人工智能的起源

說起人工智能，它的思想萌芽可以追溯到17世紀(jì)的巴斯卡和萊布尼茨，他們萌生了有智能的機(jī)器的想法。

19世紀(jì)，英國數(shù)學(xué)家布爾和摩爾根提出了“思維定律”，機(jī)器是不是應(yīng)該有思想？在19世紀(jì)，英國科學(xué)家巴貝奇還發(fā)明了第一架“計(jì)算機(jī)器”，成為人工智能發(fā)展的最早硬件，認(rèn)為這是能夠把人的智能寄托于機(jī)器的一個(gè)手段。

但是真正把人工智能作為一種科學(xué)來研究，要追溯到M-P模型。這是神經(jīng)網(wǎng)絡(luò)最著名的一個(gè)模型，是Mcculloch和Pitts（1943年）提出來的。為什么說這個(gè)模型奠定了人工智能的基礎(chǔ)呢？因?yàn)檫@是第一次對(duì)我們?nèi)四X神經(jīng)元系統(tǒng)進(jìn)行建模。目前人工智能研究領(lǐng)域里非常火的一個(gè)模型——“深度神經(jīng)網(wǎng)絡(luò)”的最基本的單元還沒有離開M-P模型。

除了M-P模型以外，還有Heb學(xué)習(xí)規(guī)則，這是一個(gè)讓機(jī)器具有學(xué)習(xí)能力的最基本的原理。那么，現(xiàn)在的非監(jiān)督學(xué)習(xí)基本還是沿用了這個(gè)Heb學(xué)習(xí)規(guī)則。

再一個(gè)比較有名的就是Perceptron。Perceptron是美國心理學(xué)家Rosenblatt提出來的一個(gè)系統(tǒng)，這個(gè)模型可以實(shí)現(xiàn)一定的分類功能。在當(dāng)時(shí)，Perceptron就比較火，而且掀起了人工智能的第一次高潮。

那么，“人工智能”（Artificial Intelligence）這個(gè)詞第一次是在哪兒提出來的呢？

是在1956年達(dá)特茅斯（Dartmouth）會(huì)議上。有幾個(gè)比較有影響的科學(xué)家，像Misnky還有McCarthy，他們在會(huì)議上經(jīng)過討論，最后提出了這么一個(gè)概念。“人工智能”真正是從這個(gè)時(shí)候開始叫的。在以前，大家都不叫這個(gè)名字，有把它叫做perceptron的，有把它叫神經(jīng)網(wǎng)絡(luò)的，還有等等其他很多的名詞。

那么，從1956年這個(gè)Dartmouth會(huì)議過后，人工智能就登大雅之堂了。到目前，正好是一甲子（60年）?，F(xiàn)在全世界很多研究人工智能的一些協(xié)會(huì)和機(jī)構(gòu)都在籌備活動(dòng)，來紀(jì)念A(yù)I誕生60周年，我們國家在這個(gè)月下旬可能也要在北京開個(gè)會(huì)。

在人工智能研究過程中，一個(gè)比較重要的人物就是阿蘭·圖靈。他是第一位比較明確地提出計(jì)算機(jī)是不是有智能這么一個(gè)概念。

阿蘭·圖靈認(rèn)為機(jī)器可以模擬人腦思維過程；一個(gè)良好設(shè)計(jì)的計(jì)算機(jī)能夠做到人腦所能做的一切。因此，也有人把他稱為“人工智能之父”?，F(xiàn)在大家真正比較認(rèn)可的“人工智能之父”還是McCarthy，是他提出了人工智能這個(gè)名字。

圖靈有一個(gè)最著名的測試，叫“圖靈測試”，就是判定一個(gè)機(jī)器是不是有智能。在圖靈測試?yán)?，有一個(gè)提問者提出問題，回答問題的一邊是人，一邊是機(jī)器。如果這個(gè)提問者分不清回答問題的人到底是人還是機(jī)器的話，那么就認(rèn)為機(jī)器具有人工智能。這是判斷機(jī)器有沒有人工智能，但還沒有回答什么是智能。

