人工智能的起源

說起人工智能，它的思想萌芽可以追溯到17世紀的巴斯卡和萊布尼茨，他們萌生了有智能的機器的想法。

19世紀，英國數(shù)學家布爾和摩爾根提出了“思維定律”，機器是不是應該有思想？在19世紀，英國科學家巴貝奇還發(fā)明了第一架“計算機器”，成為人工智能發(fā)展的最早硬件，認為這是能夠把人的智能寄托于機器的一個手段。

但是真正把人工智能作為一種科學來研究，要追溯到M-P模型。這是神經(jīng)網(wǎng)絡最著名的一個模型，是Mcculloch和Pitts（1943年）提出來的。為什么說這個模型奠定了人工智能的基礎呢？因為這是第一次對我們?nèi)四X神經(jīng)元系統(tǒng)進行建模。目前人工智能研究領(lǐng)域里非常火的一個模型——“深度神經(jīng)網(wǎng)絡”的最基本的單元還沒有離開M-P模型。

除了M-P模型以外，還有Heb學習規(guī)則，這是一個讓機器具有學習能力的最基本的原理。那么，現(xiàn)在的非監(jiān)督學習基本還是沿用了這個Heb學習規(guī)則。

再一個比較有名的就是Perceptron。Perceptron是美國心理學家Rosenblatt提出來的一個系統(tǒng)，這個模型可以實現(xiàn)一定的分類功能。在當時，Perceptron就比較火，而且掀起了人工智能的第一次高潮。

那么，“人工智能”（Artificial Intelligence）這個詞第一次是在哪兒提出來的呢？

是在1956年達特茅斯（Dartmouth）會議上。有幾個比較有影響的科學家，像Misnky還有McCarthy，他們在會議上經(jīng)過討論，最后提出了這么一個概念?！叭斯ぶ悄堋闭嬲菑倪@個時候開始叫的。在以前，大家都不叫這個名字，有把它叫做perceptron的，有把它叫神經(jīng)網(wǎng)絡的，還有等等其他很多的名詞。

那么，從1956年這個Dartmouth會議過后，人工智能就登大雅之堂了。到目前，正好是一甲子（60年）?，F(xiàn)在全世界很多研究人工智能的一些協(xié)會和機構(gòu)都在籌備活動，來紀念AI誕生60周年，我們國家在這個月下旬可能也要在北京開個會。

在人工智能研究過程中，一個比較重要的人物就是阿蘭·圖靈。他是第一位比較明確地提出計算機是不是有智能這么一個概念。

阿蘭·圖靈認為機器可以模擬人腦思維過程；一個良好設計的計算機能夠做到人腦所能做的一切。因此，也有人把他稱為“人工智能之父”。現(xiàn)在大家真正比較認可的“人工智能之父”還是McCarthy，是他提出了人工智能這個名字。

圖靈有一個最著名的測試，叫“圖靈測試”，就是判定一個機器是不是有智能。在圖靈測試里，有一個提問者提出問題，回答問題的一邊是人，一邊是機器。如果這個提問者分不清回答問題的人到底是人還是機器的話，那么就認為機器具有人工智能。這是判斷機器有沒有人工智能，但還沒有回答什么是智能。

人工智能的發(fā)展歷程

人工智能的發(fā)展經(jīng)歷了一個螺旋式上升的發(fā)展路線，非常曲折。人工智能里面派系復雜，發(fā)展起起伏伏，一會兒是這派占了上風，打倒了另一派；過陣子，另一派又打倒了原來的那一派。

我們把它整個的發(fā)展歷程梳理一下，會發(fā)現(xiàn)有三大派別——符號主義學派、聯(lián)接主義學派和行為主義學派。前兩個派別是最主流的發(fā)展學派，而且這兩個學派之間互不買賬，互相貶低對方。

