新科技快速指南系列之“人工智能”：历史、现在与未来

人工智能不会夺走所有的工作机会, 也不会消灭人类。不过，这会使软件变得更加智能。这就是为什么你可以使用苹果iPhone X 中的Animoji，将表情作为一个活生生的人与你的朋友进行交流，或者用你的智能音箱订购更多的纸巾。
 

科技公司在人工智能领域的大量投资已经在改变我们的生活和以及我们身边的电子产品了，这也为更以人工智能为中心的未来奠定了基础。

目前，人工智能领域的繁荣是由机器学习领域取得的突破催生的。它涉及到“训练”计算机来执行基于实例的任务，而不是依赖于人的编程。一种叫做“深度学习”的技术使这种方法更加强大。最为著名的莫过于2016年的AlphaGo大战围棋世界冠军李世石了，后者在人工智能面前基本上没有还手之力。

对我们大多数人来说，人工智能带来的最明显的改变就是一些更加新奇与方便的新设备和体验，比如智能音箱，或者你能用你的脸解锁iPhone。但人工智能也将重塑生活的其他领域。其中一个是医疗保健。印度的一家医院正在测试一种软件，该软件可以检查视网膜上的图像，以寻找糖尿病性视网膜病变的迹象。通常情况下，这种症状只有在很晚的情况下才能被发现，而到了那个时候，就已经无法防止视力下降了。机器学习对自动驾驶来说，也是至关重要的，它能使车辆更加准确地感知与理解周围的环境。

有证据表明，人工智能可以让我们更快乐、更健康。但同样也有理由应该对人工智能保持谨慎。算法带来或放大了关于种族或性别的社会偏见的事件表明，人工智能是把双刃剑。

我们现在所谈论的人工智能，源自于一个“度假项目”。达特茅斯学院教授约翰·麦卡锡（John McCarthy）在1956年夏天发明了这个词，当时他邀请了一个研究团队花几个星期的时间来研究如何让机器做一些像使用语言之类的事情。他非常希望能在人类级机器上取得突破。“我们认为可以取得重大进展，”他与合作组织者写道，“如果一个精心挑选的科学家团队在一起花一个夏天的时间来研究的话。”

但这个希望没有实现，麦卡锡后来承认，是他过于乐观了。但是，这个研讨会帮助那些梦想着让机器智能化的研究人员聚集到了一个合适的学术领域。

1956年

达特茅斯夏季人工智能研究项目将一个新领域命名为“人工智能”，该领域涉及的是让软件变得像人类一样聪明。

1965

麻省理工学院的约瑟夫·维森鲍姆（Joseph Weizenbaum）创建了第一个聊天机器人Eliza，它是一名心理治疗师。

1975年

Meta-dendral是斯坦福大学开发的一种解释化学分析的程序，使计算机的首次发现发表在了一个参考期刊上。

1987年

一辆装有两个摄像头和一堆计算机的奔驰车在德国高速公路上行驶了20公里，时速超过了55英里，这是由工程师恩斯特·迪克曼斯（Ernst Dickmanns）领导的一个学术项目。

1997年

IBM的计算机深蓝打败了国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov）。

2004年

五角大楼将DARPA超级挑战赛阶段化，这是一项在莫哈韦沙漠的自动驾驶汽车竞赛，催动了自动驾驶汽车工业化。

2012年

在一个名为“深度学习”的细分领域，研究人员通过展示他们的想法可以使语音和图像识别更加准确，从而激发了新的公司对人工智能的兴趣。

2016年

由谷歌旗下DeepMind开发的AlphaGo打败了世界围棋冠军李世石。

早期的工作通常集中在解决数学和逻辑上相当抽象的问题上。但不久之后，人工智能开始在更多的人工任务上显示出有希望的结果。在20世纪50年代末，亚瑟·塞缪尔（Arthur Samuel）发明了一个程序，学会了怎么下跳棋。1962年，在比赛中战胜了一位大师。1967年, 一个叫做 Dendral 的程序表明, 它可以复制化学家解释化学样品组成的质谱数据的方式。

