，呈现出全新的特点，这一时期互联网的快速发展带来了信息和数据量的指数级增长，从而为人工智能的快速发展提供了前所未有的良好条件。数据提供的信息就像植物生长所需的肥料，使其汲取养分后茁壮成长。那么，数据在人工智能的发展过程中扮演了什么样的角色呢？