▼符號主義學派——基于規(guī)則推理

傳統(tǒng)的人工智能，基于規(guī)則推理。我剛才提到的幾個人物，Misnky、McCarthy、Nillsson這些人實際上就是參加1956年達特茅斯會議的組織者。也就是說在五六十年代，當人工智能這個詞一出來，當時占主流的是符號主義學派，是他們在支配人工智能的發(fā)展。

▼聯(lián)接主義學派——模擬神經(jīng)網(wǎng)絡

聯(lián)結(jié)主義學派也是起起落落。五六十年代，是它的低潮，正好被符號主義學派打壓下去；到80年代是它的第一次復興；到90年代初，它又進入瓶頸；現(xiàn)在又進行了第二次勝利，是聯(lián)接主義學派受到追捧的時代。

▼行為主義學派——進化主義或控制論

始于六七十年代，以Wiener（通信原理、雷達系統(tǒng)的奠基人）為代表，就是做控制論，演化控制，實際上是世界二次大戰(zhàn)的需求，當時得到了很廣泛的發(fā)展。

人工智能的研究內(nèi)容

作為一個學科，人工智能主要從這幾個方面進行了深入的研究。

在方法層面，有啟發(fā)式搜索和推理，這個是建立在知識和知識工程的基礎上，從方法層面來講，應該歸于符號主義學派。還有模式識別、機器學習和生物激發(fā)方法（計算智能）等是當今或者說近二三十年獲得廣泛研究和追捧的方法。尤其是機器學習和計算智能，是人工智能研究的熱點和前沿。

在應用層面，實際上有很多。像自然語言理解，我們說的自然語言。原來我們認為這些是有智能的人才能做，那么機器實際上現(xiàn)在也能做，能識別語音，能進行翻譯。還有數(shù)據(jù)庫的檢查檢索系統(tǒng)、專家系統(tǒng)、機器定理證明等?，F(xiàn)在在我們的圖像識別、語音識別以及計算視覺等領(lǐng)域已經(jīng)取得了非常多的進展。這都是人工智能在應用層面的一些工作。

計算智能的研究（Computational Intelligence）

下面我來說一說現(xiàn)在人工智能發(fā)展最前沿的一個研究——計算智能的研究。在計算智能里面，它主要是通過計算智能的方法來實現(xiàn)人類智能。

計算智能現(xiàn)在作為一門學科，主要包括了人工神經(jīng)網(wǎng)絡、模糊邏輯、進化計算、群體智能還有人工生命等領(lǐng)域。

那么計算智能跟傳統(tǒng)的人工智能的區(qū)別在哪里呢？

傳統(tǒng)的人工智能，我們談的就是基于符號的，然后以知識信息為基礎，通過邏輯推理來進行處理。因為當時傳統(tǒng)人工智能的想法是人的思維比較高級、比較高等，需要用一些高水平的方法，需要用符號，需要嚴密的邏輯推理才能實現(xiàn)。這個時候的基本思路是自頂向下。

而計算智能實際上是以數(shù)據(jù)為基礎，通過數(shù)值計算進行求解。現(xiàn)在計算手段飛速發(fā)展，為計算智能的深入研究提供了很好的手段，所以計算智能得到了非常廣泛的發(fā)展。

▼人工神經(jīng)網(wǎng)絡

在計算智能里面，研究最早、認識最為廣泛的之一的領(lǐng)域就是人工神經(jīng)網(wǎng)絡。

左邊是一個生物神經(jīng)元，神經(jīng)元之間是有突觸連接的，而且這個突觸連接是可以調(diào)整的，那么通過調(diào)整這個連接，就可以去感受輸入的信號或者是輸出的信號的變化。

