挫折后转向机器学习

一开始人工智能就显现出光明前景，学者们没有理由不乐观。1958年，纽厄尔和西蒙自信地说，不出10年，计算机将会成为世界象棋冠军，证明重要的数学定理，谱出优美的音乐。照这样的速度发展下去，2000年人工智能就能超过人类。

可事实没那么简单。1965年，机器定理证明遇到瓶颈：计算机推了数十万步也无法证明两个连续函数之和仍是连续函数。萨缪尔的跳棋程序也无法进一步战胜世界冠军。

1960年代计算机技术爆发时，大家估计人工智能不超过十年就能实现。但后来人工智能技术的发展之难，让很多科学家放弃了这个领域。后来学界也将人工智能分为两种：难以实现的强人工智能和可以尝试的弱人工智能。

强人工智能是科幻电影里常见的那种，可以认为它就是人，可执行“通用任务”。弱人工智能则处理单一问题。我们迄今仍处于弱人工智能时代。

1970年代，爱德华·费根鲍姆的思路被学界接受：人工智能不光要研究解法，还得引入知识。专家系统就诞生了。它利用数字化的知识去推理，以模仿领域专家解决问题。第一个成功的专家系统DENDRAL1968年问世，可根据质谱仪的数据推知分子结构。

在1977年世界人工智能大会提出的“知识工程”的启发下，日本的第五代计算机计划、英国的阿尔维计划、欧洲的尤里卡计划和美国的星计划相机出台，人工智能都是这些计划的重要组成部分。

于是，在1980年代，机器学习成为了人工智能的焦点。而且学者也提出了让机器不靠人类灌输知识，而是模拟小孩子自己去学的方法。其中，有学者模拟大脑结构(神经网络)实现，也有学者模拟与环境互动的简单生物体。他们与传统的人工智能流派鼎足而立。

但是，直到1990年代，人工智能的研究仍未走出低潮，日本在机器人领域大量投资，但当时效益不明显。

IBM“三兄弟”唱主角

1988年，人工智能系统深思闯入国际象棋界。它是IBM研发的，每秒考虑70万步棋。1991年，深思II战平了澳大利亚国际象棋冠军。

1996年，深思的升级版深蓝挑战人类国际象棋世界冠军，如日中天的加里·卡斯帕罗夫，2∶4落败。一年后的5月11日，深蓝以3.5∶2.5的成绩战胜了卡斯帕罗夫。这两次比赛都引发了全球关注，最终让人工智能重新赢得世界的注意力。

2011年2月，在美国一个著名的电视问答节目《危险》中，IBM公司的沃森(Watson)系统战胜了人类选手，成为深蓝后另一个里程碑。这个节目是各种知识的问答，主持人给出一些线索，选手则要猜出主持人所讲的东西。自然语言理解对机器是很难的，因为涉及到语言的隐含意思，各种比喻和歧义。沃森能够搞明白人类的语言是一大进步。

IBM巨额投入在各种表演性质的人工智能上，树立了AI领袖的形象，也拉升了自己的股票。目前，沃森和同类系统已经被用在帮助律师处理案卷，或者帮助医生根据病例做初步诊断上。

随着Google在近十年大量投资人工智能，桂冠似乎正要从IBM头顶摘下。谷歌公司的工程总监是未来学家雷·库兹韦尔，他由于普及了奇点概念而名震业界。库兹韦尔认为：人工智能迟早要发展到一个转折点，由于所有信息被人工智能吸纳，它将生产出人类再也无法消化的海量信息从而超越人类。

从神经网络到阿尔法狗

前几天结束的阿尔法狗对抗李世石，最终电脑笑到了最后，为什么人工智能这么厉害?靠的是神经网络进行深度学习。

所谓神经网络研究，可追溯到1943年。当时，沃伦·麦卡洛克和沃尔特·匹兹提出了单个神经元的计算模型。1957年，弗兰克·罗森布拉特扩充了麦卡洛克-匹兹模型，在神经元上加入了学习算法，并称之为“感知机”。它根据模型的输出，与人们希望模型的输出之间的误差，调整权重来学习。

感知机根据输出效果的好坏来调整自己的神经网络，这跟人的大脑是相同的原理。神经网络学派给机器学习指出了一条路。1974年，杰夫·辛顿提出，用多个感知机连接成一个网络，它就能解决任何问题;配合以反向传播算法，就能训练神经网络。

“阿尔法围棋”复制了小孩子的学习过程，成功了就调高相关通路强度，失败了就调低，使神经网络在自我对弈百万盘(用不同风格)后调整到最优。

除了模拟大脑的“神经网络派”，还有模拟昆虫的“行为智能派”。他们从蚂蚁这样单个智力有限但群体表现优异的动物获得启发，让机器在与环境互动中获得知识。不久前，美国波士顿动力公司研发的“大狗”四足机器人，就是这个学派的产物。

在几代人工智能学者的带领下，我们已经拥有了苹果的Siri这样真实可感的人工智能。下一步惊人的成就会从哪里突破?很可能不在学院，而是商业公司，或许不在美国，而在中国、英国或日本。无论如何，离人工智能交一份满分答卷还早。（文·记者 高 博）