提起人工智能(Artificial Intelliegnce,AI)，很多人會首先想起斯皮爾伯格導演的曾獲2002年奧斯卡獎的科幻電影AI，在電影里一對夫婦領養(yǎng)了一個機器人作為自己的孩子，這個機器人可以像人一樣思考，具有喜怒哀樂，在它的身上發(fā)生了許許多多的故事。這樣的科幻情景離現(xiàn)實又有多遠呢？我們不妨先從人工智能的起源談起。
人工智能一直是人們的追求
在歷史上，我們一直覺著智能不只是人類所獨有的，可以像人類一樣進行推理和學習的機器是完全可能被制造出來的，然而事情卻不像想的那樣簡單。
什么是人工智能？
在百科全書上，人工智能的定義是“有關可以智能地工作的機器的科學和工程”。不過一個令人糾結的問題是：到底什么是智能？即便那些“不智能”的機器在很多時候已經比我們聰明了，比如普通的計算機程序可以將成千上萬個數(shù)字相乘，可以記錄下銀行大量余額款項，這已經超出了普通人的能力，可是他們只是能夠大量重復做同一件事情，而且給出了正確的結果而已，還稱不上真正的“智能”。只有某些人類特有的能力，像認出一張熟悉的臉，指揮繁忙時段的交通或者學會一件樂器，才有資格稱得上“智能”。
為什么讓一臺機器做這些事情這么難？這是因為，一般程序員在給電腦編寫程序之前知道他想讓電腦做的任務是什么，可是在人工智能領域我們要求電腦做正確的事情，可同時又不是很清楚事情到底是什么。比如我們讓電腦去識別人臉，可是我們人類自己也不是完全清楚大腦在識別人臉的時候到底是怎么樣工作的。
在現(xiàn)實世界中，我們要面對種種不確定性，比如你在做一件事情的時候，一個競爭對手突然出現(xiàn)，阻止你達到目標；你在駕車的時候，有時會轉動方向盤改變車的方向，避免撞上其他的車，但是這樣做是不是一定安全，只有天知道；或者正在完成一項任務的過程中，突然來了一條新消息，需要隨機應變。一個人工智能的電腦程序不能僅僅按照既定的計劃完成任務，需要處理類似上面這樣的所有不確定性的情形。
為了模擬人類的智能，電腦程序不僅要模擬完成的任務本身，還要為這個任務所處的世界建立模型。他必須感知到周圍環(huán)境的變化，并且做出反應，相應的改變和調整自己的行動。只有一臺機器可以在不確定的條件下做出正確的決定，才稱得上智能。
哲學起源
人工智能的概念在世界上第一臺電腦出現(xiàn)之前的很多個世紀就已經初具端倪，亞里士多德提出的從假設得出結論的“三段論”就是一種機械式的邏輯推理方法。按照他的理論，我們可以這樣進行論述：
前提：一些天鵝是白的；所有天鵝都是鳥
結論：有一些鳥是白的。
如果用符號來表示：
前提：一些S是W，所有的S都是B
結論：有一些B是W。
無論S，W，B代表什么，也就是說無論這句話中的詞語具體是什么，我們都可以得到正確的結論。根據(jù)這樣的構想，我們在沒有完全知道人是怎么想問題的情況下，或許就可以建立出一套智能化的工作機制。
亞里斯多德的構想為探尋人工智能的本質奠定了基礎。然而直到二十世紀中期，電腦才變得足夠復雜，能夠去真正測試一下這些構想。1948年英國布里斯托爾大學的研究人員Grey Walter制造了一些可以移動，可以感光，可以學習的機器烏龜。其中有一個叫Elsie的機器烏龜可以自動地對環(huán)境做出反應，比如當電池電量快耗盡的時候它就會自動地降低對光線的敏感度。這些復雜的行為使得這只機械烏龜看起來不僅僅是個機器人，而是像自然界的動物一樣，會做出我們預料不到的舉動。
在1950年，天才圖靈提出，如果電腦和一個人可以談話自如，我們應該“禮貌地”接受電腦可以思考的現(xiàn)實。
