編者按：本文選自全媒派，創(chuàng)業(yè)邦編輯后發(fā)布。

近期，人工智能頻上熱搜：Facebook直擊現(xiàn)代人“今天穿什么”的痛點，推出Fashion++，通過算法調整服裝穿搭；美國作家安德魯?卡普蘭則將利用對話AI技術和數(shù)字助理設備在云上實現(xiàn)“永生”；ZAO利用deepfake技術實現(xiàn)視頻換臉，“以假亂真”……

從AI換臉到AI試穿，再到AI助“數(shù)字永生”……如今，人工智能正全方位滲透到我們的生活中，重要且不可忽視。

人工智能是如何走到今天的？本期全媒派（ID：quanmeipai）獨家編譯Fast Company文章，盤點與人工智能發(fā)展相關的七十余載，看看這些高光與低潮時刻如何推動人工智能不斷“進化”，改變人類生活的世界。

艾薩克·阿西莫夫提出“機器人三大定律”（1942）

1942年，艾薩克·阿西莫夫（IsaacAsimov）發(fā)表了短篇小說《轉圈圈》(Runaround，又譯作《環(huán)舞》)。這位著名的科幻作家首次完整地闡述了他的“機器人三大定律”：

第一定律：機器人不得傷害人類，或因不作為而讓人類受到傷害。

第二定律：機器人必須服從人類的命令，除非這些命令違背了第一定律。

第三定律：在不違背第一與第二定律的前提下，機器人必須保護自己。

《轉圈圈》講述的是一個名叫速必敵（Speedy）的機器人，它接受了人類的命令，去危險的硒溶池執(zhí)行采集任務。當它越來越靠近目的地，危險的程度越來越高，第三定律讓它不得不離開以保護自己；但當它開始遠離目的地，第二定律又讓它必須服從命令前進。因此，它被置于一個前后兩難的矛盾境地，圍繞著硒溶池不停地轉圈圈。

阿西莫夫的“機器人”系列故事吸引了很多科幻迷，其中的一些科學家開始思考機器擁有思考能力的可能性。直到現(xiàn)在，仍有許多人使用阿西莫夫的三大定律，進行人工智能的智力練習。

艾倫·圖靈提出模仿游戲（1950）

1950年，艾倫·圖靈（Alan Turing）寫道：“我提議考慮一個問題——‘機器能思考嗎？’”

這句話是其開創(chuàng)性的研究論文《計算機器與智能》的開頭。該論文提出了一個思考機器智能的模型。他反問道，如果一臺機器能夠模仿人類有意識的行為，難道它不會有意識嗎？

受到理論性問題的啟發(fā)，圖靈經(jīng)典的“模仿游戲”誕生了。游戲設置了三個角色，人、機器和人類“詢問者”?！霸儐栒摺毙枰c其余二者在物理空間上分隔開?！霸儐栒摺卑l(fā)起提問，且根據(jù)二者的純文本回應（避免聲音回答產(chǎn)生干擾），區(qū)分機器和人。如果一臺機器能夠與人類溝通（注：圖靈認為理想情況是使用Teleprinter，即“電傳打字機”），且讓“詢問者”難以分辨人與機器的分別，那么這臺機器就被認為具有智能。

在圖靈時代，沒有一臺機器能夠通過這樣的測試，直到今天也沒有。但他的測試為區(qū)分機器是否具有智能提供了一個簡單的標準。它幫助塑造了人工智能的哲學。

達特茅斯舉辦人工智能大會（1956）

到1955年，世界各地的科學家已經(jīng)開始思考一些概念問題，比如神經(jīng)網(wǎng)絡和自然語言，但還沒有統(tǒng)一的概念來概括這些與機器智能有關的領域。

達特茅斯學院（Dartmouth College）數(shù)學教授約翰·麥卡錫（John McCarthy）創(chuàng)造了“人工智能”這個術語來囊括這一切。

由麥卡錫領導的一個小組申請了撥款，在第二年舉辦了一場人工智能大會。1956年夏天，他們邀請了許多知名科研人員到特茅斯禮堂參加會議?？茖W家們討論了人工智能研究諸多的潛在發(fā)展領域，包括學習和搜索、視覺、推理、語言和認知、游戲（尤其是國際象棋），以及人機交互（比如個人機器人）。

這場討論達成的普遍共識是，人工智能具有造福人類的巨大潛力。他們得出了一個“機器智能可能產(chǎn)生影響的研究領域”的總體框架。這次會議規(guī)范并促進了作為一門研究學科的人工智能在此后多年的發(fā)展。

弗蘭克·羅森布拉特創(chuàng)造了感知機 （1957）

神經(jīng)網(wǎng)絡的基本結構被稱為“感知機”（Perceptron），相當于節(jié)點（node），接收一系列輸入并進行計算，對其進行分類和置信水平分析。舉例而言，“輸入”可能會分析一張圖片的不同部分，并對圖像中是否有人臉進行“投票”。節(jié)點將會對投票行為和置信水平進行計算，并得出結論。今天，在強大的計算機上運行的人工神經(jīng)網(wǎng)絡，連接了數(shù)十億計這樣的結構。

