摘要： 本文是WIRED博客网站给出的一份人工智能完全智能，首先回顾人工智能发展历程，并着重介绍了几个大的科技里程碑；之后对人工智能的未来进行了简单的预测，并简单介绍了人工智能的相关知识。
盼望着、盼望着，人工智能时代终于到来。在一定程度上，人工智能被过度炒作。
智能算法并没有打算接管人类所有的工作，而只是让软件变得更聪明了些，这也导致我们日常生活中变得更加智能化，比如通过人脸识别解锁、语言识别完成某些指令等。
科技公司在人工智能领域中的大量投资已经改变了我们的生活，并为更智能化的未来打下基础。
目前，人工智能的所有繁荣都是通过在机器学习领域的突破而导致的。机器学习是基于相应的训练样本“训练”计算机来完成对应的任务，而不是依靠程序员的所编写的程序。“深度学习”技术使得机器学习这种方法变得更加强大，在2016年，世界围棋冠军李世石被AlphaGo软件横扫。
对于大多数人来说，人工智能提升最明显的结果就是整洁的新设备，比如智能语音助手等，并且人工智能也准备在其它领域大展拳脚，其中之一就是医疗保健领域。印度的一些医院正在测试一种能够检查糖尿病视网膜病变的软件，糖尿病患者视网膜病变这种情况常常被诊断得太迟，无法防止患者丧失视力。机器学习对于自动驾驶而言显得至关重要，因为它可以让车辆自主分析周围的环境。
有证据表明人工智能能使人类更加快乐、健康，但也有理由需要慎重发展，比如一些涉及种族或性别上的算法会导致社会偏见事情的发生。这也表明，逐渐变强的人工智能未来不会自动带给人工智能更好的前景，需要相关学者加以规范。
人工智能的起源
人工智能最早开始于一个假期项目，约翰·麦卡锡（John McCarthy）教授于1956年创造了人工智能这一名词。当时，他邀请一个小团队花费几个星期思考如何让机器做一些像使用语言的事情。他对类人级机器的突破寄予厚望，他与相关研究者们共同写道：“如果精心挑选一组科学家一起研究一个夏天，我们认为可以取得比较大的进展”。
这些愿望最终没有得到满足，麦卡锡教授最终承认他对当时情况过于乐观。但是，这个研讨会帮助研究者将智能机器融合到一个适当的学术领域。
早期的工作往往集中在解决相当抽象的数学和逻辑问题，但是不久之后，人工智能开始在更多人工任务上展示出强大的性能。在20世纪50年代后期，阿瑟·萨缪尔（Arthur Samuel）开发出第一个计算机跳棋程序，它是第一个可以自己学习的程序。在1967年，“专家系统”程序可以复制化学家解释化学样本组成的质谱数据的方式。
随着人工智能领域的快速发展，不同的制作智能机器方法也随之发展起来。一些研究人员试图将人类知识提炼成代码，或者为类似于语言理解等任务制定相应的规则。其它的一些研究人员受到学习对人类和动物智力重要性的启发，他们建立了一个可以在一段时间内能更好地完成任务的系统，这些系统是通过建模或者是从样本数据中学习得到。
深度学习是目前人工智能爆发的导火索，其本质上是一个老想法的复兴——深层神经网络。这项技术通过模拟人类大脑的工作原理来传递数据，这也被称作人工神经网络。作为一个网络，需要处理数据集、调整神经元与神经元之间连接的权值参数以建立能解释将来数据的能力。
人工神经网络是在Dartmouth workshop研讨会后不久就变成人工智能领域中的一个理念。但神经网络之后不再受到研究者们的青睐，这是受到1969年麻省理工学院的人工智能之父马文·明斯基（Marvin Minsky）的作品影响，他表明人工神经网络的能力不会很强大。
不是每个研究者都放弃了神经网络这方面的研究，一些研究者潜心研究神经网络数十年。在2012年的一天，他们终于取得重大突破，其一系列实验表明，神经网络以大量的数据和高性能的计算机为动力，给机器带来新的感知能力。
其中一个来自多伦多大学提出的算法获得了ImageNet挑战赛的第一名，远远超过第二名。另外，来自IBM、微软和谷歌团队的研究者出版了一些结果，并表明深度学习在语言识别任务上能够很大程度提升识别精度，科技公司也开始高薪聘请他们能够找到的深度学习专家。
