數(shù)學(xué)、邏輯、數(shù)字電路、機械計算機，一直到我們今天已經(jīng)普及的電子計算機，這些凝結(jié)著人類智慧的耕耘，積累到了上個世紀(jì)50年代，終于開出智慧之花。人類開始嘗試用計算的方式來理解智慧。

雖然今日“人工智能”這個概念在我們的生活中隨處可見，但它仍然是高科技的代名詞。這個技術(shù)中蘊含的偉大力量，到現(xiàn)在才開始逐漸釋放。那么，人工智能這一概念究竟是由誰提出的呢？最初的人工智能與今天的人工智能又有哪些區(qū)別呢？

人工智能的萌芽

上個世紀(jì)50年代，在二戰(zhàn)結(jié)束不久，戰(zhàn)爭中的很多軍用技術(shù)蓬勃發(fā)展。在戰(zhàn)后的美國，這些科學(xué)家和技術(shù)專家也不斷推動這些技術(shù)的發(fā)展，甚至形成了新的學(xué)科。比如維納（Norbert Wiener）的控制論和香農(nóng)（Claude Elwood Shannon）的信息論。

在信息技術(shù)萌芽發(fā)展的大背景下，很多科學(xué)家開始考慮如何用自動決策系統(tǒng)或機械的方法來解釋人的決策。1965年，達特茅斯學(xué)院的年輕助理教授約翰·麥肯錫（John McCarthy）在他的主場請來了包括香農(nóng)在內(nèi)的一些對“能思考的機器”有興趣的科學(xué)家。包括MIT的明斯基（Marvin Minsky），卡內(nèi)基工學(xué)院（今天卡內(nèi)基梅隆大學(xué)的前身）的司馬賀（Herbert Simon）等。

在這個會議上，麥肯錫與多位專家激烈討論，最終將“人工智能（Artificial Intelligence）”確立為這一門新學(xué)科的名稱。在幾天的討論中，這些在數(shù)學(xué)、邏輯學(xué)和信息學(xué)領(lǐng)域的專家同時也討論了人工智能、神經(jīng)網(wǎng)絡(luò)等問題，會議后大家分別回到自己的大學(xué)把新的想法吸收創(chuàng)新，不但使其大學(xué)成為了人工智能研究的重鎮(zhèn)，也為后來人工智能學(xué)科的發(fā)展奠定了基礎(chǔ)。

參會的人中還有司馬賀的學(xué)生紐厄爾（Alan Newell），雖然司馬賀是紐厄爾的老師，但他們畢生的合作卻是平等的。他們共享了1975年的圖靈獎，三年后司馬賀再得諾貝爾經(jīng)濟學(xué)獎。紐厄爾和司馬賀代表了人工智能的另一條路線——“物理符號系統(tǒng)假說”。簡單地說，就是智能是對符號的操作，后來簡稱為“符號派”。

他們和當(dāng)時的數(shù)學(xué)系主任、第一屆圖靈獎獲得者珀里思（Alan Perlis）一起創(chuàng)立了卡內(nèi)基梅隆大學(xué)的計算機系，從此，卡內(nèi)基梅隆大學(xué)（CMU）成為計算機學(xué)科的重鎮(zhèn)，并一直持續(xù)至今。而最初的計算機系，也發(fā)展成了美國乃至世界計算機門類最齊全的計算機學(xué)院。作者以前訪問學(xué)習(xí)的CMU機器人所（Robotics Institute）就是以兩位先驅(qū)命名的：Newell－Simon Hall。

明斯基回到麻省理工后創(chuàng)建了人工智能實驗室（AI Lab），他與西蒙·派珀特（Simon Papert）發(fā)表了《感知器》一書，提到了最早的神經(jīng)網(wǎng)絡(luò)模型在解決異或（XOR）問題方面的限制。他指出，神經(jīng)網(wǎng)絡(luò)被認(rèn)為充滿潛力，但實際上無法實現(xiàn)人們期望的功能。神經(jīng)網(wǎng)絡(luò)的研究迅速陷入了低谷，人工智能進入“暗淡”時期。

