人工智能发展史

人工智能发展史

1956年，由约翰·麦卡锡、克劳德·香农、马文·明斯基、纳撒尼尔·罗切斯特等人组织的达特茅斯会议，在新罕布什尔州的达特茅斯学院举行，进行了为期一个月的集体研讨会。会议提出了“人工智能”这一概念。

在人工智能界，达特茅斯会议可谓是开天辟地的大事件。也正是在这次会议上，研究人员确定了很多日后需要解决的关键性问题。这些问题即使放到今天，也依然是研究的重点。比如：英文等自然语言能否用于编程？可模拟人脑神经元的程序能否编写出来？计算机能否通过学习而不断进步？计算机应该如何表达信息？在算法中增加随机性，是否就能提高创造力？

从很早的时候开始，科学家就开始为计算机智能的发展方向争论不休。他们分成三派，第一派以麦卡锡为代表，认为逻辑推理是计算机智能化的必由之路（符号主义学派）。第二派以麦卡洛克、皮茨为代表，认为构建神经元模型才是正道（连接主义学派）。第三派以明斯基为代表，认为计算机要想实现智能化，就必须首先具备现实世界的知识（行为主义学派）。

周志明在《智慧的疆界》一书中将三大学派分别概括为：符号主义学派（注重逻辑推理）、连接主义学派（注重大脑构造思考过程模型）和行为主义学派（更多的外界输入，才能做出更好的反应）。

1943年，麦卡洛克和皮茨发表了一篇论文，阐述了一个抽象的神经元模型。这个模型把真实神经元的工作方式在极大程度上进行了简化：每个人工神经元都会接受几个输入信号（用二进制表示，1代表输入，0代表没有输入），总输入信号是这几个信号的加权（乘上1或是-1）再求和。然后再把计算结果与一个阈值相对照。如果高于阈值，人工神经元就能产生一个单路输出，记为二进制里的1，低于阈值就没有输出值，记为0。如果把这些单独的人工神经元用正确的方法连接起来，即上游神经元的输出值可以作为下游神经元的输入值的话，即便这些神经元的功能极为简单，它们也可以像简单的逻辑电路一样工作。

1951年，明斯基造出了一个装有三百根真空管的原型机，该机器蕴含一个人工神经网络，明斯基希望它能像大脑一样学习。明斯基在普林斯顿大学的博士论文研究的就是，“怎样才能让人工神经网络系统学会学习”。

人工智能的理论得到进一步发展，研究人员开始从不同的角度审视人工智能问题。明斯基认为，有两个主要问题：“第一个问题是，怎样才能制造一台会思考的全能机器？或者进一步说，就算制造出了一台全能的机器，你能把它解决问题的运算过程称为思考吗？”，“第二个问题是，有没有什么指导性的理论可以界定机器能否思考的问题？人们能否弄清楚智能的本质、原则和一系列其他的奥秘？”这两个问题其实涉及到对人工智能的本质定义，问题是它们太抽象了，没什么实际意义。

麦卡锡一直致力于用逻辑和逻辑化的计算机语言使计算机学会推理思考，麦卡锡的思路就是要让计算机像人类一样推理思考，不管你想做什么，你必须首先设计一套正确的逻辑，把它清晰地表达出来。

在此基础上，一款叫做“专家系统”的新程序走进了人们的视野。它能够有效地运用某个领域的专家多年积累的有效经验和专门知识，通过模拟专家的思维过程，解决一系列问题。它的用途非常广泛，可用于诊断疾病，也可用于推荐合适的理财产品，这取决于每个专家系统的专长是什么，早期的聊天机器人也诞生于这个时期。

明斯基的方法并不是建立在数理逻辑的基础之上，他认为单靠逻辑不足以创造出人工智能。所以他另辟蹊径，引入了一个新的概念，称为“框架”（frame）。我们知道，现实世界中的信息并不总是符合逻辑的，但它们一定可以反映这个世界的真实情况，框架就是一种可以存储这些“芜杂”数据的数据结构。

1963年，麦卡锡在斯坦福大学创立了人工智能实验室。同一年，明斯基在麻省理工学院创立了人工智能研究小组（即现在的麻省理工学院人工智能实验室）。人工智能领域由此形成两派分庭抗礼之势，美国西海岸的研究人员以麦卡锡为首，称为“简约派”（the Neats），因为他们注重逻辑和证明。东海岸的研究人员则受明斯基的影响，称为“芜杂派”（the Scrufles）。

1957年，明斯基的老同学弗兰克·罗森布拉特（Frank Rosenblau）设计了一个更为先进的神经元模型，称为“感知机”（perceptron）。这个模型与麦卡洛克和皮茨设计的简单神经元模型基本相同，只是对输入信号的权重进行了些许调整，权重值可以在-1到1之间浮动，此外它的阈值也是可以调整的。罗森布拉特还设计了一套拓扑结构图，用于描述神经元之间的联系：神经元网络分为三层，它们分别是输入层（input layer）、内部隐藏层（internal hiddenlayer）和输出层（output layer）。这个模型的创立引领了20世纪60年代对人工神经网络的研究风潮。