人工智能的發(fā)展歷程

人工智能的發(fā)展經(jīng)歷了一個(gè)螺旋式上升的發(fā)展路線，非常曲折。人工智能里面派系復(fù)雜，發(fā)展起起伏伏，一會(huì)兒是這派占了上風(fēng)，打倒了另一派；過陣子，另一派又打倒了原來的那一派。

我們把它整個(gè)的發(fā)展歷程梳理一下，會(huì)發(fā)現(xiàn)有三大派別——符號(hào)主義學(xué)派、聯(lián)接主義學(xué)派和行為主義學(xué)派。前兩個(gè)派別是最主流的發(fā)展學(xué)派，而且這兩個(gè)學(xué)派之間互不買賬，互相貶低對(duì)方。

▼符號(hào)主義學(xué)派——基于規(guī)則推理

傳統(tǒng)的人工智能，基于規(guī)則推理。我剛才提到的幾個(gè)人物，Misnky、McCarthy、Nillsson這些人實(shí)際上就是參加1956年達(dá)特茅斯會(huì)議的組織者。也就是說在五六十年代，當(dāng)人工智能這個(gè)詞一出來，當(dāng)時(shí)占主流的是符號(hào)主義學(xué)派，是他們在支配人工智能的發(fā)展。

▼聯(lián)接主義學(xué)派——模擬神經(jīng)網(wǎng)絡(luò)

聯(lián)結(jié)主義學(xué)派也是起起落落。五六十年代，是它的低潮，正好被符號(hào)主義學(xué)派打壓下去；到80年代是它的第一次復(fù)興；到90年代初，它又進(jìn)入瓶頸；現(xiàn)在又進(jìn)行了第二次勝利，是聯(lián)接主義學(xué)派受到追捧的時(shí)代。

▼行為主義學(xué)派——進(jìn)化主義或控制論

始于六七十年代，以Wiener（通信原理、雷達(dá)系統(tǒng)的奠基人）為代表，就是做控制論，演化控制，實(shí)際上是世界二次大戰(zhàn)的需求，當(dāng)時(shí)得到了很廣泛的發(fā)展。

人工智能的研究內(nèi)容

作為一個(gè)學(xué)科，人工智能主要從這幾個(gè)方面進(jìn)行了深入的研究。

在方法層面，有啟發(fā)式搜索和推理，這個(gè)是建立在知識(shí)和知識(shí)工程的基礎(chǔ)上，從方法層面來講，應(yīng)該歸于符號(hào)主義學(xué)派。還有模式識(shí)別、機(jī)器學(xué)習(xí)和生物激發(fā)方法（計(jì)算智能）等是當(dāng)今或者說近二三十年獲得廣泛研究和追捧的方法。尤其是機(jī)器學(xué)習(xí)和計(jì)算智能，是人工智能研究的熱點(diǎn)和前沿。

在應(yīng)用層面，實(shí)際上有很多。像自然語言理解，我們說的自然語言。原來我們認(rèn)為這些是有智能的人才能做，那么機(jī)器實(shí)際上現(xiàn)在也能做，能識(shí)別語音，能進(jìn)行翻譯。還有數(shù)據(jù)庫的檢查檢索系統(tǒng)、專家系統(tǒng)、機(jī)器定理證明等?，F(xiàn)在在我們的圖像識(shí)別、語音識(shí)別以及計(jì)算視覺等領(lǐng)域已經(jīng)取得了非常多的進(jìn)展。這都是人工智能在應(yīng)用層面的一些工作。

計(jì)算智能的研究（Computational Intelligence）

下面我來說一說現(xiàn)在人工智能發(fā)展最前沿的一個(gè)研究——計(jì)算智能的研究。在計(jì)算智能里面，它主要是通過計(jì)算智能的方法來實(shí)現(xiàn)人類智能。

計(jì)算智能現(xiàn)在作為一門學(xué)科，主要包括了人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、進(jìn)化計(jì)算、群體智能還有人工生命等領(lǐng)域。

那么計(jì)算智能跟傳統(tǒng)的人工智能的區(qū)別在哪里呢？

傳統(tǒng)的人工智能，我們談的就是基于符號(hào)的，然后以知識(shí)信息為基礎(chǔ)，通過邏輯推理來進(jìn)行處理。因?yàn)楫?dāng)時(shí)傳統(tǒng)人工智能的想法是人的思維比較高級(jí)、比較高等，需要用一些高水平的方法，需要用符號(hào)，需要嚴(yán)密的邏輯推理才能實(shí)現(xiàn)。這個(gè)時(shí)候的基本思路是自頂向下。

