|
今天主要给大家做一个关于人工智能的历史和发展现状的分享。人工智能可能对绝大多数同学来说比较陌生，所以我会尽可能地做到通俗易懂。 （一）达特茅斯会议 人工智能的英文叫做“Artificial Intelligence”，这个名词的提出可以追溯到1955年，在具有历史意义的达特茅斯会议（在达特茅斯大学举办）上由青年教师John McCarthy联合其他四位专家提出的。 1955年，第一台通用计算机ENIAC刚刚问世九年时间（1946年）。可以看到，在这一年，达特茅斯学院的老师在思考“人工智能”概念的前瞻性，让人惊叹。也就是说，他们在思考刚刚被造出来的这个27吨的庞然大物，究竟能在多大程度上能够改变我们的生活，能够替代甚至超越人所能做到的智能的事情。 1946年造成的世界上第一台计算机ENIAC。这台机器占地180平米，用了18,000个真空管，重量近50吨。 实际上，1955年这个会议提出的proposal是举办十个人参与，历时两个月的小型闭门会议。因为学校有两个月的暑假，希望对“Artificial Intelligence”这个概念做一个比较深入的讨论。 1955年的达特茅斯之夏：人工智能发展史上里程碑式的会议纪要 和很多大而空的会议不同，麦卡锡在proposal中列举了7个具体希望讨论解决的问题：如逻辑推断与语言的关系，随机性和创造性的关系等。他希望这十个专家经过两个月的闭门会议的讨论后，可以解决其中的一到两个问题。
后见之明来看，希望能够在两个月时间完整解决哪怕是任何一个问题都是乐观的。在2016年的今天，很多当年所提出的问题仍然在不断被研究者探索。 （二）奇人麦卡锡 麦卡锡的才华，在其童年时代就得以彰显。上高中时，他就开始自学加州理工（Caltech）的数学课程，所以后来他正式进入加州理工大学学习时直接跳过了前两年的课程。可惜由于他的体育课程没有达到成绩，最终也花了约5年的时间才毕业。完成普林斯顿大学的博士学习之后，正式加入达特茅斯大学成为一名老师，其后加入麻省理工学院（MIT）。 当麦卡锡提出“人工智能”这个概念及相关思考的时候年方二八。 我有个有意思的观察：青年教师，与功成名就的学者（established researcher）有很大的区别。大家可能知道，美国当老师是终身制(tenure track)的，也就是说，当学校在聘任一个老师大概在第六年或第七年的时候，若他们认为这个老师是一个合格的老师的话，没有特别的理由，学校是不能开除这个老师的。这样的制度对于保证老师的学术独立很有意义。 成为终身教师并不容易，各学校会有其严格的考核来验证一个教师是否定达到了相应的学术标准，包括老师每年发表论文，提出的proposal等。像MIT这一类的大学，他们对自己教师的筛选是非常严格的。不过，这样的制度并非无懈可击。为了得到终身职位，有不少年轻老师在自己研究生涯的前五六年会以一种超负荷的形式在思考研究，发文著书。但一旦目标达成，尘埃落定，他的研究心态就会发生很大变化，失去了原有的冲劲和动力。我自己喜欢的一个MIT教授就有这样的情况。 我们国家衡量老师，喜欢用“教授”“博导”“院士”这样的头衔去衡量其能力。实际情况可能恰恰相反，做出最优创建型的贡献的人的年龄往往不是特别高，多集中于二三十岁的年纪。如果大家选择导师，不要太在意其头衔，要更多了解其研究能力。 (三）黄金十年 谈回人工智能，达特茅斯会议与会的十个研究者其实在人工智能领域做出了非常多的贡献。麦卡锡本人也在1971年问鼎图灵奖。1960年到1970年进入到人工智能研究的一个高峰期。一方面是美国政府包括NASA和美国国防部等对人工智能的研究给予了足够多的资金和项目支持。 当年的研究者有一个很乐观的判定。他们当时有一句话是说“machines will be capable, within twenty years, of doing any work aman can do”在二十年以内，他们希望造出来的计算机就已经可以做到人所能做到的事情，就包括对图片的理解，对音频的识别，对自然语言的理解等问题。
回顾这段历史，我们发现不要说五十年前，即便在2016年的今天，尤其是在这两年，虽然AI取得了令人瞩目的成果，但很多我们人能做的事机器还是没法完全替代。 （四）70后的失落 在经历60年代的一个相对比较过分乐观时期后，从74年开始，人工智能不论在美国还是其他国家，都经历了一个funding cut的阶段。包括美国国防部在内，投了很多钱后发现，当时乐观的科学家所立项的机器翻译，语音识别等项目，最终结果远未到可用。举例来讲，机器翻译概念在1940年代就已经提出来了，逐步产生了一些研究工作和成绩。但即便到今天的AI巨头Google、百度所实现的英汉翻译结果，还是不伦不类，离人工翻译还有很大差距。 所以在1974年到往后的十年间，由于产出低于预期，人工智能的投入就有很大的减少，特别是政府投入。再后来日本提出第五代机器人的研究，又有了一些新的政府投入产生。整个AI的研究经费多次起伏。所以说大家可以看到虽然现在AI有比较大的成功，在很多问题上取得突破性进展，本身的发展并不是一帆风顺的。 并且，在学术界拿funding也是有很多技巧与注意事项。比如人工神经网络(ArtificialNeural Network)领域的研究，在90年代很难拿到资助和发表文章，但到2006年以后，随着深度学习（Deep Learning）方法的崛起，目前各大AI相关会议杂志都被深度学习占去半壁江山。 可能有同学玩过我们的编诗姬，这个小程序是基于深度学习理论中特定的一类神经网络，叫Recurrent Neural Network(RNN)所实现的。这个程序自己阅读了全唐诗五万首诗，学习相应的一个语言模型，然后对于一个意象能逐字填出一首诗，而没有建立任何人工的规则。有网友评价我们的编诗姬说对平仄的处理有些问题，有时没有严格地按照韵脚来押韵。其实这也是我们在写这个程序时刻意不去做的事情。因为我们希望程序在学习了几万手诗的样本后可以自动地学习出诗歌的意象，对仗规则，标点使用，押韵等。 如果大家对这个方面比较熟悉感兴趣，在1月28日自然杂志nature刚刚发表了一篇Google DeepMind团队的文章：基于深度神经网络做出来的围棋程序，第一次打败了人类的职业选手。这件事在整个科技界围棋界，引起了轩然大波。
2015年1月《自然》杂志的封面文章 最近几年，深度学习方法络对于语音识别，图片识别，自然语言处理，和类似围棋的博弈游戏，都产生了很大的推动。
深度学习会作为人工智能的终极主算法（Master Algorithm）吗？我认为不是。相比于很多理论数学分支，AI还是一个很年轻的领域，在理论基础和实际应用上都还有大量空白等待填补。相信在未来的十年里，AI会渗透到大家生活的方方面面。 |
|
|
