潮起潮落——人工智能发展史中的三大浪潮

这里是标题一h1占位文字


 潮起潮落——人工智能发展史中的三大浪潮

  人类未来的发展篇章,离不开人工智能这个新兴领域的崛起,它将给诸多行业带来颠覆性的影响。作为这个时代的热浪大潮,人工智能正被技术人员、学者、财经记者和风险投资人共同吟诵。但这个领域本身就是很多学科的交叉融合,哪怕是最简单的定义,不同学科也有不同的声音。鉴古知今,我们就先回顾人工智能的起源与历史,再展开下一步的探讨吧。人工智能概念正式提出是在1956年。在美国达特茅斯学院举办的夏季学术研讨会上,约翰•麦卡锡、马文•闵斯基、克劳德•香农等学者参与讨论如何“让机器像人一样认知、思考和学习”。正是在这次会议上,“人工智能”这一术语首次亮相。在之后的六十多年里,人工智能的发展跌宕起伏,经历了三次大的浪潮:

  1、第一次发展高潮(1956-1976)

  1956年,人工智能学科诞生。

  1957年,Frank Rosenblatt在IBM-704计算机上模拟实现了一种叫做感知机的神经网络模型。这不仅开启了机器学习的浪潮,也成为后来神经网络的基础。

  

       (图片来自网络,如有侵权,联系删除)

  1959年,Arthur Samuel提出了机器学习,机器学习将传统的制造智能演化为通过学习能力来获取智能,推动人工智能进入了第一次繁荣期。

  

(图片来自于网络,如有侵权,联系删除)

  在这个时期,人们对人工智能都抱着极大的热情,Minsky甚至在1967年表达过:在一代之内,创造人工智能的问题将在实质上得到解决。

  1963年6月,MIT从新建立的ARPA(即后来的DARPA,国防高等研究计划局)获得了220万美元经费,用于资助MAC工程。此后,ARPA每年提供300万美元,直到20世纪70年代为止。

  2、第一次寒冬(1976-1982)

  由于人们最初对人工智能的难度进行了错误的判断。到20世纪70年代,人工智能开始遭遇各方批评,随之而来的还有研究经费的问题。此前人们对人工智能过分乐观,一旦当承诺无法兑现时,对人工智能的资助就大幅减少了,

  随着人工智能研究经费的取消,到1974年,几乎很难找到对人工智能项目的资助了。同时,Minsky对感知机的批评,对神经网络的发展几乎是毁灭式的,一度导致神经网络销声匿迹了近10年。

  虽然机器拥有了简单的逻辑推理能力,但在当时,由于计算机性能的瓶颈、计算复杂性的指数级增长、数据量缺失等问题,一些难题看上去好像完全找不到答案,从1976年开始,人工智能的研究进入长达6年的萧瑟期(第一次低谷期)。

  3、第二次发展高潮(1982-1987)

  80年代初人工智能掀起第二波高超,这一阶段主要以专家系统和日本的第五代计算机为代表。

  在这一时期,“专家系统"程序开始被全世界的公司所接受,知识处理成为人工智能领域的焦点。专家系统可以根据一组专业的知识,推演出某一特定领域问题的答案。比如一个名叫MYCIN的系统能够诊断血液传染病。专家系统的出现,使得人工智能真正地实用起来。

  1981年,日本经济产业省拨款8.5亿美元支持第五代计算机项目,目标是创造能够与人对话、翻译、理解图像并能像人一样思考的机器。其他国家纷纷作出响应,英国和美国也先后对人工智能产业追加投资,这些行为都促成了人工智能的繁荣。

  1982年,John Hopfield提出了一种新型的神经网络(现在被称为Hopfield网络)。这是一种全连接的神经网络,具有自联想和记忆功能,并且易于用硬件实现。这使得沉寂了10年之久的神经网络重获新生。

  

(图片来自于网络,如有侵权,联系删除)

  1986年,Rumelhart和McCLelland提出了BP神经网络。这是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。

  

(图片来自于网络,如有侵权,联系删除)

  随着美国、日本立项支持人工智能研究,以及以知识工程为主导的机器学习方法的发展,出现了具有更强可视化效果的决策树模型和突破早期感知机局限的多层人工神经网络,由此带来了人工智能的又一次繁荣期。

  4、第二次寒冬(1987-1997)

  专家系统虽然很有用,但它在知识获取、推理能力等方面的不足,应用领域过于狭窄,而且更新迭代和维护成本非常高,人们对人工智能再度失望,并引发了新一轮的财政危机。1987年,人工智能硬件市场的需求突然下降,同时苹果和IBM的台式机性能也不断提升。到1987年时,已经超过了昂贵的Lisp机。于是,老系统失去了存在的价值,瞬间土崩瓦解。美国取消了人工智能预算,日本第五代计算机项目失败并退出市场,专家系统进展缓慢,人工智能的发展又一次进入低谷期。

  5、第三次发展高潮(1997~今)

  新一代信息技术引发了信息环境与数据基础变革。

  1997年,“深蓝"成为战胜国际象棋世界冠军卡斯帕罗夫的第一个计算机系统,它代表了基于规则的人工智能的胜利。

  2006年,Hiton提出了深度置信网络。这是一种深层次神经网络,是深度学习的前驱。它使用无监督的方法来学习并解决问题,取得了良好的效果。深度学习自此开始备受关注,为后来人工智能的发展带来了重大影响。

  

(图片来自于网络,如有侵权,联系删除)

  2010年开始,人工智能快速发展,产业界也开始不断涌现出新的研发成果。

  2012年,谷歌大脑通过模仿人类大脑在没有人类指导的情况下,利用非监督深度学习方法,从大量视频中成功学习到识别出一只猫的能力。

  2015年,微软使用深度学习网络残差学习法,将lmageNet的分类错误率降低到3.57%,这已经低于了人眼识别率。而采用的神经网络深度已经达到152层。

  2016年,拥有1920个CPU集群和280个GPU的深度学习系统AlphaGo击败李世石,成为第一个不让子击败职业围棋棋手的程序。

  工程上的突破,让人们得以将以前只能停留在理论上的模型实际运行起来并进行测试,这大大加快了人工智能的发展并使之商业化。随着大数据时代的到来,运算能力及机器学习算法相应地得以提高,人工智能开始进入到第三次爆发期。

  人工智能的时代已经来临,很多关于人工智能的宣传与决策已经冲到认识之前,不可避免地造成了一些思想和舆论的混乱。到底什么是人工智能?人工智能包括哪些主要流派?智能研究的典型分支有哪些?现在的研究处于什么阶段?今后如何发展?关于智能,如何突破?如何创新?如何有所为?这些问题都有待我们去重新思考,重新认识。

相关新闻