而計(jì)算智能實(shí)際上是以數(shù)據(jù)為基礎(chǔ)，通過數(shù)值計(jì)算進(jìn)行求解。現(xiàn)在計(jì)算手段飛速發(fā)展，為計(jì)算智能的深入研究提供了很好的手段，所以計(jì)算智能得到了非常廣泛的發(fā)展。

▼人工神經(jīng)網(wǎng)絡(luò)

在計(jì)算智能里面，研究最早、認(rèn)識(shí)最為廣泛的之一的領(lǐng)域就是人工神經(jīng)網(wǎng)絡(luò)。

左邊是一個(gè)生物神經(jīng)元，神經(jīng)元之間是有突觸連接的，而且這個(gè)突觸連接是可以調(diào)整的，那么通過調(diào)整這個(gè)連接，就可以去感受輸入的信號(hào)或者是輸出的信號(hào)的變化。

人工神經(jīng)網(wǎng)絡(luò)實(shí)際上就是對(duì)生物神經(jīng)網(wǎng)絡(luò)進(jìn)行建模。這個(gè)模型實(shí)際上就是最早我提到的M-P模型，把神經(jīng)元都排列起來，組成了這么一個(gè)網(wǎng)狀結(jié)構(gòu)，有多輸入、多輸出，它們之間是有分層的，之間是一個(gè)全連接狀態(tài)，這么一個(gè)網(wǎng)絡(luò)就是一個(gè)最簡單的神經(jīng)網(wǎng)絡(luò)，我們把它稱為“多層神經(jīng)網(wǎng)絡(luò)”。這個(gè)是應(yīng)用最廣泛、也潛力巨大的神經(jīng)網(wǎng)絡(luò)模型。其實(shí)，我們現(xiàn)在的深度神經(jīng)網(wǎng)絡(luò)也是建立在這么一個(gè)模型的基礎(chǔ)上。

▼復(fù)雜優(yōu)化問題

在計(jì)算智能里面，還有一大類是要求解一個(gè)復(fù)雜優(yōu)化問題。實(shí)際上，我們在求解實(shí)際問題的時(shí)候，任何一個(gè)問題都可以等效為一個(gè)復(fù)雜優(yōu)化問題來求解。那么我們能不能有一個(gè)有效的方法能夠在最快的速度找到這個(gè)最優(yōu)值——全局最優(yōu)點(diǎn)，而不受其他局部最優(yōu)值的影響？這個(gè)是現(xiàn)在計(jì)算智能的一個(gè)熱點(diǎn)問題、通用問題，也是一大類要研究的方法。

一個(gè)典型方法是遺傳算法。遺傳算法是模擬生物體的遺傳進(jìn)化過程，通過對(duì)環(huán)境的適應(yīng)能力的大小來進(jìn)行“適者生存、優(yōu)勝劣汰”。那么，這個(gè)過程是一個(gè)優(yōu)選過程，可以用于求解十分復(fù)雜的優(yōu)化問題，所以它是研究計(jì)算智能最主要的方法之一。

除此之外，我們在研究人工智能里面還有一大類，就是生物群體表現(xiàn)出來的一些非常強(qiáng)大的能力。個(gè)體可能很簡單，你像一只鳥很簡單，但是一群鳥卻能夠在非常惡劣的環(huán)境下生存下來，這是為什么？這也是我們現(xiàn)在在研究的群體智能。

還有，五年前，我根據(jù)煙花爆炸在空中形成的美麗圖案而發(fā)展的一個(gè)空間搜索的新方法，叫做煙花算法。它實(shí)際上在求解優(yōu)化問題方面已經(jīng)比現(xiàn)在流行的很多方法要好。現(xiàn)在（煙花算法算出）的結(jié)果基本上是最好的一個(gè)結(jié)果。

