人工智能动荡的过去和不确定的未来网上亚博Ayabo2016

1956年夏天，一群数学家和计算机科学家占领了达特茅斯学院数学系的顶楼。在大约八周的时间里，他们想象着一个新的研究领域的可能性。约翰·麦卡锡当时他还是达特茅斯学院的一名年轻教授，他在撰写论文时创造了“人工智能”一词网上亚博Ayabo2016建议他说，研讨会将探讨这样一个假设:“学习的每一个方面或智能的任何其他特征，原则上都可以如此精确地描述，以至于可以制造出一台机器来模拟它。”

在那次传奇会议上，研究人员大致勾勒出了我们今天所知道的人工智能。它催生了第一个调查阵营:“象征主义者”，他们的专家系统在20世纪80年代达到了顶峰。会议之后的几年里，“连接主义者”也出现了，他们在人工神经网络上辛苦工作了几十年，直到最近才起飞。长期以来，这两种方法被认为是相互排斥的，研究人员之间对资金的竞争造成了敌意。双方都认为自己正走在通往通用人工智能的路上。

回顾那次会议之后的几十年，我们会发现人工智能研究人员的希望经常被粉碎，而这些挫折几乎没有阻止他们。今天，尽管人工智能正在彻底改变行业，并有可能颠覆全球劳动力市场，但许多专家都在想，今天的人工智能是否已经达到了极限。正如Charles Choi在《ai失败的7大原因，“当今深度学习系统的弱点正变得越来越明显。然而，研究人员并没有感到厄运降临。是的，在不久的将来，我们可能会迎来另一个人工智能的冬天。但这可能正是灵感迸发的工程师最终带领我们进入机器思维永恒之夏的时刻。

研究人员开发符号人工智能开始明确地教计算机认识世界。他们的创始宗旨是，知识可以用一组规则来表示，计算机程序可以使用逻辑来操作这些知识。领先的符号学派对艾伦纽厄尔而且赫伯特西蒙他认为，如果一个符号系统有足够的结构化事实和前提，这种聚合最终会产生广泛的智力。

另一方面，连接主义者受到生物学的启发，致力于“人工神经网络”，这种网络可以接收信息并自行理解。最早的例子是感知器这是康奈尔大学心理学家建造的实验机器弗兰克Rosenblatt由美国海军资助。它有400个光传感器，它们一起充当亚博排列五投注网站视网膜，将信息传递给大约1000个“神经元”，这些神经元进行处理并产生单一输出。1958年，《纽约时报》文章引用罗森布拉特的话说，“这台机器将是第一个像人脑一样思考的设备。”

Frank Rosenblatt发明了感知器，第一个人工神经网络。康奈尔大学稀有和手稿收藏部

毫无节制的乐观主义促使美国和英国的政府机构将大量资金投入到投机性研究中。1967年，麻省理工学院教授马文•明斯基他写道:“在一代人的时间里……创造‘人工智能’的问题将得到实质性解决。”网上亚博Ayabo2016然而，此后不久，政府的资金开始枯竭，原因是人们觉得人工智能研究没有达到自己的宣传效果。20世纪70年代见证了人工智能的第一个冬天。

然而，真正的信徒们坚持了下来。到20世纪80年代初，重新燃起的热情为符号人工智能的研究人员带来了全盛时期，他们获得了赞誉和资金。专家系统它编码了特定学科的知识，比如法律或医学。投资者希望这些系统能迅速找到商业应用。最著名的标志性人工智能冒险始于1984年，当时研究人员道格拉斯Lenat开始着手一个他命名的项目赛克目的是在机器中编码常识．直到今天，Lenat和他的团队还在继续向Cyc的本体中添加术语(事实和概念)，并通过规则解释它们之间的关系。到2017年，该团队已经拥有150万个术语和2450万条规则。然而Cyc还远没有达到一般的情报水平。

20世纪80年代末，商业的寒风带来了人工智能的第二个冬天。专家系统的市场崩溃了，因为它们需要专门的硬件，无法与越来越普遍的廉价台式电脑竞争。到了20世纪90年代，研究符号人工智能或神经网络在学术上不再流行，因为这两种策略似乎都失败了。

但是取代专家系统的廉价计算机对连接主义者来说是一个福音，他们突然有了足够的计算机能力来运行具有多层人工神经元的神经网络。这样的系统被称为深度神经网络，它们所实现的方法被称为深度学习。杰弗里•辛顿他在多伦多大学(University of Toronto)应用了一种名为反向传播让神经网络从错误中学习(见“深度学习的工作原理”)。

Hinton的一个博士后，Yann勒存1988年，他和一名博士后一起去了AT&T贝尔实验室Yoshua Bengio神经网络用于光学字符识别；美国的银行很快就采用了这种技术来处理支票。Hinton LeCun和Bengio获得2019年图灵奖他们有时被称为深度学习的教父。

但是神经网络的倡导者仍然面临一个大问题:他们有一个理论框架和不断增长的计算机能力，但世界上没有足够的数字数据来训练他们的系统，至少对大多数应用来说是这样。春天还没有到来。

在过去的二十年里，一切都变了。特别是，万维网蓬勃发展，突然之间，到处都是数据。数码相机和智能手机充斥着互联网上的图像，维基百科(Wikipedia)和Reddit等网站上充斥着免费获取的数字文本，YouTube上有大量视频。最后，有足够的数据来训练神经网络进行广泛的应用。