不過直到1956年，人工智能這個詞語才正式被提出。在美國達特茅斯學院的一個暑期工作坊上，這個領域的早期創(chuàng)始者們共同提出了他們的愿景：如果學習的各種方式和智能各個側面都可以從理論上進行精確描述，這樣一臺機器就可以模擬人的一切。按照這樣的目標快速發(fā)展，似乎擁有真人一般智能的機器早晚會出現(xiàn)。
化整為零
在二十世紀六十年代的時候，人工智能研究人員滿懷夢想，信心十足，覺著他們將會在幾十年的時間內實現(xiàn)他們的目標，就像在航天領域從第一架噴氣式飛機到人類登上月球也只用了30年。為什么人工智能不可以擁有這樣火箭般的發(fā)展速度呢？
不過兩者之間最大的不同之處在于，對于人工智能，我們找不到像F=ma和E=mc^2那樣既簡潔又決定一切的公式。到了八十年代，研究者意識到他們既沒有足夠硬件，也沒有足夠的知識來模擬人可以做的所有事情，于是整個領域分成了很多部分。以往研究者的共同的目標是制造一臺擁有人類智慧的電腦，取而代之的是，研究者側重于去研究這個宏大問題的某個側面，比如語音識別，計算機視覺，概率推理，甚至僅僅是國際象棋這個小領域。
在每個領域內，研究者都取得了可喜的進步。在1997年，IBM“DeepBlue”電腦擊敗了國際象棋冠軍卡斯帕羅夫?！?span style="color: rgb(34, 34, 34); font-family: 微軟雅黑; line-height: 22.4px; text-indent: 32px;">DeepBlue”電腦在決定下一步怎么走棋的時候，在一秒的時間內就可以計算出兩億種不同的可能性。這使得電腦棋手可以在下一步棋之前事先推算出之后很多步棋可能出現(xiàn)的各種情況，來決定哪種局面是對自己最有利的。
“DeepBlue”電腦可以在一項需要高度智能的游戲中取得引人矚目的勝利，然而，這位“專家”的技能有點太單一了，除了贏得一場象棋比賽以外，它什么都不會做，既不能和別人討論他在下棋的時候使用過的策略，也不能玩其他的游戲，它盡管贏了世界大師，但是沒有人會把它錯當作真人，它還僅僅是一臺電腦。
人工智能的時間線：
1950年，圖靈提出，經過編程的電子計算機可以像真人一樣回答問題。
1956年，在美國達特茅斯學院的一個暑期工作坊上，這個領域的早期創(chuàng)始者們正式提出了“人工智能”這個詞匯。
1958年，Allen Newell和Herbert Simon預測在十年內，電腦可以擊敗國際象棋世界冠軍，不過在現(xiàn)實中這整整花了四十年。
1961年，電腦解決了大學一年級程度的微積分題目。
1965年，世界上第一個用于心理治療的聊天機器人ELIZA，嘗試著和人進行對話。
1967年，STUDENT程序成功地解決了用文字描述的一道大學程度的代數(shù)題目。
1973年，F(xiàn)reddy機器人通過視覺感知來定位和組裝了模型。
1974年，隨著政府資助機構減少了對于人工智能研究的撥款預算，人工智能寒冬到來。
1975年，斯坦福大學的Meta-DENDRAL程序發(fā)現(xiàn)關于分子的新規(guī)律，成果被發(fā)表在了美國化學學會的期刊上。
1980年，自動行駛的汽車在慕尼黑大學里以90公里/小時的速度行駛。
1988年，人工智能的主要形式變?yōu)榛诓淮_定數(shù)據(jù)的概率推理，而不再是以往那樣側重于邏輯。
1989年，美國航天局（NASA）利用自動聚類的電腦程序發(fā)現(xiàn)以往未知的幾類恒星。
1997年，IBM“DeepBlue”超級電腦擊敗了國際象棋冠軍卡斯帕羅夫。
1998年，由Hasbro生產的第一個人工智能的寵物Furby開始在美國出售；美國航天局（NASA）第一次有了完全由電腦程序自動控制的飛行器。
2000年，Nomad機器人探索南極洲的偏遠地區(qū)，采集氣象觀測樣本。
