人工智能的發(fā)展已有65年的歷史，曾經(jīng)歷過寒冬，也經(jīng)歷過輝煌。從符號(hào)主義的專家系統(tǒng)到現(xiàn)在所向披靡的神經(jīng)網(wǎng)絡(luò)，不少人擔(dān)心是否寒冬會(huì)再來，也有樂觀的人表示人工智能的春天也要來了。回到人工智能發(fā)展的開端，也許會(huì)有答案。

1956年夏天，一群數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家占領(lǐng)了達(dá)特茅斯學(xué)院數(shù)學(xué)系所在大樓的頂層。在大約八周的時(shí)間里，他們想象著一個(gè)新研究領(lǐng)域的可能性。

約翰-麥卡錫（John McCarthy）是當(dāng)時(shí)是達(dá)特茅斯大學(xué)的一名年輕教授，他在為研討會(huì)寫提案時(shí)創(chuàng)造了「人工智能」一詞，他說研討會(huì)將探索這樣的假設(shè)：

「（人類）學(xué)習(xí)的每一個(gè)方面或智能的任何其他特征原則上都可以被精確描述，以至于可以用機(jī)器來模擬它?！?/p>

[[428353]]

在那次傳奇性的會(huì)議上，研究人員大致勾勒出了我們今天所知的人工智能。它催生了第一個(gè)研究者陣營：「符號(hào)主義者」（symbolists），基于符號(hào)主義的專家系統(tǒng)在20世紀(jì)80年代達(dá)到了頂峰。

會(huì)議之后的幾年里，還出現(xiàn)了「連接主義者」（connectionists），他們?cè)谌斯ど窠?jīng)網(wǎng)絡(luò)上苦苦鉆研了幾十年，直到最近才開始再創(chuàng)輝煌。

這兩種方法長(zhǎng)期以來被認(rèn)為是相互排斥的，研究人員之間對(duì)資金的競(jìng)爭(zhēng)造成了敵意，每一方都認(rèn)為自己是在通往人工通用智能的道路上。

但回顧自那次會(huì)議以來的幾十年，數(shù)次人工智能寒冬都讓研究人員的希望經(jīng)常破滅。在今天，即使人工智能正在徹底改變行業(yè)并可能要顛覆全球勞動(dòng)力市場(chǎng)，許多專家仍然想知道今天的人工智能是否已經(jīng)達(dá)到極限。

正如 Charles Choi 在「人工智能失敗的七種方式」中所描繪的那樣，當(dāng)今深度學(xué)習(xí)系統(tǒng)的弱點(diǎn)正變得越來越明顯，然而研究人員幾乎沒有危機(jī)感。他認(rèn)為也許在不遠(yuǎn)的將來可能會(huì)迎來另一個(gè)人工智能冬天， 但這也可能是受啟發(fā)的工程師最終將我們帶入機(jī)器思維的永恒之夏的時(shí)候。

開發(fā)符號(hào)人工智能的研究人員的目的是明確地向計(jì)算機(jī)教授世界知識(shí)。他們的宗旨認(rèn)為知識(shí)可以由一組規(guī)則表示，計(jì)算機(jī)程序可以使用邏輯來操縱這些知識(shí)。符號(hào)主義者的先驅(qū)如紐厄爾和赫伯特西蒙認(rèn)為，如果一個(gè)符號(hào)系統(tǒng)有足夠的結(jié)構(gòu)化事實(shí)和前提，那么聚合的結(jié)果最終會(huì)產(chǎn)生通用的智能。

另一方面，連接主義者受到生物學(xué)的啟發(fā)，致力于「人工神經(jīng)網(wǎng)絡(luò)」的研發(fā)，這種網(wǎng)絡(luò)可以接收信息并自行理解。

一個(gè)開創(chuàng)性的例子是感知機(jī)，這是一種由康奈爾大學(xué)心理學(xué)家弗蘭克羅森布拉特在美國海軍資助下建造的實(shí)驗(yàn)機(jī)器。它有 400 個(gè)光傳感器共同充當(dāng)視網(wǎng)膜，向大約 1,000 個(gè)神經(jīng)元提供信息，這些神經(jīng)元能夠進(jìn)行處理并產(chǎn)生單個(gè)輸出。1958 年，《紐約時(shí)報(bào)》的一篇文章援引羅森布拉特的話說，“機(jī)器將成為第一個(gè)像人腦一樣思考的設(shè)備”。