但在強大的計算機出現(xiàn)前，感知機就已經(jīng)存在了。20世紀50年代末，一位年輕的心理學家，弗蘭克·羅森布拉特（Frank Rosenblatt），為一臺名為Mark I的感知機建立了一個機械模型。

這臺機器是為圖像識別而設計的。它是一個模擬神經(jīng)網(wǎng)絡，其中的感光單元矩陣通過導線與節(jié)點相連。羅森布拉特開發(fā)了一種“感知機算法”，引導網(wǎng)絡逐漸調整其輸入強度，直到它們始終正確地識別圖像，從而有效地讓它進行學習。

當時，羅森布拉特受到美國海軍的經(jīng)費資助，召開了新聞發(fā)布會?！都~約時報》抓住了發(fā)布會的要點：“海軍透露了一種電子計算機的雛形，希望未來它能夠走、說、寫、看、自我復制并意識到自己的存在。”

如今，這臺最早的感知器存放在美國的史密森尼博物院（Smithsonian）中。

直到20世紀80年代，科學家們還在激烈地討論感知機的相關問題。這對于創(chuàng)建神經(jīng)網(wǎng)絡的物理實體非常重要，而在此之前，神經(jīng)網(wǎng)絡主要是一個學術概念。

人工智能的第一個冬天（20世紀70年代）

人工智能已經(jīng)將其大部分的歷史投入到研究領域中。在20世紀60年代的大部分時間里，美國國防部高級研究計劃局（DARPA）等政府機構為研究投入大量資金，但對于最終的回報要求不多。與此同時，為了保證經(jīng)費充足，人工智能的學者經(jīng)?？浯笏麄兊难芯壳熬?。這一切在60年代末70年代初發(fā)生了改變。

1966年，語言自動處理咨詢委員會（ALPAC）向美國政府提交了一份報告；1973年，英國科學研究委員會（SRC）向英國政府提交了一份由知名應用數(shù)學家James Lighthill爵士帶頭起草的報告。兩份報告都對人工智能研究各個領域的實際進展提出了質疑，它們看待技術前景的態(tài)度也非常悲觀。Lighthill報告認為，用于語音識別等任務的人工智能很難擴展到對政府或軍方有用的規(guī)模。

因此，美國政府和英國政府都開始削減大學人工智能研究的資金。在上世紀60年代的大部分時間里，DARPA一直慷慨地提供人工智能研究經(jīng)費。如今，DARPA要求研究計劃必須有明確的時間表，并且詳細描述項目成果。

當時的人工智能似乎是讓人失望的，它的能力可能永遠達不到人類的水平。人工智能第一個“冬天”一直持續(xù)到70年代，并且繼續(xù)蔓延到80年代。

人工智能迎來第二個冬天（1987）

20世紀80年代的人工智能發(fā)展，是隨著“專家系統(tǒng)”（Expert Systems）的發(fā)展與大獲成功開始的。

專家系統(tǒng)是一種模擬人類專家解決領域問題的計算機程序系統(tǒng)。系統(tǒng)內存儲了大量領域知識，并模仿人類專家來做出決策。

這一系統(tǒng)最初是由卡內基梅隆大學為數(shù)字設備公司（Digital Equipment Corporation）開發(fā)的，后者迅速采用了這項技術。

但是專家系統(tǒng)需要昂貴的專用硬件支持，這就出現(xiàn)了一個問題：當時，Sun Microsystems的工作站、Apple和IBM的個人電腦都擁有近似的能力，但價格卻更低。1987年，專家系統(tǒng)計算機的市場崩潰了，主要供應商黯然離場。

上世紀80年代初，專家系統(tǒng)的繁榮讓DARPA增加了對人工智能研究的資金投入。但后來情況再次發(fā)生了改變，除了少數(shù)人為挑選的項目以外，DAPRA再次切斷對于其他人工智能項目的大部分資助。

“人工智能”一詞再次成為研究領域的禁忌。為了避免被視為不切實際、渴求資助的“夢想家”，科研人員開始為人工智能相關的研究冠上不同的名稱——比如“信息學”、“機器學習”和“分析學”。

第二個“人工智能冬天”延續(xù)到了2000年代。

IBM的深藍擊敗卡斯帕羅夫（1997）

1997年，當IBM的深藍國際象棋（Deep Blue chess）電腦在國際象棋比賽中擊敗了當時的世界冠軍加里?卡斯帕羅夫（Garry Kasparov）時，人工智能的公眾形象大幅提升。

在電視直播的六場比賽中，深藍贏了兩場，卡斯帕羅夫贏了一場，其中三場以平局告終。在前一年，卡斯帕羅夫擊敗了早期版本的“深藍”。

深藍擁有強大的計算能力，它使用了一種“蠻力”的方法，每秒評估2億種可能的走法，從而找到最佳走法。而人類每回合只能檢查大約50步。深藍達到的效果就像人工智能一樣，但是計算機此時還并沒有真正地在下棋中思考策略、自主學習。