2004年，一個電腦程序可以比一個專業(yè)級真人飛行員更快地學會操縱遙控直升機。
2007年，美國艾爾伯特大學的人工智能程序完全破解了西洋跳棋游戲。
2011年，蘋果的語音識別軟件Siri可以讓用戶和iPhone對話；iRobot公司出售第600萬個Roomba吸塵器機器人。
2012年，Google翻譯做的翻譯總量已經超過了所有人類翻譯者所做的總合。
2012年，通過10億個連接，Google的人工智能神經網絡可以去識別一些常見的物體，像人臉和貓。
日常生活中的AI
你或許沒有意識到，其實你每天都在和AI人工智能打交道，它們在幫你選擇手機通話線路，在審核你的信用卡交易，在過濾掉詐騙垃圾e-mail和自動管理你的基金進行股票交易。它們還可以在你的數(shù)碼照片中識別出你的臉，或者你在玩視頻游戲的時候識別你的手勢，甚至可以幫助你的醫(yī)生分析化驗結果，這些常見的電腦程序其實都擁有真人一樣的智能。
2011年，IBM公司向世界推出了Watson，一個可以理解用日常語言提出的問題，并且可以準確地給出答案的超級計算機。Watson擁有3000個聯(lián)網在一起的處理器，每個處理器可以看作是一臺小型的電腦，它們一共儲存著幾百萬份文件，Watson可以隨時抽出其中的一份來幫助回答任何問題。
IBM選擇了在美國一個電視問答娛樂節(jié)目Jeopardy上讓Watson這個計算巨人首次登場亮相，Jeopardy節(jié)目一向以提出“拐彎抹角”的問題而出名，有點像國內的開心辭典和幸運52。這個游戲可比國際象棋復雜的多，Watson不僅需要綜合所有人類知識，還需要理解節(jié)目問題中的各種文字游戲。
在Watson在節(jié)目舞臺上精彩表現(xiàn)的背后，人工智能的一個分支概率推理功不可沒：這種推理可以在不完整的信息組合中提取出一幅完成的畫面。在比賽開始前，大量的維基百科文字，網頁和其他參考資料，以及以往Jeopardy節(jié)目的資料都被塞進了Watson的硬盤里。然后IBM的工程師們把Watson的電腦程序分成了100個小程序，每個小程序負責一個方面，比如一個程序會專門負責“著名作家”，另一個程序負責“食品”。當這些“各個領域的專家”搜索完了各自的數(shù)據(jù)庫之后，Watson會綜合這100個分程序的結果，選擇出最有可能正確的答案。Watson曾經在電視節(jié)目中擊敗兩位真人的冠軍。
不過成為Jeopardy比賽的冠軍并不是Watson的真正使命，IBM計劃利用Watson完成一些更加嚴肅的任務，比如給醫(yī)學、商業(yè)、農業(yè)這些領域提供時效性很強的關鍵信息。
行駛在公路上的AI
在通往拉斯維加斯的公路上，如果你看到一輛汽車上面有紅色的車牌和無窮大符號，就要留意一下了，這可能是一輛無人駕駛的汽車。內華達州為無人駕駛汽車發(fā)放了第一張牌照。
在世界上其他地方，無人駕駛汽車也會火起來嗎？應該說，到現(xiàn)在為止，駕駛還是一項仍舊由真人司機占據(jù)主導地位的任務，因為駕車雖然稱不上很難，但其中有太多變量，比如正在接近你的車是以60公里每小時還是70公里每小時行駛？在角落里會不會還有一輛在你的視角之外的車？如果我想超過前面的車，前面車的司機會不會突然超速？諸如此類的問題還會有很多。
對于人工智能來說，在公路上無人駕駛汽車還不算是最難的任務，早在1994年，兩輛無人駕駛汽車就曾經在環(huán)繞巴黎的公路上行駛了1000公里。但是如果讓無人駕駛汽車在城市中穿行，任務一下子就變得困難很多，城市交通中很多不成文的規(guī)則會讓AI汽車摸不到頭腦。比如說，如果Google的研究者嚴格按照司機守則為AI汽車編寫程序，在十字路口上一定要為其他汽車讓路，他們會發(fā)現(xiàn)這臺太過老實的無人駕駛汽車永遠也沒法走過這個路口。于是，他們對程序做了一點改進，當AI汽車等待了一段時間之后，就會自動緩慢向前移動，向其他汽車示意自己想要先走，而不只是傻傻地等待。