随着人工智能领域的发展，制造智能机器的策略也有所不同。一些研究人员试图将人类的知识转化为代码，或者为诸如理解语言这样的任务制定规则。另一些则是受到了学习人类和动物智能的重要性的启发。他们建立的系统可以随着时间的推移变得更好，也许是通过模拟进化或者从样本数据中学习。这个领域建立了一个又一个的里程碑，计算机也掌握了很多以前只能由人来完成的任务。

深度学习，是当前人工智能领域的快速爆发的燃料，它是人工智能领域最古老的想法之一。这项技术是通过数学的网络传递数据，整个网络都是仿造大脑细胞是如何工作的来建成的，所以被称为人工神经网络。当一个网络处理训练数据时，网络的各个部分之间的连接会进行调整，从而建立一个解释未来数据的能力。

人工神经网络在达特茅斯研讨会之后不久就成为了人工神经网络的一个既定理念。例如，在1958年, 充满空间的感知器马克1号(Perceptron Mark 1)就学会了区分不同的几何图形, 并被《纽约时报》称为"为阅读和增长智慧而设计的计算机的胚胎" 。但是，在1969年，麻省理工学院的马文?明斯基(Marvin Minsky)与人联合撰写了一本颇具影响力的书中指出，神经网络的作用并不是很强大，紧接着它就“失宠”了。

但并不是所有人都认可明斯基的观点。有一些研究人员在过去的几十年里一直在坚持研究这项技术，并保持着它的生命力。直到2012年，他们才被证明是正确的。当时一系列的实验表明，由大量数据和强大的计算机芯片提供的神经网络可以赋予机器新的感知能力。

一个值得注意的结果是, 多伦多大学的研究人员在一年一度的对图像进行分类的竞赛中击败了竞争对手。在另一项研究中，来自IBM、微软和谷歌的研究人员联合发表了一份研究报告，结果显示深度学习也能显著提高语音识别的准确度。从这个时候开始，科技公司开始疯狂地招聘所有他们能找到的深度学习专家。

哪怕人工智能领域取得的进去在明天会停止，但也不要期望它能停下改变世界的脚步。

谷歌、微软和亚马逊等大型科技公司积累了大量的人工智能人才和令人印象深刻的计算机阵列，以支持他们的核心业务——投放广告或预测你的下一笔交易。

他们也开始尝试通过邀请其他人在他们的网络上运行人工智能项目来赚钱，这将有助于推动医疗保健或国家安全等领域的进步。人工智能硬件的改进、机器学习培训课程的增长以及开源机器学习项目也将加速人工智能向其他行业的传播。

与此同时，消费者可以期待更多的设备和服务与人工智能功能相结合。尤其是谷歌和亚马逊，机器学习的改进将使他们的虚拟助手和智能音箱更加强大。就拿亚马逊来说，它设计了一款配备了摄像头的设备，能够识别出其主人，并监控周围的世界。

商业上的可能性将会使人工智能研究者迎来黄金时代。关于研究如何制造智能机器的实验室比以往任何时候都要多，它们所获得的资金也更充足。但仍旧有很多工作要做：尽管人工智能领域最近取得了一些进展，但在不久的将来，还是会有很多事情是机器无法做到的，比如理解语言的细微差别，常识推理，以及从一个或两个例子中学习一项新技能。如果人工智能软件想要接近人类的多面性、适应性和创造性智慧，就必须要攻克这些难关。一个深度学习的先驱，谷歌的杰夫?辛顿（Geoff Hinton）认为，想要在这一重大挑战上取得进展, 就必须重新思考该领域的一些基础。

随着人工智能系统变得越来越强大，它们也必将面临越来越多的审查。政府在刑事司法等领域使用软件通常是有缺陷的，或者是保密的，像Facebook这样的公司已经开始正视自己算法的缺点。更强大的人工智能有可能造成更严重的问题，例如，长期存在的对女性或黑人的偏见。一些民间社会团体，甚至是科技行业本身也在探索人工智能的安全和伦理准则。想要在机器变得更加智能过程中获取好处，我们需要更加聪明地对待机器。