盡管如此，深藍的勝利還是將人工智能非常高調地帶回了公眾視野。有人很著迷，也有人則對機器打敗知名的人類棋手這件事感到很不自在。令投資者難以忘懷的是：深藍的勝利推動IBM股價上漲了10美元，創(chuàng)下了歷史新高。

神經(jīng)網(wǎng)絡看到貓（2011）

到2011年，世界各地的科學家都在討論并創(chuàng)造神經(jīng)網(wǎng)絡。那一年，谷歌工程師杰夫·迪恩（Jeff Dean）遇到了斯坦福大學計算機科學教授吳恩達（Andrew Ng）。兩人萌生了建立一個大型神經(jīng)網(wǎng)絡的想法，利用谷歌的服務器資源為其提供強大的計算能力，并向它輸送海量的圖像數(shù)據(jù)集。

他們建立的神經(jīng)網(wǎng)絡在16000個服務處理器上運行。他們隨機上傳了1000萬張沒有標簽的來自YouTube的截圖。杰夫和吳恩達并沒有要求神經(jīng)網(wǎng)絡提供任何特定信息，或標記圖像。當神經(jīng)網(wǎng)絡在“無監(jiān)督”的狀態(tài)下運行時，它們自然會試圖在數(shù)據(jù)找到模式，并形成分類。

神經(jīng)網(wǎng)絡對圖像數(shù)據(jù)進行了為期三天的處理。然后，它返回了一個輸出，該輸出包含了三個模糊圖像，這些圖像描述了它在測試圖像中一次又一次看到的“圖案”——人臉、人體和貓。

在計算機視覺任務中使用神經(jīng)網(wǎng)絡和無監(jiān)督學習，該研究是一個重大突破。這個事件也標志著“谷歌大腦項目”（Google Brain Project）的開始。

杰弗里·辛頓解放了深層神經(jīng)網(wǎng)絡（2012）

在杰夫和吳恩達取得突破性進展之后的一年，多倫多大學教授杰弗里·辛頓（Geoffrey Hinton）和他的兩個學生建立了名為AlexNet的計算機視覺神經(jīng)網(wǎng)絡模型。2012年，在著名的ImageNet的圖像識別大賽當中，AlexNet一舉奪冠。參賽者必須使用自己的系統(tǒng)來處理數(shù)百萬的測試圖像，并且以盡可能高的準確率進行識別。AlexNet贏得了比賽，錯誤率不到亞軍的一半。AlexNet的Top-5錯誤率是15.3%；而在2012年以前，最好成績是26%的錯誤率。

注：Top-5錯誤率是ImageNet大賽的評價標準之一。簡而言之，大賽給圖片類別設置了近千項“分類”，而模型識別圖片時，會給出其預測的“分類”概率排名。對于某個圖片，如果該模型預測結果中，預測概率最大的前5項都不吻合實際結果，則算“錯誤”。

這一成功有力地證明，深度神經(jīng)網(wǎng)絡在對圖像進行準確識別和分類方面遠遠優(yōu)于其他系統(tǒng)。這次奪冠影響極其深遠，使深度神經(jīng)網(wǎng)絡得以復興，也為辛頓贏得了“深度學習教父”的綽號。

辛頓和他的同事約舒亞·本喬（Yoshua Bengio）、揚·勒昆（Yann LeCun）一起獲得了2018年圖靈獎。

AlphaGo打敗人類圍棋冠軍（2016）

早在2013年，一家名為DeepMind的英國初創(chuàng)公司的研究人員發(fā)表了一篇論文，展示了他們如何使用神經(jīng)網(wǎng)絡來贏得50種老式的雅達利游戲（Atari）。令人印象深刻的是，谷歌以4億美元的價格收購了這家公司。

不過，DeepMind的光輝歲月還未到來。

幾年后，DeepMind的科學家們（現(xiàn)屬于谷歌）從雅達利游戲轉向人工智能的長期挑戰(zhàn)之一——圍棋。他們開發(fā)了一個名為AlphaGo的神經(jīng)網(wǎng)絡模型用于玩圍棋，并通過玩來學習。該模型與其他版本的AlphaGo進行了數(shù)千場比賽，學習AlphaGo的輸贏策略。

它居然成功了。2016年3月，AlphaGo在一系列比賽中以4比1擊敗了世界上最偉大的韓國棋手李世石（Lee Sedol）。整個事件被拍成了紀錄片。

觀看這部片子的時候，我們很難忘記李世石被擊敗時的悲傷。看起來就好像人類——而不僅僅是一個人——被打敗了。

在深度學習產(chǎn)生了廣泛影響的同時，人工智能的故事只是剛剛開始。

我們已經(jīng)進入一個嶄新的時代。人工智能仍將充滿希望，裹挾著炒作與浮躁。它所帶來的，也許將遠遠超過個人計算和互聯(lián)網(wǎng)在過去30年對世界造成的改變。帶著對未來的期許，讓我們回到圖靈一開始提的問題：“機器能思考嗎？”

可能不需要再次歷經(jīng)70年的求索，答案也許就在這個十年。

本文為專欄作者授權創(chuàng)業(yè)邦發(fā)表，版權歸原作者所有。文章系作者個人觀點，不代表創(chuàng)業(yè)邦立場，轉載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。