對于自動駕駛汽車還有一個不確定性是如何判斷自己所處的位置，GPS衛(wèi)星定位數(shù)據(jù)有時并不靠譜，誤差會達到幾米之多，AI汽車在使用GPS的同時，還會同時開啟照相機、雷達和激光定位功能，共同幫助校正GPS的數(shù)據(jù)，不要讓汽車越走越偏。這幾項定位功能每一項都有自己的優(yōu)缺點，都不是完全準確的，但是綜合到一起就可以達到很高的精確度。
除了直接駕駛汽車以外，AI還可以自動調節(jié)汽車燃料進出，節(jié)約能源。作為前沿科技的自動駕駛汽車綜合了人工智能很多方面的技術，越來越被人們所接受。通過特別許可，Google的自動駕駛汽車已經在完全無人控制的情況下，在加州的公路和街區(qū)中穿行了成千上萬公里。美國佛羅里達州和加州已經通過立法允許自動駕駛汽車這種新型交通工具的使用，其他許多州也在積極討論這一事宜。
在如今的全世界的電子郵件中，每十封恐怕有九封都是垃圾郵件，如果這些垃圾郵件和正常郵件混在一起出現(xiàn)在你的收件夾里，恐怕沒人再會用email了。能夠把垃圾郵件從正常郵件中過濾出來的人工智能領域稱為機器學習。正如名字里所說，垃圾郵件過濾器可以從環(huán)境中和從郵箱的主人怎樣對待郵件中學習什么是好郵件和壞郵件。
要判斷什么樣的郵件才算是垃圾郵件，只要看一下每天email的使用者打開郵箱之后，把哪些郵件加上星號保留，把哪些郵件看也不看就直接刪掉，這些舉動為垃圾郵件過濾器提供了最好的參考。電腦程序會根據(jù)這些信息把每個郵件分解成很多個“特征”，一個特征可以是單個詞，也可以是一個詞組，郵件發(fā)送的時間，或者郵件是由哪一臺電腦發(fā)送過來的。這些特征可以幫助電腦程序決定一封郵件是正常郵件還是垃圾郵件。比如說，一封郵件里包括了“最低價格”、“精心包裝”這兩個特征詞組，而根據(jù)全球統(tǒng)計，這兩個詞組在垃圾郵件中出現(xiàn)的比率高達8%和3%，而在正常郵件中，它們出現(xiàn)的比例只有0.1%和0.3%。之后在假設這些詞語出現(xiàn)的幾率是獨立的前提下，通過數(shù)學上的貝葉斯定律公式和上面兩項特征的統(tǒng)計數(shù)據(jù)，計算出這封郵件是垃圾郵件的概率有99.9%之高。
垃圾郵件過濾器最重要的事情就是根據(jù)經驗不斷更新它使用的郵件判定模型。再好的垃圾郵件過濾器也會有犯錯誤的時候，可能放過壞郵件，也可能錯殺好郵件，每當郵箱的主人把一封垃圾郵件箱里的郵件移回收件夾里或者在收件夾里點一下刪除的時候，垃圾郵件過濾器會立刻更正自己的參數(shù)，做出新的改進，以提高識別郵件的準確率。對于編寫垃圾郵件過濾器的程序員來說，他們并不需要一步一步地制定出繁瑣的郵件判別標準，只需要構建一個人工智能系統(tǒng)，然后通過例子和真正的email來訓練這套系統(tǒng)，讓垃圾郵件過濾AI程序自己提高自己。
在任何一天，Google翻譯功能所翻譯的文字量比全世界所有專業(yè)翻譯人員每年翻譯量的總合還要大。Google翻譯可以在65種語言之間任意兩種之間進行翻譯，一共有超過4000種翻譯方式。Google翻譯能夠運行，一定離不開人工智能的一個領域——概率推理。
在很多年前，語言學家通過雙語字典上大量的詞匯和一條條的語法規(guī)則來構建自動的翻譯系統(tǒng)。但是這樣做卻失敗了，如此的翻譯會很生硬、很不靈活。比如法語語法規(guī)則里一般形容詞在名詞后面，英語語法規(guī)則里一般形容詞在名詞前面，可是也有例外的時候，比如“the light fantastic”。