20世紀(jì)60年代，明斯基又首次提出了“telepresence”（遠(yuǎn)程介入）這一概念。通過利用微型攝像機、運動傳感器等設(shè)備，明斯基讓人體驗到了自己駕駛飛機、在戰(zhàn)場上參加戰(zhàn)斗、在水下游泳這些現(xiàn)實中未發(fā)生的事情，這也為他奠定了“虛擬現(xiàn)實”（virtual reality）倡導(dǎo)者的重要地位。

霍蘭德（John Holland）是密歇根大學(xué)的計算機學(xué)家，他卻另辟蹊徑，開始研究隨機的優(yōu)化問題并提出了“遺傳算法”。因為很多人工智能的問題最后都可以轉(zhuǎn)化為優(yōu)化問題（optimize problem）。而“遺傳算法”本身又可以被直接拿來使用到任何問題，只需要定義好“染色體”和適應(yīng)度函數(shù)即可，是非常方便的一種“即插即用”（Off－the－Shelf）的算法。

霍蘭德指導(dǎo)他的學(xué)生們完成了多篇有關(guān)遺傳算法研究的論文。1971年，Hollstien在他的博士論文中首次把遺傳算法用于函數(shù)優(yōu)化�；籼m德在1975年出版了《自然系統(tǒng)和人工系統(tǒng)的自適應(yīng)》（Adaptation in Natural and Artificial Systems），這是第一本系統(tǒng)論述遺傳算法的專著�；籼m德在該書中系統(tǒng)地闡述了遺傳算法的基本理論和方法，并提出了對遺傳算法的理論研究和發(fā)展極其重要的模式理論（schema theory）。在此基礎(chǔ)上有各種的理論和應(yīng)用研究不斷產(chǎn)生，很多的期刊和會議也因此誕生，漸漸形成了“進化計算”（Evolutionary Computation）這個人工智能的重要分支。

壯志雄心與困難重重

達特茅斯會議之后，這些第一代的人工智能科學(xué)家都雄心勃勃。司馬賀（Herbert A。 Simon）甚至說：“在1968年之前，計算機就將戰(zhàn)勝人類的國際象棋大師�！薄霸�1985年之前，計算機就能夠勝任人類的一切工作�！瘪R文·明斯基也預(yù)言，“在1973－1978年，就能夠制作出一臺具有人類平均智力的計算機。”這些充滿信心的話讓當(dāng)時的政府和軍方非常感興趣，向人工智能領(lǐng)域投入了大量的經(jīng)費。

然而，這些人工智能領(lǐng)域的專家們似乎錯誤地估計了人工智能學(xué)科的難度，他們這些充滿信心的預(yù)言中幾乎都未實現(xiàn)。直到1997年，IBM的計算機“深藍”才成功戰(zhàn)勝了人類國際象棋的世界冠軍。到了2016年，人工能“AlphaGo”才戰(zhàn)勝人類的圍棋冠軍。而時至今日，也沒有人工智能能夠勝任人類的一切工作。因此在上世紀(jì)70年代，政府對于這些無法兌現(xiàn)預(yù)言的專家非常失望，紛紛減少了對人工智能領(lǐng)域的經(jīng)費投入，人工智能領(lǐng)域的研究也陷入的低谷。

盡管發(fā)展一個能夠勝任人類所有工作的計算機是一件十分困難的事情，但利用計算機強大的計算能力和信息存儲能力，讓計算機在某一個領(lǐng)域超過普通人的水平是不難實現(xiàn)的。因此，專家系統(tǒng)應(yīng)運而生。專家系統(tǒng)在設(shè)計時能夠收集大量的專業(yè)知識，并且根據(jù)一定的程序，進行計算、分析、預(yù)測等功能。

例如，最早的專家系統(tǒng)“Dendral”是在1965年由愛德華·費根鮑姆（Edward Feigenbaum）設(shè)計的，“Dendral”是一款應(yīng)用于化學(xué)領(lǐng)域的專家系統(tǒng)，它能夠根據(jù)光譜的度數(shù)分析化合物的可能成分。在人類專家相對匱乏的時代，通過這個系統(tǒng)就能讓更多的科學(xué)研究得以順利進行。

除此之外，還有專門用于診斷疾病的專家系統(tǒng)，通過專家系統(tǒng)可以彌補人類醫(yī)生在診斷時可能出現(xiàn)的疏忽。而預(yù)測型專家系統(tǒng)能夠在綜合多方面的專業(yè)知識背景的情況下預(yù)測出未來事物的發(fā)展趨勢，例如對一條河流污染物的遷移擴撒進行預(yù)測，從而提前采取有效的措施。