機(jī)器學(xué)習(xí)的研究（Machine Learning）

機(jī)器學(xué)習(xí)是什么？就是我們讓機(jī)器能夠像人一樣學(xué)習(xí)。機(jī)器有自我更新的能力。我們可以造成一個(gè)機(jī)器出來，在我們普通人眼里，機(jī)器造出來什么樣，那它就只能是這個(gè)樣子，對(duì)不對(duì)？但是我們對(duì)機(jī)器賦予了學(xué)習(xí)能力，那它就可以改進(jìn)自己的性能。機(jī)器學(xué)習(xí)實(shí)際上就是經(jīng)過經(jīng)驗(yàn)提高自身系統(tǒng)性能的一個(gè)過程，或者我們叫“系統(tǒng)自我改進(jìn)”。

原來我們把機(jī)器學(xué)習(xí)歸為人工智能的一個(gè)分支，但現(xiàn)在的觀點(diǎn)是，機(jī)器學(xué)習(xí)基本可以獨(dú)立出來了，專門作為一套求解復(fù)雜問題的方法來使用，不一定要跟人工智能扯上關(guān)系。當(dāng)然，它和人工智能是有很多交叉的。

那么機(jī)器學(xué)習(xí)為什么會(huì)有這么神奇的一個(gè)能力呢？實(shí)際上，機(jī)器學(xué)習(xí)從原理上講還是非常簡單的。

令W是這個(gè)給定世界的有限或無限所有對(duì)象的集合，由于觀察能力的限制，我們只能獲得這個(gè)世界的一個(gè)有限的子集Q?W，稱為樣本集。機(jī)器學(xué)習(xí)就是根據(jù)這個(gè)有限樣本集Q，推算這個(gè)世界的模型，使得其對(duì)這個(gè)世界為真。

這個(gè)Q是個(gè)很小的部分，然后這個(gè)W是我們求解問題的整個(gè)搜索空間，就我們剛才談到的一個(gè)復(fù)雜問題的整個(gè)空間。這個(gè)空間很大，可以是我們到目前為止不可能窮盡搜索的一個(gè)大的空間，也可以是無限大。

比如，下圍棋的搜索空間也是非常龐大，現(xiàn)在的計(jì)算資源是不可能進(jìn)行窮盡搜索的，如果能窮盡搜索的話，那我們就不需要這種智能方法。

正由于我們計(jì)算能力有限，所以在整個(gè)搜索空間里面，我們只能得到很少一部分的知識(shí)，就是說每個(gè)人的自身經(jīng)驗(yàn)只是非常小的一部分。然后我們利用已有的這部分知識(shí)，或者將知識(shí)進(jìn)行提煉，建立這個(gè)模型。

建立起的這個(gè)模型對(duì)于我們的經(jīng)驗(yàn)肯定是適合的，對(duì)不對(duì)？因?yàn)檫@是從我們的經(jīng)驗(yàn)中建立起來的。但是我們希望建立的這個(gè)模型要對(duì)我們沒見過的事情同樣有效，這就叫做泛化。

也就說，我們可以讓這個(gè)機(jī)器學(xué)習(xí)我們給它的經(jīng)驗(yàn)和知識(shí)，但是它不能只是在我們的這些知識(shí)上工作，而應(yīng)該具有更強(qiáng)大的能力，從而體現(xiàn)出機(jī)器學(xué)習(xí)的作用。這就是機(jī)器學(xué)習(xí)的過程。那么泛化就在這起到了非常重要的作用。而從這個(gè)數(shù)據(jù)來建模的過程，就是機(jī)器學(xué)習(xí)最重要的一個(gè)方面。不論多么重要的模型，都是在做這件事，都是從Q到W的過程。

在機(jī)器學(xué)習(xí)里面，主流看法分成兩類。

▼淺層學(xué)習(xí)（Shallow Learning）

模型采用的就是單層的網(wǎng)絡(luò)。這個(gè)是80年代進(jìn)行廣泛研究的，而且我們把它作為機(jī)器學(xué)習(xí)的第一次浪潮。

最初比較典型的方法是多層感知器（Multi-layer Perceptron）。當(dāng)神經(jīng)網(wǎng)絡(luò)研究到一定程度，我們發(fā)現(xiàn)多層感知器的性能提不高，受到很多限制，泛化性能不好，便轉(zhuǎn)而研究像支撐向量機(jī)（SVM）、Boosting、隨機(jī)森林（Random Forest）、ELM等其他方法，但都沒有離開神經(jīng)網(wǎng)絡(luò)的層數(shù)只有一層。