在過去二三十年里，自動翻譯依靠的不再是語言學家制定的規(guī)則，而是從現(xiàn)實的例子中自動學習而來的由概率支配的規(guī)則，就好像以往是通過背單詞和記語法來學外語，而現(xiàn)在是通過身臨語言環(huán)境中學習。
自動翻譯另外一個重要方面是電腦和真人之間的配合和交互，很多自動翻譯系統(tǒng)都是先在互聯(lián)網上搜集大量真人翻譯過的文件作為基礎。
當然自動翻譯還遠遠稱不上完美，但是它正在逐漸改進，準確度越來越高，語言的種類也越來越多。Google正在研究一個名為Translate的Android手機小程序，每當你對手機說一句話時，這個小程序可以把你所說的話轉換成任意一種語言，發(fā)送給和你通電話的人，而對方在手機上也可以說自己的語言。隨著自動翻譯技術的發(fā)展，一個被長久期盼的誘人目標將有機會實現(xiàn)——每個人不需要學習任何外語，就可以和世界各地的朋友進行交流。
人工智能的新未來
在過去半個世紀中，幾個關鍵的發(fā)展推動著人工智能科技出現(xiàn)在我們的身邊。如今，科學家們對于神經科學和認知科學的新認識可以讓我們設計出更新的硬件和軟件?；ヂ?lián)網的發(fā)展也使得直接訪問全球的海量數(shù)據(jù)變得可能。不僅如此，人工智能或許還可以自己依靠自己來進化。
進化
現(xiàn)今大多數(shù)的人工智能系統(tǒng)如果完全依靠手動來編寫程序，會變得很復雜，一個另辟蹊徑的方法是讓電腦程序自己進化自己。在虛擬的環(huán)境中，程序通過不斷的迭代，嘗試變化各種參數(shù)，在不斷嘗試和失敗之中，程序逐漸“自然而然”變成設計者期望的樣子。
首先設計者們對于程序所在的環(huán)境進行模擬，就像一個游泳池或者一片沙漠一樣，比如對于垃圾郵件過濾器，“環(huán)境”就是大量的郵件，既包括正常郵件，也包括垃圾郵件。然后一個人工智能AI程序的不同版本會同時在模擬的環(huán)境中進行測試，這些AI程序會給出各自不同的輸出結果，輸出結果的質量會被評分，分數(shù)比較好的AI程序會被進一步的修改，分數(shù)比較差的AI程序會被遺棄掉，修改后的程序有的可以進一步變得更好，有的則會不如以前，同樣優(yōu)勝劣汰，如此往復，最后原本幾個普通程序可以自然進化成很好的人工智能系統(tǒng)。
這個過程其實非常像自然界中所發(fā)生的“弱肉強食，適者生存”，而一個程序的某個參數(shù)被修改如同基因突變，兩個程序還可以各取一部分交叉到一起產生一個新的程序，就如同動物交配產生后代一樣，這種讓電腦程序自己進化自己的方法被稱為“遺傳算法”。
電腦也需要直覺
人類永遠不是絕對理性的，我們在做決定的時候會犯很多常見的錯誤，會很容易受無關細節(jié)的干擾。有的時候我們并沒有經過事實判斷，匆匆忙忙做出一個決定，也就是常說的“相信自己的直覺”。我們曾經覺得“冷靜”的電腦不像人一樣沖動，一定是件好事，可是最近的認知科學研究結果卻發(fā)現(xiàn)事實并非如此。
一個人先天具有兩種相互配套的做決定的方式，一種是緩慢的、深思熟慮的但同時也是理性的，另一種是快速的，有爆發(fā)力的，可以把當前的情況迅速和以往的經驗聯(lián)系起來，一兩秒鐘做出決定。第二種方式或許才是人類智能的關鍵。
我們在進行深思熟慮的時候，理性必定要以耗費更多的時間和精力為代價。比如有一輛車正迎面撞向你駕駛的車，你需要立刻做出反應，或者鳴笛，或者剎車，或者轉向，而不是經過復雜的計算決定哪種選擇是最優(yōu)的，估計等結果算出來事故已經發(fā)生了。這種快速反應在非緊急情況下也同樣有使用的必要，比如你如果每天都在仔細思考到底穿深藍色衣服還是淺藍色衣服這樣無關緊要的問題，會浪費大量的時間和精力，耽誤重要的事情。