人工神經(jīng)網(wǎng)絡實際上就是對生物神經(jīng)網(wǎng)絡進行建模。這個模型實際上就是最早我提到的M-P模型，把神經(jīng)元都排列起來，組成了這么一個網(wǎng)狀結(jié)構(gòu)，有多輸入、多輸出，它們之間是有分層的，之間是一個全連接狀態(tài)，這么一個網(wǎng)絡就是一個最簡單的神經(jīng)網(wǎng)絡，我們把它稱為“多層神經(jīng)網(wǎng)絡”。這個是應用最廣泛、也潛力巨大的神經(jīng)網(wǎng)絡模型。其實，我們現(xiàn)在的深度神經(jīng)網(wǎng)絡也是建立在這么一個模型的基礎上。

▼復雜優(yōu)化問題

在計算智能里面，還有一大類是要求解一個復雜優(yōu)化問題。實際上，我們在求解實際問題的時候，任何一個問題都可以等效為一個復雜優(yōu)化問題來求解。那么我們能不能有一個有效的方法能夠在最快的速度找到這個最優(yōu)值——全局最優(yōu)點，而不受其他局部最優(yōu)值的影響？這個是現(xiàn)在計算智能的一個熱點問題、通用問題，也是一大類要研究的方法。

一個典型方法是遺傳算法。遺傳算法是模擬生物體的遺傳進化過程，通過對環(huán)境的適應能力的大小來進行“適者生存、優(yōu)勝劣汰”。那么，這個過程是一個優(yōu)選過程，可以用于求解十分復雜的優(yōu)化問題，所以它是研究計算智能最主要的方法之一。

除此之外，我們在研究人工智能里面還有一大類，就是生物群體表現(xiàn)出來的一些非常強大的能力。個體可能很簡單，你像一只鳥很簡單，但是一群鳥卻能夠在非常惡劣的環(huán)境下生存下來，這是為什么？這也是我們現(xiàn)在在研究的群體智能。

還有，五年前，我根據(jù)煙花爆炸在空中形成的美麗圖案而發(fā)展的一個空間搜索的新方法，叫做煙花算法。它實際上在求解優(yōu)化問題方面已經(jīng)比現(xiàn)在流行的很多方法要好?，F(xiàn)在（煙花算法算出）的結(jié)果基本上是最好的一個結(jié)果。

機器學習的研究（Machine Learning）

機器學習是什么？就是我們讓機器能夠像人一樣學習。機器有自我更新的能力。我們可以造成一個機器出來，在我們普通人眼里，機器造出來什么樣，那它就只能是這個樣子，對不對？但是我們對機器賦予了學習能力，那它就可以改進自己的性能。機器學習實際上就是經(jīng)過經(jīng)驗提高自身系統(tǒng)性能的一個過程，或者我們叫“系統(tǒng)自我改進”。

原來我們把機器學習歸為人工智能的一個分支，但現(xiàn)在的觀點是，機器學習基本可以獨立出來了，專門作為一套求解復雜問題的方法來使用，不一定要跟人工智能扯上關(guān)系。當然，它和人工智能是有很多交叉的。

那么機器學習為什么會有這么神奇的一個能力呢？實際上，機器學習從原理上講還是非常簡單的。

令W是這個給定世界的有限或無限所有對象的集合，由于觀察能力的限制，我們只能獲得這個世界的一個有限的子集Q?W，稱為樣本集。機器學習就是根據(jù)這個有限樣本集Q，推算這個世界的模型，使得其對這個世界為真。

這個Q是個很小的部分，然后這個W是我們求解問題的整個搜索空間，就我們剛才談到的一個復雜問題的整個空間。這個空間很大，可以是我們到目前為止不可能窮盡搜索的一個大的空間，也可以是無限大。

比如，下圍棋的搜索空間也是非常龐大，現(xiàn)在的計算資源是不可能進行窮盡搜索的，如果能窮盡搜索的話，那我們就不需要這種智能方法。

正由于我們計算能力有限，所以在整個搜索空間里面，我們只能得到很少一部分的知識，就是說每個人的自身經(jīng)驗只是非常小的一部分。然后我們利用已有的這部分知識，或者將知識進行提煉，建立這個模型。