不过明斯基由于之前做过人工神经网络，所以并不认同新的模型。明斯基和罗森布拉特之间发生了激烈的争论，这促使明斯基决定把他所有的反对意见都写下来，仔细编撰成一本书。这就是大名鼎鼎的《感知机：计算几何学导论》（Perceptrons：An Introduction to ComputationalGeometry ），该书于1969年出版，给当时火爆的神经网络研究带来了巨大的冲击。

截至1969年，人们发表了几千篇关于感知机的论文，但是明斯基的书一下子就把讨论感知机的氛围给吹散了。明斯基后面回想起来，觉得这本书对感知机批判的有点过火了，不过他书里的观点归根到底就是一句话——感知机无法将视觉上分散的东西汇总到一起。比如拿起一把勺子，将勺子藏到了碗的后面，你其实知道这是一把勺子，虽然你并没有看到它的全部，只是看到了它的柄和勺尖。但是感知机做不到，它不能把这些信息汇总起来，得到一个真实可靠的结论。

尽管明斯基后来也承认，他对感知机的简约设计和强大功能还是很钦佩的，但是神经网络研究已然遭到沉重的打击。20世纪70年代，人工智能迎来了第一个冬天。

20世纪80年代，专家系统已经得到广泛应用。在神经网络领域，新的神经元模型和机器学习方法相继问世，比如霍普菲尔德网络（Hopfield network）、反向传播算法等，人工智能的春天回来了。

但是人们发现，建立专家系统需要耗费漫长的时间收集专业知识，而且如果专家系统遭遇了专业领域以外的任何问题，它们给出的答案常常令人啼笑皆非。几个大型的人工智能计算项目都失败了。很多建立在这些技术基础之上的公司纷纷倒闭，研究经费很快撤离。甚至连最新的神经网络方法也都伴随着一大堆问题——规模大的问题解决不了，规模小的问题又无法保证拿到最优解，速度缓慢而灵活性差，令人失望。

大部分人工智能理论都是建立在符号处理的基础之上，在符号处理的问题上，简约派和芜杂派区别不大，都在使用计算机操控符号。

哲学家约翰·希尔勒将计算机比作一个待在“中文屋子”里的人。屋里的人不懂中文，但我们给这个人传递一条用中文写成的信息，他在文件柜里翻找合适的回复内容，最后用中文给我们回复了一条新的信息，而且由于他不懂中文，自然也不会理解信息的意思。在屋外的人看来，屋里看起来像是有一个以中文为母语的人，但事实上，这个人根本不懂中文。
希尔勒认为，只会执行符号处理的计算机永远不会拥有智能，无论它们做出的成果有多么惊人，都不会改变这个事实。即使“聊天机器人”通过了图灵测试，它还是不懂它使用的文字，只不过是一台通晓测试游戏规则、且善于投人所好的邮件分拣机罢了。人工智能又一次名声扫地，并在20世纪80年代末迎来了第二个冬天。

麻省理工学院教授罗德尼·布鲁克斯撰写了题为《大象不会下棋》的论文，标题恰到好处地点出了人工智能传统认识的局限性。他认为，与任何机器人或是计算机程序相比，大象这类哺乳类动物都要聪明得多。它能在自己的世界里走动，与其他大象交谈，甚至会哀悼死去的大象。但是大象并不会下棋。它们没有逻辑思维，不会推理或是操纵符号。
现代的人工智能程序也许能够做到逻辑推理，也有可能拥有高超的棋艺。但是在真实世界里，它们连一个机器人都控制不了。它们不能处理现实世界中的变化性、多样性以及不协调性。现实世界其实是一团乱麻，传统的人工智能根本无法应付这样的环境。

布鲁克斯认为，传统的人工智能把主次给颠倒了。研究人员应当更多地采用一种以行为学为基础的方法，而不是盲目对大脑进行建模，而后将其输入计算机。智能应该自下而上地构建。主流的研究思路是自上而下的，他们把大脑的每一块有感知能力的部分都纳入一个统一的模型当中，设计者再根据这个模型制定计划，每一个任务执行单元都要严格按照计划的程序一步一步执行命令，这太盲目了。生物系统里真正的情况不是这样的，从感知到行动的反应非常快。

布鲁克斯运用自己对生物学本质的深刻认识，建立了适用于机器人的“包容结构”（subsumption architecture）。他从一层层的本能行为开始构建智能，有些层次的本能行为比其他层次的优先级要高。所以，低层次的行为也是最重要的行为，譬如我们不会随便撞到障碍物，这就是一种本能。高层次的行为重要性相对低一些，像随机性的四处走动就属于这种类型。而探索周围环境可能就属于更高层次的行为了。所有行为都会直接受到传感器的影响，但是低层次的行为会优先处理，这就意味着它们可以随时中断高层次行为的执行。他们可以在传感器和执行器之间建立速度非常快的联系网络，网络里不是几个传感器和执行器的互联，而是有许许多多多的器件都参与了这个网络的构成。

采用布鲁克斯的方法后，科学家做出来的人工智能机器更加贴近自然状态，这种人工智能机器可以完成一系列复杂的行为，它会根据所处的环境，动态地开关或是组合预设的基本行为。重要的是，它既没有处理任何符号语言，也没有预装的知识库。对布鲁克斯来说，世界本身就是它自己的模型，机器人的行为只是去适应这个世界而已。他们按照这个方式做出的机器人，运行结果令人惊叹。