肆無忌憚的樂觀鼓勵(lì)美國和英國的政府機(jī)構(gòu)將資金投入研究。1967 年，麻省理工學(xué)院教授、人工智能之父馬文·明斯基甚至寫道：“在一代人之內(nèi)……創(chuàng)造‘人工智能’的問題將得到實(shí)質(zhì)性解決。”

然而不久之后，政府資金開始枯竭，原因是人工智能研究除了炒作外沒有任何實(shí)質(zhì)性的進(jìn)展沒有辜負(fù)它自己的炒作。1970 年代見證了第一個(gè)人工智能冬天。

然而，真正的人工智能研究者沒有放棄。

到 1980 年代初，符號(hào)主義 AI 的研究人員帶來了鼎盛時(shí)期，他們因特定學(xué)科（如法律或醫(yī)學(xué)）知識(shí)的專家系統(tǒng)而獲得資助。投資者希望這些系統(tǒng)能很快找到商業(yè)應(yīng)用。

最著名的符號(hào)人工智能項(xiàng)目始于 1984 年，當(dāng)時(shí)研究人員道格拉斯·萊納特 (Douglas Lenat) 開始著手一項(xiàng)名為 Cyc 的項(xiàng)目，該項(xiàng)目旨在將常識(shí)編碼到機(jī)器中。

直到今天，Lenat 和他的團(tuán)隊(duì)還在繼續(xù)向 Cyc 的本體添加術(shù)語（事實(shí)和概念），并通過規(guī)則解釋它們之間的關(guān)系。到 2017 年，該團(tuán)隊(duì)有 150 萬個(gè)條款和 2450 萬條規(guī)則。然而，Cyc 離實(shí)現(xiàn)通用智能還差得很遠(yuǎn)。

20世紀(jì)80年代末，商業(yè)的寒風(fēng)帶來了第二個(gè)人工智能冬天。專家系統(tǒng)市場(chǎng)的全面崩潰是因?yàn)樗鼈冃枰獙ｉT的硬件，無法與越來越通用的臺(tái)式計(jì)算機(jī)競(jìng)爭(zhēng)。到了20世紀(jì)90年代，研究符號(hào)人工智能或神經(jīng)網(wǎng)絡(luò)在學(xué)術(shù)上已不再流行，因?yàn)檫@兩種策略似乎都失敗了。

但是，取代專家系統(tǒng)的廉價(jià)計(jì)算機(jī)對(duì)連接主義者來說是一個(gè)福音，他們突然獲得了足夠的計(jì)算機(jī)能力來運(yùn)行具有多層人工神經(jīng)元的神經(jīng)網(wǎng)絡(luò)。這類系統(tǒng)被稱為深度神經(jīng)網(wǎng)絡(luò)，它們實(shí)現(xiàn)的方法被稱為深度學(xué)習(xí)。

多倫多大學(xué)的Geoffrey Hinton 實(shí)現(xiàn)了一種叫做反向傳播的原理來讓神經(jīng)網(wǎng)絡(luò)從他們的錯(cuò)誤中學(xué)習(xí)。

Hinton 的一位博士后 Yann LeCun 于 1988 年進(jìn)入 AT&T 貝爾實(shí)驗(yàn)室，在那里他和一位名叫 Yoshua Bengio 的博士后使用神經(jīng)網(wǎng)絡(luò)進(jìn)行光學(xué)字符識(shí)別；美國銀行很快就采用了這種技術(shù)來處理支票。

Hinton、LeCun 和 Bengio 于 2019 年獲得圖靈獎(jiǎng)。

但是神經(jīng)網(wǎng)絡(luò)的擁護(hù)者仍然面臨一個(gè)大問題：他們的理論框架逐漸擁有越來越多的計(jì)算能力，但是世界上沒有足夠的數(shù)據(jù)來供他們訓(xùn)練模型，至少對(duì)于大多數(shù)應(yīng)用程序來說是這樣，人工智能的春天還沒有到來。