另一个重大发展得益于游戏产业。公司如英伟达他们开发了一种名为图形处理单元(gpu)的芯片，用于视频游戏中渲染图像所需的繁重处理。游戏开发者使用gpu进行复杂的着色和几何变换。需要强大计算能力的计算机科学家们意识到，他们实际上可以欺骗GPU执行其他任务——比如训练神经网络。英伟达注意到了这一趋势，并进行了创新CUDA这是一个让研究人员能够使用gpu进行通用处理的平台。在这些研究人员中，辛顿实验室的一名博士生名叫亚历克斯Krizhevsky2012年，他使用CUDA编写了一个神经网络的代码，让所有人都为之惊叹。

麻省理工学院教授马文·明斯基在1967年预测，真正的人工智能将在一代人的时间内创造出来。网上亚博Ayabo2016麻省理工学院博物馆

他为ImageNet比赛写了这篇文章，该比赛要求人工智能研究人员建立计算机视觉系统，将100多万张图像分类为1000种类别的物体。虽然KrizhevskyAlexNet它不是第一个用于图像识别的神经网络2012年比赛表现引起了全世界的注意。AlexNet的错误率为15%，而排名第二的网站的错误率为26%。神经网络的压倒性胜利归功于GPU的强大功能，以及一个包含65万个神经元的多层“深层”结构。在第二年的ImageNet竞赛中，几乎所有人都使用了神经网络。到2017年，许多参赛者的错误率已经下降到5%，主办方结束了比赛。

深度学习开始腾飞。借助gpu的计算能力和大量的数字数据来训练深度学习系统，自动驾驶汽车可以在道路上导航，语音助手可以识别用户的语音，网络浏览器可以在数十种语言之间进行翻译。人工智能还在几场之前被认为机器无法赢得的比赛中击败了人类冠军，包括古代棋盘游戏围棋还有电子游戏星际争霸2．目前人工智能的蓬勃发展已经触及了每个行业，为识别模式和做出复杂决策提供了新方法。

回顾过去几十年，人工智能研究人员的希望经常被粉碎，而这些挫折几乎没有阻止他们。

但是，深度学习领域不断扩大的胜利依赖于增加神经网络的层数，以及增加GPU用于训练它们的时间。人工智能研究公司的一项分析OpenAI在2012年之前，训练最大的人工智能系统所需的计算能力每两年翻一番每3.4个月翻一番．尼尔·c·汤普森和他的同事在《深度学习的收益递减，许多研究人员担心人工智能的计算需求在一个不可持续的发展轨道．为了避免破坏地球的能源预算，研究人员需要打破构建这些系统的既定方式。

虽然看起来似乎神经网络阵营已经彻底击败了象征主义者，但事实上，这场战斗的结果并没有那么简单。以OpenAI公司的机械手为例，它曾因操纵和操作而成为头条新闻解决一个魔方．机器人使用了神经网络而且象征性的人工智能。这是许多新的神经符号系统之一，使用神经网络进行感知，使用符号人工智能进行推理，这种混合方法可能在效率和可解释性方面都有所提高。

尽管深度学习系统往往是黑盒子，以不透明和神秘的方式进行推理，但神经符号系统使用户能够看穿内幕，并理解人工智能是如何得出结论的。美国陆军特别警惕依赖黑盒系统，正如埃文·阿克曼在“美国陆军如何将机器人转变为团队合作者因此，陆军研究人员正在研究各种混合方法来驱动机器人和自动驾驶车辆。

想象一下，如果你可以让美国陆军的道路清理机器人为你煮一杯咖啡。这在今天是一个可笑的命题，因为深度学习系统是为狭隘的目的而构建的，不能将它们的能力从一个任务推广到另一个任务。更重要的是，学习一项新任务通常需要人工智能删除它所知道的关于如何解决之前任务的一切，这是一个被称为灾难性遗忘的难题。在DeepMind谷歌的伦敦人工智能实验室，著名的机器人专家Raia哈德用各种复杂的技术来解决这个问题。在“DeepMind如何重塑机器人汤姆·奇弗斯解释了为什么这个问题对在不可预测的现实世界中行动的机器人如此重要。其他研究人员正在研究新的元学习类型，希望创建学习如何学习的人工智能系统，然后将该技能应用于任何领域或任务。

所有这些策略都可能有助于研究人员实现他们最崇高的目标:构建具有我们看着孩子们发展的那种流动智力的人工智能。幼儿不需要大量的数据来得出结论。他们只是观察这个世界，建立一个关于它如何运作的心理模型，采取行动，并使用他们的行动的结果来调整这个心理模型。他们不断迭代，直到理解为止。这个过程非常高效，甚至远远超出了当今最先进的人工智能的能力。

尽管目前的热情已经为人工智能赢得了自己的地位Gartner炒作周期尽管人工智能的资金已经达到了历史最高水平，但几乎没有证据表明我们的未来会失败。世界各地的公司都在采用人工智能系统，因为他们看到了利润的立竿见影的改善，而且他们永远不会回头。研究人员是能找到适应深度学习的方法，使其更加灵活和强大，还是能设计出65年来人们从未梦想过的新方法，让机器变得更像我们，目前还有待观察。

本文发表在2021年10月的印刷版上，题为“人工智能的动荡的过去和不确定的未来”。