建立起的這個模型對于我們的經(jīng)驗肯定是適合的，對不對？因為這是從我們的經(jīng)驗中建立起來的。但是我們希望建立的這個模型要對我們沒見過的事情同樣有效，這就叫做泛化。

也就說，我們可以讓這個機器學習我們給它的經(jīng)驗和知識，但是它不能只是在我們的這些知識上工作，而應該具有更強大的能力，從而體現(xiàn)出機器學習的作用。這就是機器學習的過程。那么泛化就在這起到了非常重要的作用。而從這個數(shù)據(jù)來建模的過程，就是機器學習最重要的一個方面。不論多么重要的模型，都是在做這件事，都是從Q到W的過程。

在機器學習里面，主流看法分成兩類。

▼淺層學習（Shallow Learning）

模型采用的就是單層的網(wǎng)絡。這個是80年代進行廣泛研究的，而且我們把它作為機器學習的第一次浪潮。

最初比較典型的方法是多層感知器（Multi-layer Perceptron）。當神經(jīng)網(wǎng)絡研究到一定程度，我們發(fā)現(xiàn)多層感知器的性能提不高，受到很多限制，泛化性能不好，便轉(zhuǎn)而研究像支撐向量機（SVM）、Boosting、隨機森林（Random Forest）、ELM等其他方法，但都沒有離開神經(jīng)網(wǎng)絡的層數(shù)只有一層。

▼深度學習（Deep Learning）

2006年，Geoffrey Hinton在《科學》雜志上發(fā)表了一篇文章，提出了深度學習的概念。也就是說，神經(jīng)網(wǎng)絡應該不止一層，應該多層，而且每一層能表達概念的抽象程度是不一樣的，表達知識復雜程度也是不一樣的，這是它最基本的一個觀點。

第一，多層的人工神經(jīng)網(wǎng)絡具有優(yōu)異的特征學習能力，學習得到的特征對數(shù)據(jù)有更本質(zhì)的刻畫，從而有利于可視化或分類。

第二，它最主要的是有一個預訓練，這是它的一個重大貢獻，由此掀起了機器學習的第二個浪潮。

從上圖我們可以看一下，同樣是訓練10^6次，如果加入了預訓練，性能可以急劇提高（錯誤低于沒有預訓練的情況）。這意味著深度神經(jīng)網(wǎng)絡加上預訓練再進行監(jiān)督訓練的這種方式，可以找到更優(yōu)的全局最優(yōu)點。很復雜的函數(shù)可能平時找到的是局部最優(yōu)點，如果我們經(jīng)過了事先預訓練，再進行監(jiān)督訓練，那么這種訓練方式可以大大提高性能。

同樣，我們把它用來做圖片當中物體的識別。我們知道人是具有很強大的識別能力，給你一張圖片，能識別出來里面是一個貓還是一個香蕉。用機器來識別一個物體，以前的神經(jīng)網(wǎng)絡SVM在2010年最高做到72%的正確率，2011年做到74%，但是現(xiàn)在實際上已經(jīng)到99%。所以說，提高得非?？欤驗槲覀儸F(xiàn)在網(wǎng)絡更復雜，計算資源更好，可以利用這種深度學習的表達能力，對這類復雜的、需要我們?nèi)巳ヨb別才能完成的智能工作都可以要求機器來完成。

當前人工智能的熱點

▼人臉識別

我們見一個人，馬上就能記住他的臉，下次見到很快就能識別出來。那么人具有很強大的識別能力。

以前，我們用計算機嘗試做人臉識別系統(tǒng)，識別效率都不高。由于深度神經(jīng)網(wǎng)的應用，香港中文大學教授湯曉鷗帶領(lǐng)他的團隊開發(fā)了一個名為“Deep ID”的深度學習模型，現(xiàn)在可以在LFW（Labeled Faces In the Wild）數(shù)據(jù)庫上做到99.15%的識別率，這是有史以來首次超過99%的LFW識別率，超過人類肉眼的識別能力。

