人工智能新纪元.docx

人工智能新纪元方陵生“机器能思考吗？”能够模仿人类智慧的计算机曾经只是一个遥远的梦想，人工智能研究几经跌宕起伏，最终取得了意料之外的成功。如今，人工智能已神奇地进入我们生活的各个方面，但却是以与当年预言者所想象不到的方式……60年前科学家的预想1956年夏天，一群科学家和工程师在美国达特茅斯学院聚集一堂，其中包括计算机科学家马文·明斯基，信息理论家克劳德·香农，以及后来的两位诺贝尔得主赫伯特·西蒙和约翰·纳什。他们聚在一起的任务是要创建一个被称为“人工智能（AI）”的新的科学领域。这群科学家不乏雄心壯志，他们认为：从理论原则上来说，包括学习能力和人类智能等其他任何一个方面，都能用机器模拟的方式准确地表现出来。可以让机器学会使用语言，形成抽象概念意识，以解决人类目前面对的一系列问题，提升人类自身能力。他们甚至预计，通过这帮精英科学家用一个夏天的集思广益，就一定能够取得其中一两个问题的重大进展。结果，为实现人工智能之梦，他们花了远远不止一个夏天的时间。在经过60年不懈的努力和许多次的失败挫折之后，人工智能终于走出了自己的发展之路。到了今天，我们可以向电脑提问，可以坐在半自动驾驶汽车里在繁忙的车流中穿行，可以通过智能手机进行演讲材料或文本材料的多种语言翻译；我们还可以将护照检查、拼写错误修正这类事情都放心地委托给计算机去做。不过，我们很难想象，如果一旦计算机系统出现重大故障或崩溃，会给我们已经如此习惯并依赖于人工智能的社会秩序带来多大的影响。当人们迅速适应了人工智能给我们带来的种种便利之时，我们也许并不清楚，当年科学家设想的人工智能其实并不像今天人们所体验到的这样。在当年的达特茅斯会议上，以及随后召开的各种会议上，明确提出的人工智能这一领域的未来目标是机器翻译、计算机视觉、文本理解、语音识别、机器人控制和机器人学习。虽然在之后的几十年里，大量资源投入了人工智能的研究，但并没有达到其中任何一个目标。直到1990年代末，1956年科学家预言的人工智能研究才开始有了转机，人工智能的种种神奇才纷纷开始融入人们的社会生活之中。今天，虽然可以说已经达到了当年的预期目标，但创造人工智能的方法却有了很大的不同。早期的工程师设计人工智能的办法是从头到尾为机器全程编程，他们创建的人工智能行为采取的是一种“自上而下”的途径：首先创建一个如何处理语音、文本或图像的数学模型，然后通过计算机程序实现这个模型中预想的功能。这听起来是一个很合理的设想，但结果证明是错了。他们还预测，人工智能的任何突破都将有助于进一步了解人类自身的智慧，但结果也错了。1956年后的多年中，越来越明显的是，当年设想的这些系统并不适合处理现实世界中纷杂的各种问题。到了上世纪90年代初，由于人工智能领域几乎没有取得任何进展，大多数工程设计人员开始放弃了以逻辑推理方式创造一种万能型思考机器的梦想，他们开始将目光瞄准了一些较具体的低级目标，专注于让机器完成某个更有希望解决的特定任务。一些早期的成功事例来自于产品的推荐。虽然很难了解为什么客户会想要购买某种产品，但根据之前的交易或其他类似客户的喜好，却很容易推断他们可能会喜欢什么样的产品。例如，如果你喜欢《哈利波特》系列的第一部和第二部电影，那么你很可能也会喜欢第三部。要获得某种解决方案，你可能不需要很深入的全面理解，就可以通过对大量数据的分析梳理，发现其中有用的相关性。那么，有没有办法让机器通过相类似的“自下而上”的捷径来模仿其他形式的人类智能行为呢？关于人工智能领域的许多问题虽然没有现成的理论，但却有足够多的可用以分析的数据。正是这种务实的态度导致了一些AI技术的诞生，如语音识别、机器翻译，以及像手写体数字识别这样简单的计算机视觉任务。数据比理论更强大到了2005年左右，人工智能已有了大量的成功例案例，在走向成功之路的过程中，人工智能的研究获得了一个强大的经验教训：数据比理论模型更强大。在以一个小集的统计学学习演算法和大量数据为启动动力的基础上，创造和诞生了新一代的智能机器。研究人员曾假设，人工智能将为进一步了解我们自己的智慧提供线索，但尝试从机器算法来了解人类大脑是如何执行这些任务的，这纯属是浪费时间。人工智能的语言不再是通过逻辑表达，而是通过数据比对算法。AI领域在经历了一次思考模式的转变后，进入了数据驱动的人工智能时代，新的核心技术是机器学习，其语言不再是逻辑语言，而是统计数据语言。那么，机器会学习吗？我们通常所说的机器人学习指的是机器建立在其经验分析基础上的改变其行为的学习能力（当然希望是向更好的方向改变）。这听起来有如变魔术般神奇，但实际上在很大程度上是一种机械的过程。想象一下，你邮箱里的垃圾邮件过滤器是如何根据邮件内容来对大量邮件进行筛查，以做出是否要将它们阻挡在外的决定的呢？每一次你将某份电子邮件拉入到垃圾邮件文件夹时，AI就能