“強人工智能”離我們還有多遠(yuǎn)？

而到了二十一世紀(jì)初，由于信息產(chǎn)業(yè)和互聯(lián)網(wǎng)的普及，機器學(xué)習(xí)作為一種學(xué)習(xí)大數(shù)據(jù)背后的規(guī)律的方法成為了人工智能研究的主流。尤其是后來深度學(xué)習(xí)的發(fā)展，讓我們重新看到了人工智能的希望，當(dāng)然，也引發(fā)了人們的擔(dān)憂，隨之而來的是各種技術(shù)、哲學(xué)、倫理上的討論。

人們看到了人工智能的希望，當(dāng)然，也引發(fā)了人們的擔(dān)憂。

其中討論重點之一就是目前基于邏輯和計算的智能被稱為“弱人工智能”。

“弱人工智能”是在某一方面能夠表現(xiàn)出智能或者說看起來像是智能，而不希望研究出與人類相同的智力和思維。例如，圖像識別、語音識別方面的人工智能，這些人工智能只能在特定的領(lǐng)域（圖像識別領(lǐng)域和語音識別領(lǐng)域）具有智能。盡管目前圖像識別和語音識別人工智能也具備了自我學(xué)習(xí)能力，但它們只會在自己的領(lǐng)域中去學(xué)習(xí)，而不會像人類那樣產(chǎn)生自己的好奇心，從而去探索全新領(lǐng)域的內(nèi)容。

雖然弱人工智能的名字中帶有一個“弱”，但實際上，弱人工智能的實力可不容小覷。目前的主流研究都集中于這一類弱人工智能的研究上，且產(chǎn)生了巨大的研究突破。例如能夠戰(zhàn)勝人類頂尖高手的圍棋機器人Alpha Go也是一款“不弱”的人工智能；在千萬張人臉中一眼就看到目標(biāo)人物的人臉識別軟件也是弱人工智能；能夠自己穿梭于亞馬遜物流倉庫中并且在電量不足時找到充電樁自動充電的物流機器人，以及能夠看清路況自動將人員安全送到目的地的自動駕駛汽車，都是屬于弱人工智能。

弱人工智能為我們的生活帶來了極大的便利，并且能夠最直接的將研究成果應(yīng)用到生產(chǎn)生活的實踐中，因此各國對于弱人工智能的研究都投入了巨大的經(jīng)費。

相對“弱人工智能”的是“強人工智能”。盡管科學(xué)家們所希望的就是創(chuàng)造一個具有和人類一樣能夠獨立思考具有自己的人格的人工智能，但這個方面的研究一直沒有突破的進展，強人工智能還只能存在于科幻與文學(xué)作品中，例如《機器姬》里的艾娃，《黑客帝國》中的母體“矩陣”。

強人工智能強調(diào)的是計算機需要具有自己的思維，而計算機在獲得自己的思維之后，是否還會按照人類的思維方式和道德體系去思考，對于目前的科學(xué)家來說是難以確定的。因此，按照計算機思維的不同，又可以分為類人思維的人工智能和區(qū)別于人類思維的人工智能。例如《超能陸戰(zhàn)隊》中的大白，就屬于前者，盡管外形并不是人類，但它的思維方式與人類一致。而獲得了自主思考能力的“矩陣”（《黑客帝國》）和“天網(wǎng)”（《終結(jié)者》）系統(tǒng)，它們就屬于后者，它們產(chǎn)生了區(qū)別于人類的價值觀，以自己理解的方式去執(zhí)行“保護人類”這一項任務(wù)。

畢竟從另一個角度上說，制造一個強人工智能就意味著制造了一個能夠獨立思考的生命體，這一難度是可想而知的。因此，也有不少的宗教學(xué)者、哲學(xué)家反對強人工智能的研究。如果說強人工智能是現(xiàn)代都市里的摩天大樓，那么目前人類在人工智能方面所取得的進展只能相當(dāng)于原始人所穴居的洞穴，從當(dāng)今的弱人工智能向強人工智能的發(fā)展還有很長的路要走。