▼深度學(xué)習(xí)（Deep Learning）

2006年，Geoffrey Hinton在《科學(xué)》雜志上發(fā)表了一篇文章，提出了深度學(xué)習(xí)的概念。也就是說，神經(jīng)網(wǎng)絡(luò)應(yīng)該不止一層，應(yīng)該多層，而且每一層能表達(dá)概念的抽象程度是不一樣的，表達(dá)知識(shí)復(fù)雜程度也是不一樣的，這是它最基本的一個(gè)觀點(diǎn)。

第一，多層的人工神經(jīng)網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，學(xué)習(xí)得到的特征對(duì)數(shù)據(jù)有更本質(zhì)的刻畫，從而有利于可視化或分類。

第二，它最主要的是有一個(gè)預(yù)訓(xùn)練，這是它的一個(gè)重大貢獻(xiàn)，由此掀起了機(jī)器學(xué)習(xí)的第二個(gè)浪潮。

從上圖我們可以看一下，同樣是訓(xùn)練10^6次，如果加入了預(yù)訓(xùn)練，性能可以急劇提高（錯(cuò)誤低于沒有預(yù)訓(xùn)練的情況）。這意味著深度神經(jīng)網(wǎng)絡(luò)加上預(yù)訓(xùn)練再進(jìn)行監(jiān)督訓(xùn)練的這種方式，可以找到更優(yōu)的全局最優(yōu)點(diǎn)。很復(fù)雜的函數(shù)可能平時(shí)找到的是局部最優(yōu)點(diǎn)，如果我們經(jīng)過了事先預(yù)訓(xùn)練，再進(jìn)行監(jiān)督訓(xùn)練，那么這種訓(xùn)練方式可以大大提高性能。

同樣，我們把它用來做圖片當(dāng)中物體的識(shí)別。我們知道人是具有很強(qiáng)大的識(shí)別能力，給你一張圖片，能識(shí)別出來里面是一個(gè)貓還是一個(gè)香蕉。用機(jī)器來識(shí)別一個(gè)物體，以前的神經(jīng)網(wǎng)絡(luò)SVM在2010年最高做到72%的正確率，2011年做到74%，但是現(xiàn)在實(shí)際上已經(jīng)到99%。所以說，提高得非?？?，因?yàn)槲覀儸F(xiàn)在網(wǎng)絡(luò)更復(fù)雜，計(jì)算資源更好，可以利用這種深度學(xué)習(xí)的表達(dá)能力，對(duì)這類復(fù)雜的、需要我們?nèi)巳ヨb別才能完成的智能工作都可以要求機(jī)器來完成。

當(dāng)前人工智能的熱點(diǎn)

▼人臉識(shí)別

我們見一個(gè)人，馬上就能記住他的臉，下次見到很快就能識(shí)別出來。那么人具有很強(qiáng)大的識(shí)別能力。

以前，我們用計(jì)算機(jī)嘗試做人臉識(shí)別系統(tǒng)，識(shí)別效率都不高。由于深度神經(jīng)網(wǎng)的應(yīng)用，香港中文大學(xué)教授湯曉鷗帶領(lǐng)他的團(tuán)隊(duì)開發(fā)了一個(gè)名為“Deep ID”的深度學(xué)習(xí)模型，現(xiàn)在可以在LFW（Labeled Faces In the Wild）數(shù)據(jù)庫上做到99.15%的識(shí)別率，這是有史以來首次超過99%的LFW識(shí)別率，超過人類肉眼的識(shí)別能力。

▼圍棋人機(jī)大戰(zhàn)

簡單說一說AlphaGo與李世石之間人機(jī)大戰(zhàn)的博弈機(jī)理。

AlphaGo里面主要是組合了這四個(gè)策略。一個(gè)是蒙特·卡洛（Monte Carlo）的搜索樹（Search Tree）方法，再加上監(jiān)督學(xué)習(xí)（Supervised Learning）和強(qiáng)化學(xué)習(xí)（Reinforcement Learning），然后整個(gè)是建立在深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks）的基礎(chǔ)上，是建立在一個(gè)13層的卷積神經(jīng)網(wǎng)絡(luò)上來實(shí)現(xiàn)的。