▼圍棋人機大戰(zhàn)

簡單說一說AlphaGo與李世石之間人機大戰(zhàn)的博弈機理。

AlphaGo里面主要是組合了這四個策略。一個是蒙特·卡洛（Monte Carlo）的搜索樹（Search Tree）方法，再加上監(jiān)督學習（Supervised Learning）和強化學習（Reinforcement Learning），然后整個是建立在深度神經(jīng)網(wǎng)絡（Deep Neural Networks）的基礎上，是建立在一個13層的卷積神經(jīng)網(wǎng)絡上來實現(xiàn)的。

AlphaGo的聰明之處有這么幾點：

第一，使用監(jiān)督學習的策略網(wǎng)絡（SL Policy Network），這是一個非常好的起點。整個程序的起點是從人類下棋的經(jīng)驗當中學習，先把人類最精華的部分學到手。

第二，使用一個快速提升算法，叫強化學習的策略網(wǎng)絡（RL Policy Network）去提升自己的能力。

最后，使用一個有效的評價策略，我們把它叫做強化學習的價值網(wǎng)絡（RL Value Networks），來計算每一步的結(jié)果。

那么這幾點相互協(xié)作，共同來完成一個非常需要智力水平的圍棋模擬。

在《自然》上發(fā)表的一篇研究文章顯示AlphaGo已經(jīng)達到了業(yè)余三段，這個結(jié)論是根據(jù)AlphaGo和樊輝對弈的結(jié)果而得出的，實際上，現(xiàn)在的AlphaGo比起之前可以再讓四個子，已經(jīng)達到人類圍棋十五段的樣子。

這是一個機器學習的方法，是一個可以逐漸提升繼續(xù)提高的過程，所以能達到非常高的智能水平。

▼預測比賽結(jié)果

上個禮拜，阿里云做了一個小AI的人工智能程序，進行了《我是歌手4》的歌王預測。實際上它也預測出來了。

目前，小Ai的學習速度是人類的1萬倍。要成為某一領(lǐng)域的專家，如果人類需要10萬小時，則小Ai只需要10小時。

它聲稱可以做到理解人類的情感，這個實際上它還做不到。所謂的理解情感，只是從網(wǎng)絡上搜集其他人的評價，它并不是去聽音樂。

實際上，現(xiàn)在最有挑戰(zhàn)性的是讓計算機去識別音樂的好壞。這個很難識別，因為只有人才能聽懂這個音樂，只有人才能感覺這個音樂好聽還是不好聽。要機器去聽它，機器可能按一定規(guī)則來，但是人是按心情來的，所以這是非常難、復雜的一件事情。

對人工智能發(fā)展的幾點思考

人工智能的發(fā)展現(xiàn)在正以一個前所未有的速度在往前發(fā)展，更多的驚喜在不斷地涌現(xiàn)。而且AI技術(shù)的應用會廣泛深入到我們生活的方方面面，逐漸地將我們?nèi)祟惿鐣频角八从械闹悄苌鐣母叨取?/span>

當然，在這個發(fā)展過程當中，跟其他任何技術(shù)發(fā)展是一樣的，都要滿足和遵循我們所施加給它的人類社會的規(guī)范和行為準則，否則，可能對我們?nèi)祟惿鐣陌l(fā)展產(chǎn)生一些不利的影響。

結(jié)束語

人工智能是一門多學科交叉的綜合性前沿學科，在理論上很不成熟，技術(shù)上逐漸突破，應用上正在快速擴展和滲透；基于各種生物原理與過程的激發(fā)是其繼續(xù)前進的源泉，人類社會的需求是其不斷發(fā)展的動力！

希望有興趣的同學能夠加入到“智能科技”研究的行列中來，歡迎大家，謝謝！