那么人工智能中是不是也應該加入直覺的成分呢？事實上，很多現(xiàn)代的人工智能系統(tǒng)真的有兩部分，一部分用于瞬時反應的情況，另外一部分用于需要更多理性分析的情況。一些機器人使用多層系統(tǒng)結構，最底層只做直接的反應，較高的層組織和抑制這些反應，去完成更復雜的目標。這種方式可以很有效，控制步行機器人在凹凸不平的地面上行走就是一個例子。
另外一種類似的方式是在人工智能程序中加入一些“情感”，比如一個機器人如果反復嘗試做一件事情，不斷失敗，一個表達“氣餒”情感的電路就可以“激勵”機器人尋找新的選擇。
讓機器來模擬情感本身就是件很復雜的任務，人工智能的創(chuàng)始者之一Marvin Minsky曾經認為情感并不是人的大腦所做的一件事，而是包括了大腦的很多部分之間的相互作用，還有大腦和身體之間的相互作用。情感會驅使我們做出某些選擇，如果電腦程序的某部分能夠讓程序變得好像被情感驅使了一樣，電腦程序自然變得更像人類的智能。
像大腦一樣的機器
既然我們的目標是制造一臺具有人類智能的機器，為何不直接復制一下人的大腦呢？人類自己畢竟是智能的最好樣本。在過去的二三十年，神經科學對于我們的大腦是怎樣處理和儲存信息產生了很多新的認識。
人類的大腦是由100萬億個神經突觸連接著1000億個神經元組成的一個網絡，這些神經突觸和神經元會在每秒內改變10到100次狀態(tài)。我們大腦的這種結構使得它非常善于完成在一張圖片中識別出一個物體這樣的任務。
而一臺超級計算機可以擁有100萬億字節(jié)的內存，擁有的晶體管電路的運算速度比人的大腦快1億倍，這種結構使得計算機擅長于去快速完成明確定義、工作量大、要求精確的任務。
這兩種結構各有優(yōu)缺點，不過完成很多模糊性任務的時候，人腦的結構更加占據(jù)優(yōu)勢，比如像識別人臉，我們并不需要進行精確計算的電路。
相比于超級計算機，人的大腦也是一臺很節(jié)能的機器，人的大腦進行各種計算的時候，大約只需要20瓦的功率，只相當于一個亮度很低的老式電燈泡。而一臺進行類似計算的超級計算機所需要的能量將會是20萬瓦。據(jù)統(tǒng)計，每天應對全球無數(shù)搜索請求，擁有很多超級計算機的Google公司每年用電可以達到23億千瓦時（度），相當于20.7萬戶美國家庭一年的用電量，相當于41座帝國大廈一年用電量，一個表面上看起來并非傳統(tǒng)重工業(yè)的公司卻是個耗電大戶。這使得很多研究人員嘗試著模仿人的大腦制造出節(jié)能高效的電腦硬件。
我們都知道，任何一臺電腦里都需要有CPU，內存和硬盤，假設CPU是你，內存是桌子，硬盤是柜子，而程序則是那些你放在柜子里的各種書籍，文件，玩具等等，CPU負責運算和執(zhí)行各個程序，硬盤儲存著各個程序，如果你想看看書或者玩玩具，那得先把相應的東西從柜子里拿出來放到桌面上，然后你才可以在桌面上玩玩具或者寫作業(yè)。桌子就相當于內存，是一個臨時儲存程序的地方。在電腦里，這三個部件缺一不可，可是在人的大腦里，我們并沒有相應的這些部分，處理儲存信息都是在一起同時進行的。按照傳統(tǒng)計算機的結構，你玩完玩具想去看書，需要先把玩具從桌子放回柜子里，然后再從柜子里拿一本書拿到桌子上，完成很多個不同的任務需要一道道的工序，效率就會降低，可是大腦的結構允許你同時做很多件事情，不需要做完一件再做另外一件。
如今很多研究人員在嘗試著模仿人類大腦制造出新型的計算機：它們平行地而不是一件一件地完成任務，它們更加模擬化而不是數(shù)字化，它們雖然會慢一些但是消耗的能源也很少。
聯(lián)系客服
