人工智能历史，为何近些年才火起来？有哪些应用？
目前被炒的热热闹闹的人工智能是什么？这些年才有的吗？以前为什么没有这么被重视过？人工智能（artificial intelligence，AI），目前认为是研究、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[1-2]。人工智能作为计算机科学的一个重要分支，被认为是21世纪三大尖端技术之一，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，其涉及的研究领域包括智能机器人、图像识别、语言识别、自然语言处理、自动程序设计和专家系统等[3]。简单点解释就是，让机器像人一样去思考去学习，通过对历史数据的不断训练，让输出结果越来越好。
1. 人工智能的历史由来和概念，这些年才有的吗？
历史：
1956年夏天，在美国的达特莫斯大学召开了一次历时两个月的研究会，这个研究会云集了十来位数学家，心理学家，神经生理学家，还有信息论和计算机方面的专家。此次会议讨论了关于机器智能的一些相关问题，会上麦卡锡提出了采用“人工高智能”一词，从此标志这人工智能学科的诞生。也正是由于这个原因麦卡锡也被人们称为人工智能之父。
然而，人工智能是基于神经网络而建立起来的。最早的神经网络数学模型由Warren McCulloch教授和Walter Pitts教授与1943年在论文A logical calculus of the ideas immanent in nervous activity中提出，该论文中提出了一种模拟大脑神经元的结构,其结构如下图所示：
2. 人工智能为什么最近这些年才被人们所热炒？之前都干嘛去啦？
虽然人工智能的概念很早就已经提出但是，直到20世纪80年代才迎来了复苏。1982年出现了hopfiled 1983年出现了退火算法。1986年出现了BP算法。才是推动人工智能快速发展的关键因素。
2016年AlphaGo战胜李世石才轰动一时，被很多人才第一次听说和重视起来，原来人工智能这么厉害。要知道前面所说的人工智能上世纪50年代就已经被提出，神经网络的概念甚至在40年代，二战结束之前就已经存在啦。
很多技术的热炒或者说被人们重视起来其实是需要天时地利与人和的。其一、随着计算机技术的不断发展为人工智能的发展奠定了基础，比如图像处理需要一定的计算能力，尤其自动驾驶技术对实时计算能力更是有较高的要求。
其二、随着人工智能算法的不断优化，其输出结果准确率越来越高。具体的应用领域得到了应用。比如BP算法的提出。1986年,Romelhart和Mc-clelland提出了误差反向传播算法(Error Back Propagation Algorithm,简称BP算法),由于多层前馈网络的训练经常采用误差反向传播算法,人们也常把多层前馈网络称为BP网络。由于具有结构简单、工作状态稳定、易于硬件实现等优点,在众多的神经网络模型中, BP网络的应用最为广泛,尤其是在模式识别及分类、系统仿真、故障智能诊断、图像处理、函数拟合、最优预测等方面[4]。
最后，关键事件的宣传。由于各方面条件的具备和一个非常重要的契机就是人工智能的催化事件，阿尔法狗战胜李世石，让人们意识到原来人工智能的应用原来已经发展到如此地步，可以把专业领域的职业选手打败。随着各方的不断报导，人工智能的热度彻底被点燃。
3. 关键改良技术BP神经网络及其优势和劣势分析
20世纪80年代中期，David Runelhart。Geoffrey Hinton和Ronald W-llians、DavidParker等人分别独立发现了误差反向传播算法(Error Back Propagation Training)，简称BP，系统解决了多层神经网络隐含层连接权学习问题，并在数学上给出了完整推导。人们把采用这种算法进行误差校正的多层前馈网络称为BP网。 [5-6]
神经网络前向传播是指从输入逐层计算，得到输出。所谓反向传播用来对参数进行梯度计算和更新。为了方便介绍，将这些层全部考虑为全连接层，这样每层都有w和b参数矩阵。过段时间再重新推导一遍。在推导过程中，首先要明确，z=w*x+b, a=g(z)。其中，x，a分别指改层的输入和输出，g(z)是指激活函数。这样在推导的过程中就会非常明确，思路清晰。通过不断的数据反向更新优化，来实现输出的改善。类似于我们学习知识中不信积累经验完善自己的固有认识一般。所以可以看出BP神经网络对早期的神经元模型起到了强大的推动作用，为后期的广泛应用奠定好理论基础。
优势所在：
BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能力，解决了简单感知器不能解决的异或(Exclusive OR，XOR)和一些其他问题。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。 [6]
主要劣势：
①学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。所以当计算能力不够强大时，就很难体现其优势。
②容易陷入局部极小值，网络推广能力有限。
③网络层数、神经元个数的选择没有相应的理论指导，需要进一步的完善。
对于上述问题，目前已经有了许多改进措施，研究最多的就是如何加速网络的收敛速度和尽量避免陷入局部极小值的问题。[7]
而现实中的生物神经结构如下所示：
总结：从神经网络的发展我们不难看出，神经网络是一种仿生算法，人工智能是基于神经网络发展起来的一种新型学科，其目的在于希望机器能够仿照人的神经传到机制来学习，不断提高自己。就如当今的AlphaGo一样可以自己不断学习提升自己的围棋技术和其它方面的技术一样。
学过智能控制的朋友都知道，专家系统是利用人类专家的大量有用知识和解决问题的方法来处理该领域问题的一种智能的计算机程序控制系统。其一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。最早在1965年，E.A.费根鲍姆等人在总结通用问题求解系统的成功与失败经验的基础上，结合化学领域的专门知识，研制了世界上第一个专家系统，用于推断化学分子结构。
专家系统是人工智能中一个具体的应用领域，该系统实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统是早期人工智能的一个重要分支，它可以看作是一类具有专门知识和经验的计算机智能程序系统。
4. 人工智能在医学领域中的具体应用
① 数据挖掘技术在医学方面的应用。数据挖掘（data mining，DM），亦称数据库中的知识发现。（knowledge discovery in database，KDD），旨在从大量原始数据中挖掘出隐含的、有用的尚未发现的知识（如规则、模型、规律、模式等），帮助决策者寻找数据间潜在的关联，找出难以人工发现的因素[8]
②图像识别与模式识别方面的应用。
③多重数据融合，智能诊断。
④智能治疗。例如智能机器人辅助手术，从而来增加实验的安全性和为以后手术降低成本打好基础。
对于上述应用由于每一个都需要好几篇文章来详细介绍，本文先介绍到这里，下期开始不断更新人工智能在医学领域中的具体应用。希望大家不断关注，一起来学习人工智能的知识。下期见。
声明：我们致力于保护作者版权，部分文字/图片来自互联网，无法核实真实出处，如涉及版权问题，请及时联系我们删除。从该公众号转载本文至其他平台请联系作者本人。支持原创
[1] 刘文亮,黄晔春,毕士鑫.人工智能及在医疗领域的应用.数码世界,2017(10):185
[2] 王振亮,师润田.基于自主学习的人工智能带给中医学的机遇和挑战.中华中医药杂志,2018,33(12):5295-5297
[3] 孔祥溢,王任直.人工智能及在医疗领域的应用.医学信息学杂志,2016(11):2-5
[4] N. Garcia -Pedrajas, C. Hervas -Martinez, J. Munoz -Perez. COVNET: a cooperative coevolutionary model for evolving artificial neural networks [J]. IEEE Transaction on Neural Networks, 2003, 14(3): 575-596.
[5] K. Hornick, M. Stinchcombe, H. White. Multilayer feedforward networks are universal approximators [J].Neural Networks, 1989, 2: 359-366
[6] 阮秀凯，刘莉，张耀举，戴瑜兴著．现代无线通信系统盲处理技术新进展基于智能算法：复旦大学出版社，2015.01
[7]张宏建 孙志强等编著．普通高等教育“十一五”国家级规划教材现代检测技术：化学工业出版社，2007年09月[8]殷振瑾,王阳,暴宏伶.数据挖掘技术在中医医案研究中的应用. 承德医学院学报,2011,28(3):278-280