AlphaGo的聰明之處有這么幾點(diǎn)：

第一，使用監(jiān)督學(xué)習(xí)的策略網(wǎng)絡(luò)（SL Policy Network），這是一個(gè)非常好的起點(diǎn)。整個(gè)程序的起點(diǎn)是從人類下棋的經(jīng)驗(yàn)當(dāng)中學(xué)習(xí)，先把人類最精華的部分學(xué)到手。

第二，使用一個(gè)快速提升算法，叫強(qiáng)化學(xué)習(xí)的策略網(wǎng)絡(luò)（RL Policy Network）去提升自己的能力。

最后，使用一個(gè)有效的評(píng)價(jià)策略，我們把它叫做強(qiáng)化學(xué)習(xí)的價(jià)值網(wǎng)絡(luò)（RL Value Networks），來計(jì)算每一步的結(jié)果。

那么這幾點(diǎn)相互協(xié)作，共同來完成一個(gè)非常需要智力水平的圍棋模擬。

在《自然》上發(fā)表的一篇研究文章顯示AlphaGo已經(jīng)達(dá)到了業(yè)余三段，這個(gè)結(jié)論是根據(jù)AlphaGo和樊輝對(duì)弈的結(jié)果而得出的，實(shí)際上，現(xiàn)在的AlphaGo比起之前可以再讓四個(gè)子，已經(jīng)達(dá)到人類圍棋十五段的樣子。

這是一個(gè)機(jī)器學(xué)習(xí)的方法，是一個(gè)可以逐漸提升繼續(xù)提高的過程，所以能達(dá)到非常高的智能水平。

▼預(yù)測比賽結(jié)果

上個(gè)禮拜，阿里云做了一個(gè)小AI的人工智能程序，進(jìn)行了《我是歌手4》的歌王預(yù)測。實(shí)際上它也預(yù)測出來了。

目前，小Ai的學(xué)習(xí)速度是人類的1萬倍。要成為某一領(lǐng)域的專家，如果人類需要10萬小時(shí)，則小Ai只需要10小時(shí)。

它聲稱可以做到理解人類的情感，這個(gè)實(shí)際上它還做不到。所謂的理解情感，只是從網(wǎng)絡(luò)上搜集其他人的評(píng)價(jià)，它并不是去聽音樂。

實(shí)際上，現(xiàn)在最有挑戰(zhàn)性的是讓計(jì)算機(jī)去識(shí)別音樂的好壞。這個(gè)很難識(shí)別，因?yàn)橹挥腥瞬拍苈牰@個(gè)音樂，只有人才能感覺這個(gè)音樂好聽還是不好聽。要機(jī)器去聽它，機(jī)器可能按一定規(guī)則來，但是人是按心情來的，所以這是非常難、復(fù)雜的一件事情。

對(duì)人工智能發(fā)展的幾點(diǎn)思考

人工智能的發(fā)展現(xiàn)在正以一個(gè)前所未有的速度在往前發(fā)展，更多的驚喜在不斷地涌現(xiàn)。而且AI技術(shù)的應(yīng)用會(huì)廣泛深入到我們生活的方方面面，逐漸地將我們?nèi)祟惿鐣?huì)推到前所未有的智能社會(huì)的高度。

當(dāng)然，在這個(gè)發(fā)展過程當(dāng)中，跟其他任何技術(shù)發(fā)展是一樣的，都要滿足和遵循我們所施加給它的人類社會(huì)的規(guī)范和行為準(zhǔn)則，否則，可能對(duì)我們?nèi)祟惿鐣?huì)的發(fā)展產(chǎn)生一些不利的影響。

結(jié)束語

人工智能是一門多學(xué)科交叉的綜合性前沿學(xué)科，在理論上很不成熟，技術(shù)上逐漸突破，應(yīng)用上正在快速擴(kuò)展和滲透；基于各種生物原理與過程的激發(fā)是其繼續(xù)前進(jìn)的源泉，人類社會(huì)的需求是其不斷發(fā)展的動(dòng)力！

希望有興趣的同學(xué)能夠加入到“智能科技”研究的行列中來，歡迎大家，謝謝！