如果机器能干很多活,岂不能让人类解放出来。
———亚里士多德
AI是Artificial Intelligence的缩写,意即人工智能。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
其实,人工智能的定义可以分为两部分,即【人工】和【智能】。
【人工】比较好理解,争议性也不大。
有时我们会要考虑什么是人力所能及制造的,或者人自身的智能程度有没有高到可以创造人工智能的地步,等等。
但总的来说,【人工系统】就是通常意义下的人工系统。
然而【智能】涉及到方方面面,诸如意识(consciousness)、自我(self)、心灵(mind),包括无意识的精神(unconscious mind)等等问题。
人唯一了解的智能是人本身的智能,这是普遍认同的观点。
但是我们对我们自身智能的理解都非常有限,对构成人的智能的必要元素也了解有限,所以就很难定义什么是【人工】制造的【智能】了。
因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
其实总的来说,人工智能是研究人类智能活动的规律,构造具有一定智能的人工系统,
研究如何让计算机去完成以往需要人的智力才能胜任的工作,也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
1956年麦卡赛、明斯基等人在共同研究用机器模拟智能的问题时,首次提出人工智能的概念。多年以后,这被认为是研究人工智能的起点。
而2016年的春天,一场AlphaGo与世界顶级围棋高手李世石的人机世纪对战,把全球推上了人工智能浪潮的新高。
之所以说是新高,是因为,在这之前的一段时间,也有不少科学家热衷于人工智能的研究,但由于技术受限,人工智能并没有像今天这样被广大普通人所熟知。
谈到人工智能,就必须了解图灵。图灵是英国数学家和逻辑学家,他提出了一种抽象的计算模型——图灵机,用纸带式机器来模拟人们进行数学运算的过程,图灵本人被视为计算机科学之父。
1959年,图灵发表了一篇划时代的论文《计算机器与智能》。
文中提出了人工智能领域著名的图灵测试——
如果电脑能在5分钟内回答由人类测试者提出的一系列问题,且其超过30%的回答让测试者误认为是人类所答,则电脑就通过测试并可下结论为机器具有智能。
图灵测试的概念极大影响人工智能对于功能的定义。
1955年召开的达特茅斯会议推动了全球第一次人工智能浪潮的出现,即为1956年到1974年。
当时乐观的气氛弥漫着整个学界,在算法方面出现了很多世界级的发明,其中包括一种叫做增强学习的雏形(即贝尔曼公式),这成为谷歌AlphaGo算法核心思想内容。
第一次人工智能冬天出现在1974年到1980年。主要原因人们发现逻辑证明器、感知器、增强学习等等只能做很简单、非常专门且很窄的任务,稍微超出范围就无法应对。
有两个方面的局限性。
有很多计算复杂度以指数程度增加,计算任务不可完成
先天缺陷导致人工智能在早期发展过程中遇到瓶颈,所以第一次冬天很快到来,对人工智能的资助相应也就被缩减或取消了。
在80年代出现了人工智能数学模型方面的重大发明,其中包括著名的多层神经网络(1986)和BP反向传播算法(1986)等,
也出现了能与人类下象棋的高度智能机器(1989)。
此外,其它成果包括能自动识别信封上邮政编码的机器,就是通过人工智能网络来实现的,精度可达99%以上,已经超过普通人的水平。
于是,大家又开始觉得人工智能还是有戏。
然而,1987年到1993年现代PC的出现,让人工智能的寒冬再次降临。
当时苹果、IBM开始推广第一代台式机,计算机开始走入个人家庭,其费用远远低于专家系统所使用的机器。
相比于现代PC,专家系统被认为古老陈旧而非常难以维护。于是,政府经费开始下降,寒冬又一次来临。
那时,甚至学者们都不太好意思说是从事人工智能研究的。人们开始思考人工智能到底往何处走,到底要实现什么样的人工智能。
如何在有限的资源下做有用的事情,这是人工智能一直以来的挑战。
一个现实的途径就是像人类造飞机一样,从生物界获得启发后,以工程化方法对功能进行简化、部署简单的数学模型以及开发强大的飞机引擎。
现代AI的曙光发生在这个阶段,出现了新的数学工具、新的理论和摩尔定律。
摩尔定律让计算越来越强大
人工智能也在确定自己的方向,其中一个选择就是要做实用性、功能性的人工智能,这导致了一个新的人工智能路径。
由于对于人工智能任务的明确和简化,带来了新的繁荣。
人工智能的繁荣也促进了机器人的进步,包括把人工智能原理用在机器狗的设计上。
无论是人工智能狗还是无人车驾驶,都不是用编程方法写出来,而是通过一套学习算法在模拟器中不断的走路和开车,
让机器自己产生行为策略,这是人工智能和原先控制论最不同的地方。
互联网的本质除了“连接”服务、信息、人以外,还应该让服务变得更“聪明”,让消费体验更好,这就是 “AI+” 了。
AI 应用是总结现有的规律并实时制定出更聪明的解决方案。
实现更“聪明”的关键是:
- 对数据积累的越丰富越好
- 对未知的事物反应速度越快越好
大数据分析从静态统计演进到动态算法,让机器的深度学习模拟人类思考决策并能动态调优。AI重新“火”起来的原因,有以下几点。
传统的处理器在计算神经网络的选项范围上需要好几个星期,而现代化的图形处理器(GPUs)能够在 24 小时内完成这一任务。
除此外,云计算基础设施的完善也使得 AI 响应速度更快。
人工智能实现的基础是采集庞杂的数据。
在 PC 时代的数据来自感应器收集,模数转换输入、手工主动录入等方式,数据格式有限且效率不高。
而移动互联网时代,智能手机及智能硬件的普及使数据采集已进化到多维度实时进行,
采集颗粒度细化到个体、位置、环境、行为、社交关系;数据内容从图文、声音、视频、甚至生物特征等数据都极大丰富,
使得基于大数据做出行为分析及短期预判成为可能,如火如荼的互联网+创业已为此奠定了良好基础。
过去几年,业界的巨头们无一不在认知领域和深度学习领域持续发力,包括IBM、Google 、微软、Amazon等有海量用户行为数据的企业。
IBM公司12月7日宣布,将通过Apache软件基金会免费为外部程序员提供System ML(machine learning机器学习)人工智能工具的源代码。
IBM开发副总裁罗布·托马斯(Rob Thomas)表示,希望这是System ML广泛普及的第一步。
各家人工智能公司都在积极招募机器学习人才,而开放源代码则可以吸引外部人才参与项目协作,并改进相关技术。
开源文化吸引了越来越多的优秀人才共同参与到人工智能的开发中,有望为人工智能的发展做出贡献。
在很大程度上,人工智能在日常实践中的被接受程度正变得越来越高。
这是因为它并没有以一种黑暗机器人霸主的面貌出现在我们眼前,而是成为我们越来越倚重的便捷助手。
这包括:
可以学习使用者偏好的智能家居产品
基于使用者收藏或购买历史记录的商品推荐(比如亚马逊或Netflix)
类似Siri、Alexa和Cortana这样的数字助理
尽管一些流行影视作品起到了负面的宣传效果,但人工智能其实是一个不断增长的领域——而普通消费者可能并没有意识到这项事实。
人工智能的方向可以划分为以下几类。
当然,人工智能并不仅限于这些方向。
不断崛起的年轻公司持续推进着人工智能的前沿,这个科技板块的未来看起来一片光明。
不管你是满足于偶尔向Siri问一些问题,还是热切期待机器人相伴的那一天,有一件事情确定无疑:
在未来几年里,人工智能将在我们的生活中扮演越来越重要的角色。