人工智能发展大事记
1956年，关于人工智能的达特茅斯学院夏天研究任务创造了一个新的研究领域，即让软件变得像人一样聪明。
1965年，麻省理工学院的约瑟夫·魏泽鲍姆（Joseph weizebaum）创造了第一个聊天机器人Eliza，其造型像一个心理学家。
1975年，斯坦福大学开发的程序Meta-Dendral第一次使用计算机解释化学分析，得到的结果已刊登在一本杂志上。
1987年，德国工程师Ernst Dickmanns在一辆货车上安装两个相机和一堆电脑驱动器，使其沿着高速公路以超过55km/h的速度自动驾驶了20多公里。
1997年，IBM的深蓝计算机击败国际象棋世界冠军Garry Kasparov。
2004年，DARPA超级挑战赛在莫哈韦沙漠举行，催生了自动驾驶汽车行业。
2012年，深度学习领域的研究员们通过展示其想法，激发了新公司对人工智能的兴趣，进而使得语言和图像识别变得更加准确。
2016年，由谷歌公司团队DeepMind创造的AlphaGo击败了围棋世界冠军。
人工智能的未来
即使人工智能的发展在明天停止，那也不要指望停止听到它是如何改变世界的声音。像微软、微软等大公司已经积累了大量的人工智能天才以及令人印象深刻的计算机组，这支撑着他们的核心业务，比如定位广告或推荐购买等。
这些高科技大公司也尝试通过邀请其它人在他们的网络上运行人工智能项目来赚钱，这将有助于推动诸如卫生保健或国家安全等领域的发展。对于人工智能硬件的改进、机器学习培训课程以及机器学习开源项目的增加也将加速人工智能在其它行业的传播与影响。
与此同时，消费者可以期待更多与人工智能相关的小工具和服务。谷歌和亚马逊尤其强调，机器学习算法的提升将使得其虚拟助手和智能音箱更加强大。例如，亚马逊有装着摄像头的设备来观察其主人和其主人的周围环境。
人工智能商业上的可能性使得成为一名人工智能研究员是个好时机，研究如何制造更聪明的机器实验室的资金也比以往任何时候更充足，也有大量的项目可做。尽管人工智能最近取得了一些进展，但仍然有许多事情是机器不能做的，比如理解语言的细微差别、常识推理、从一个或两个例子中学习新技能等，人工智能软件需要掌握完成上述任务的能力。深度学习之父Hinton认为，在这些重大挑战上取得进展将需要重新考虑该领域的一些基础性研究。
随着人工智能系统变得越来越强大，他们将会面临更多的审查。政府使用的软件往往是存在缺陷或安全性需求，例如刑事司法软件等，Facebook公司已经开始面对自己公司的life-shaping算法存在的缺陷。更加强大的人工智能可能会导致更坏的社会问题，例如，对妇女或黑人延续历史偏见等。社会团体及科技产业本身开始探索有关人工智能安全和伦理方面的准则。
为了让我们真正从机器变得更加智能的获得好处，我们需要变得更智能的机器。
人工智能知识环路
人工智能：随着计算机的发展，能够完成通常需要人类智力的任务。
机器学习：使用样本数据或经验来改进计算机预测精度或执行任务的能力。
深度学习：一种受到大脑神经元启发的机器学习技术，通过数据自动学习网络中的参数。
有监督学习：从有标记的样本数据集进行学习，这些标记告诉计算机的输出应该是什么。
无监督学习：从没有标记的样本数据集进行学习，只依据数据经验或世界的相关规则。
强化学习：用不同的动作进行实验以找出如何最大化虚拟奖励的软件，比如游戏中的得分等。
通用人工智能：目前还没有一种软件能够展现出类似于人类适应不同环境和任务、并在它们之间传递知识的能力。
作者信息
Tom Simonite，Wired网站专栏作家。
本文由阿里云云栖社区组织翻译。
文章原标题《The wired guide to artificial intelligence》，作者：Tom Simonite，译者：海棠，审阅：袁虎。