但在過去的二十年里，一切都變了。

尤其是隨著互聯(lián)網(wǎng)蓬勃發(fā)展，突然間，數(shù)據(jù)無處不在。

數(shù)碼相機(jī)和智能手機(jī)在互聯(lián)網(wǎng)上發(fā)布圖像，維基百科和 Reddit 等網(wǎng)站充滿了可免費(fèi)訪問的數(shù)字文本，YouTube 有大量視頻。足夠的數(shù)據(jù)也是訓(xùn)練神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。

另一個(gè)重大發(fā)展來自游戲行業(yè)。Nvidia 等公司開發(fā)了稱為圖形處理單元 (GPU) 的芯片，用于在視頻游戲中渲染圖像所需的繁重處理。游戲開發(fā)人員使用 GPU 進(jìn)行復(fù)雜的著色和幾何變換。需要強(qiáng)大計(jì)算能力的計(jì)算機(jī)科學(xué)家意識(shí)到，他們可以使用 GPU 執(zhí)行其他任務(wù)，例如訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

Nvidia 也注意到了這一趨勢(shì)并創(chuàng)建了 CUDA，CUDA 可以讓研究人員能使用 GPU 進(jìn)行通用數(shù)據(jù)處理。

2012年，Hinton 實(shí)驗(yàn)室的一名學(xué)生名叫 Alex Krizhevsky，他使用 CUDA 編寫了一份神經(jīng)網(wǎng)絡(luò)的代碼，AlexNet 模型的效果驚艷了整個(gè)學(xué)術(shù)界。

Alex 開發(fā)這個(gè)模型的目的是 ImageNet 競(jìng)賽，ImageNet提供數(shù)據(jù)讓 AI 研究人員構(gòu)建計(jì)算機(jī)視覺系統(tǒng)，該系統(tǒng)可以將超過 100 萬張圖像分為 1,000 個(gè)類別的對(duì)象。

雖然 Krizhevsky 的 AlexNet 并不是第一個(gè)用于圖像識(shí)別的神經(jīng)網(wǎng)絡(luò)，但它在 2012 年的比賽中的表現(xiàn)引起了全世界的關(guān)注。AlexNet 的錯(cuò)誤率為 15%，而第二名的錯(cuò)誤率高達(dá) 26%。神經(jīng)網(wǎng)絡(luò)的勝利歸功于 GPU 的能力和包含 650,000 個(gè)神經(jīng)元的深層結(jié)構(gòu)。

在第二年的 ImageNet 比賽中，幾乎每個(gè)人都使用了神經(jīng)網(wǎng)絡(luò)。到 2017 年，許多參賽者的錯(cuò)誤率已降至 5%，隨后組織者結(jié)束了比賽。

深度學(xué)習(xí)這次開始徹底起飛了。

憑借 GPU 的計(jì)算能力和大量用于訓(xùn)練深度學(xué)習(xí)系統(tǒng)的數(shù)字?jǐn)?shù)據(jù)，自動(dòng)駕駛汽車可以在道路上行駛，語音助手可以識(shí)別用戶的語音，網(wǎng)絡(luò)瀏覽器可以在數(shù)十種語言之間進(jìn)行翻譯。

人工智能還在一些以前被認(rèn)為是機(jī)器無法戰(zhàn)勝的游戲中擊敗了人類冠軍，包括棋盤游戲圍棋和策略游戲星際爭(zhēng)霸 II。

目前人工智能的發(fā)展已經(jīng)惠及各行各業(yè)，能夠?yàn)槊總€(gè)應(yīng)用場(chǎng)景都提供了識(shí)別模式和做出復(fù)雜決策的新方法。

但是深度學(xué)習(xí)領(lǐng)域不斷擴(kuò)大的勝利依賴于增加神經(jīng)網(wǎng)絡(luò)的層數(shù)并增加專門用于訓(xùn)練它們的 GPU 時(shí)間。

