關(guān)于人工智能的發(fā)展概述

早在古代就應(yīng)該有人幻想著制造能夠自主思考的機(jī)器，至于最早能追溯到什么時(shí)候，恐怕很難考證。但是當(dāng)世界上第一臺(tái)可編程計(jì)算機(jī)被設(shè)計(jì)的同時(shí)，就開始真正的思考計(jì)算機(jī)能不能變得智能？

人工智能發(fā)展初期，人們大多相信可以通過使用規(guī)則硬編碼就可以實(shí)現(xiàn)，而事實(shí)上這類的符號人工智能僅適于解決明確的邏輯性問題，對復(fù)雜的圖像處理、語言翻譯等任務(wù)幾乎沒有效果。如今人工智能借助機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，已經(jīng)廣泛地應(yīng)用于多個(gè)領(lǐng)域，同時(shí)也成為學(xué)者關(guān)注的活躍課題。

早期的人工智能致力于相對樸素且形式化的環(huán)境中，通過一系列的形式化數(shù)學(xué)規(guī)則描述，高效的完成了對人類來說具有挑戰(zhàn)的工作。1997年性能優(yōu)異的深藍(lán)戰(zhàn)勝了人類的國際象棋的世界冠軍，而深藍(lán)主要由程序人員或工程師事先將國際象棋完全形式化后再描述給計(jì)算機(jī)。個(gè)人認(rèn)為這不能算是人工智能就像大機(jī)器生產(chǎn)，標(biāo)準(zhǔn)化的機(jī)器生產(chǎn)，促成了生產(chǎn)的信息化、提高了生產(chǎn)的效率。

像這種機(jī)械化、大量重復(fù)性的工作對于人來說是不人道的，因此將生產(chǎn)過程形式化后，通過計(jì)算機(jī)來控制機(jī)器生產(chǎn)，這是早期計(jì)算機(jī)和人工智能的主要工作。毫無疑問的，將各種問題形式化的工作是由人類完成的，這個(gè)形式化描述工作本身就是一個(gè)不小的挑戰(zhàn)，一個(gè)未被計(jì)算機(jī)自主解決的問題。想想吧：試圖設(shè)計(jì)出特別復(fù)雜的形式化規(guī)則來精確的描述世界，著實(shí)是個(gè)不小的挑戰(zhàn)。而且早期的人工智能還受限于計(jì)算機(jī)的性能。

為避免硬編碼的知識(shí)體系的構(gòu)建，人工智能需要具備自己獲取知識(shí)的能力。而從原始數(shù)據(jù)中獲取模式的能力就是機(jī)器學(xué)習(xí)。比如簡單的機(jī)器學(xué)習(xí)算法邏輯回歸和樸素貝葉斯可以輔助決策是否剖腹產(chǎn)，以及區(qū)分垃圾郵件等。當(dāng)然了這些算法依賴于給定數(shù)據(jù)的表示，很多的時(shí)候是需要數(shù)據(jù)的收集和準(zhǔn)確表示，即準(zhǔn)確的提取一個(gè)特征集。比如醫(yī)生，尤其中醫(yī)正是通過“望”、“聞”、“問”、“切”等手段，獲取相關(guān)數(shù)據(jù)，識(shí)別病癥等特征，來診斷病情。

從該角度來看，中醫(yī)相對缺乏理論，更多的醫(yī)藥典籍等醫(yī)療手段都是通過長期的積累和特征識(shí)別，正是如今大數(shù)據(jù)的思路。并沒有深追究個(gè)中的因果關(guān)系，沒關(guān)注到底是什么藥物成分有效。

然而有些時(shí)候，我們很難知道應(yīng)該提取哪些特征？為解決這一問題，有一個(gè)方式是通過機(jī)器學(xué)習(xí)本身發(fā)掘表示本身，該方法被稱為表示學(xué)習(xí)。該方法在減少了人工干預(yù)的同時(shí)，也提高了獲取特征集的效率。從這種有人和無人參與的角度，可將機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。

目前，對人工智能最大的挑戰(zhàn)是很難形式化描述的問題，而這些問題對人來說卻容易的多，比如從圖片中識(shí)別出動(dòng)物、根據(jù)朋友的表情判斷是否生氣等工作。經(jīng)過互聯(lián)網(wǎng)的初步發(fā)展，積累了大量的各行各業(yè)的各種數(shù)據(jù)，基于大數(shù)據(jù)的人工智能進(jìn)入公眾的視野，引發(fā)了大量的思考。
? ? ? ?不少人顧慮人工智能對人類是否夠友好？我只能說：真想多了，目前的人工智能沒那么智能，距離我們的通用人工智能的距離遠(yuǎn)著呢。目前蓬勃發(fā)展領(lǐng)域主要有圖像識(shí)別、語音識(shí)別、自然語言處理等。大多是通過深度學(xué)習(xí)的方式來完成實(shí)現(xiàn)的，即通過其他較簡單的表示來表達(dá)復(fù)雜表示，以此解決表示學(xué)習(xí)中的核心問題。

輸入簡單特征更抽象特征的額外層從特征映射輸出值得一提的是，深度學(xué)習(xí)的一個(gè)重要領(lǐng)域“強(qiáng)化學(xué)習(xí)”，可在沒有人類操作者的情況下，自主的通過試錯(cuò)來學(xué)習(xí)執(zhí)行任務(wù)。