人工智能研究公司 OpenAI 的一項(xiàng)分析表明，在 2012 年之前，訓(xùn)練最大的人工智能系統(tǒng)所需的計(jì)算能力每?jī)赡攴环?，之后?3.4 個(gè)月翻一番。

正如 Neil C. Thompson 和他的同事在 Deep Learning's Diminishing Returns 中所寫的那樣，許多研究人員擔(dān)心人工智能的計(jì)算需求正處于不可持續(xù)的軌道上，并且可能破壞地球的能量循環(huán)，研究人員需要打破構(gòu)建這些系統(tǒng)的既定方法。

雖然看起來似乎神經(jīng)網(wǎng)絡(luò)陣營已經(jīng)徹底擊敗了符號(hào)主義者，但事實(shí)上，這場(chǎng)戰(zhàn)斗的結(jié)果并不是那么簡(jiǎn)單。

例如 OpenAI 的機(jī)器人手因?yàn)椴倏v和求解魔方而成為頭條新聞，該機(jī)器人同時(shí)使用神經(jīng)網(wǎng)絡(luò)和符號(hào)人工智能。它是許多新的神經(jīng)符號(hào)（neuo-symbolic）系統(tǒng)之一，使用神經(jīng)網(wǎng)絡(luò)進(jìn)行感知，使用符號(hào)人工智能進(jìn)行推理，這是一種混合方法，可以提高效率和解釋性。

盡管深度學(xué)習(xí)系統(tǒng)往往是黑匣子，以不透明和神秘的方式進(jìn)行推理，但神經(jīng)符號(hào)系統(tǒng)使用戶能夠深入了解并了解人工智能是如何得出結(jié)論的。美國陸軍特別警惕依賴黑匣子系統(tǒng)，因此陸軍研究人員正在研究各種混合方法來驅(qū)動(dòng)他們的機(jī)器人和自動(dòng)駕駛汽車。

目前來說深度學(xué)習(xí)系統(tǒng)是為特定任務(wù)而構(gòu)建的，不能將它們的能力從一項(xiàng)任務(wù)推廣到另一項(xiàng)任務(wù)。更重要的是，學(xué)習(xí)一項(xiàng)新任務(wù)通常需要人工智能清除它所知道的關(guān)于如何解決其先前任務(wù)的一切，這個(gè)難題稱為災(zāi)難性遺忘。

在谷歌位于倫敦的人工智能實(shí)驗(yàn)室 DeepMind，著名的機(jī)器人專家 Raia Hadsell 正在使用各種復(fù)雜的技術(shù)解決這個(gè)問題。其他研究人員正在研究新型元學(xué)習(xí)，希望創(chuàng)建 AI 系統(tǒng)，學(xué)習(xí)如何學(xué)習(xí)，然后將該技能應(yīng)用于任何領(lǐng)域或任務(wù)。

所有這些策略都可能有助于研究人員實(shí)現(xiàn)他們最高的目標(biāo)：用人類觀察孩子發(fā)展的那種流體智能來構(gòu)建人工智能。

幼兒不需要大量數(shù)據(jù)就可以得出結(jié)論，他們做的只是觀察世界，創(chuàng)建一個(gè)關(guān)于它如何運(yùn)作的心智模型，采取行動(dòng)，并使用他們的行動(dòng)結(jié)果來調(diào)整該心智模型。他們迭代直到他們理解。這個(gè)過程非常高效和有效，甚至遠(yuǎn)遠(yuǎn)超出了當(dāng)今最先進(jìn)的人工智能的能力。

盡管目前研究 AI 的投入資金達(dá)到了歷史最高水平，但幾乎沒有證據(jù)表明我們的未來會(huì)失敗。世界各地的公司都在采用人工智能系統(tǒng)，因?yàn)樗麄兛吹剿麄兊牡拙€立即得到改善，而且他們永遠(yuǎn)不會(huì)回頭。

研究人員是否會(huì)找到適應(yīng)深度學(xué)習(xí)的方法以使其更加靈活和強(qiáng)大，或者設(shè)計(jì)出這65年探索中還沒有發(fā)現(xiàn)的新方法，讓機(jī)器變得更像人類。