人工智能简史

在这段简史里，人工智能的起源可以追溯到哲学、虚构和想象。电子、工程和其他许多领域里的早期发明都影响了人工智能的发展。（人工智能研究史）的早期里程碑包括如何解决问题，对知识的习得与表示，以及对语言的理解、翻译，对定理的证明，关联记忆，以及基于知识的系统等。这篇文章的结尾回顾了一些有影响力的机构和组织，以及目前的热点领域。

人工智能的历史是一部关于幻想、可能性、实证和希望的历史。自从荷马写下机械“三足鼎”等候众神晚餐开始，想象利用机械来协助生活已成为人类文化的一部分。然而，仅仅从上半个世纪开始，人类才开始在人工智能领域制造机器，用于测试关于思考和智能行为的假说，并造出此前仅仅是理论上可能存在的机械装置。尽管目前来看，成熟的人工智能仍属于遥远的未来，我们依旧需要为了实现希望而保持沟通和努力。

神经网络简史

机器学习简史

译文：机器学习ML简史

专稿：大数据简史

期权“简史”

人工智能的历史

哲学家们曾提出一种可能存在的智能机器，帮助我们从文献角度上定义了它对人类的意义。例如，笛卡尔对“机械人”的兴趣更多的在于其隐喻意义，而不是它能否现实的可能性。另一方面，莱布尼兹预见过机器人实现的可能，即发明一种机械逻辑装置，用纯粹的逻辑帮助人们消除争论。莱布尼兹和帕斯卡都曾设计过计算机器，用来解决算术题，这成了后来学者发明“计算器”的有力证据，但是两人从未宣称这种机器本身会进行思考。康底拉克（法国哲学家）曾在隐喻中提到一座雕像，人们往它的脑中倒入各种有价值的知识碎块，最后作者提问，到什么程度这座雕像会拥有足够多的知识而使它看起来就像人一样富有智慧。

科幻小说作家们用可能实现的智能机器推动着人们对非人类智慧的想象，同时令我们思考自己作为人类本身的特质。十九世纪的儒勒·凡尔纳和二十世纪的艾萨克·阿西莫夫是个中翘楚，此外还有写出绿野仙踪的莱曼·弗兰克·鲍姆。鲍姆写过好几个机器人角色，在1907年出版的绿野仙踪里，他把机器人“铁皮人”（Tiktok）形容为一个“非常有责任感，能想出各种点子，并能完美会话的机器人。它能思考、说话、行动，以及做一切事情，除了活着。”这些作家激发了许多人工智能学家的灵感。

鲍姆这样形容铁皮人：“非常有责任感，能想出各种点子，并能完美会话的机器人。它能思考、说话、行动，以及做一切事情，除了活着。”

机器人和人工创造的生物，如，犹太传说中的哥勒姆（希伯来传说中有生命的假人）和玛丽·雪莱的弗莱肯斯坦，总是捕获了大众的想象，这其中不乏利用了人类的恐惧。机械动物和玩偶——包括一种机械小号手，贝多芬曾为其写过管弦乐作品——其实是由十七世纪的钟表匠们制作而成。尽管他们所能完成的表演极其有限，并且制造他们的初衷也是好奇多于制造一种真正可以思考的机器，它们依然提供了一些原始的以机械学角度对行为的观点以及这些行为无需令人惧怕。随着工业界的机械化程度进一步提高，机器也变得更加精巧和普及。但从本质来看，它们依然只是简单的发条装置。

十八、十九世纪流行的国际象棋游戏机器被当做一种智能机器展示，其中最引人注意的是一个叫“土耳其”（the Turk）的机器，这些机器甚至让一些人相信它们是通过自主思考来下棋的。国际象棋毫无疑问是一种需要思考的活动，人们作此联想也就毫不奇怪了。比如，塞姆·朗赫恩·克列门斯（即马克吐温）在报纸专栏里曾经写道，“土耳其”的象棋下得太好了，可见它一定是机器。象棋在早期的人工智能领域被广泛使用，用以学习推理和表达机制是如何运作的。（其中一个重要里程碑就是1997年深蓝机器人打败了国际象棋冠军盖里·卡斯帕罗夫。）

“土耳其人”，来自于Freiherr Joseph Friedrich zu Rachnitz于1789年所制的雕版画。

随着二十世纪电子领域的诸多发明，以及二战后曼彻斯特阿兰·图灵实验室，宾州大学电子系摩尔学院，哈佛霍华德.艾肯德实验室，IBM和贝尔实验室，以及各地现代计算机的出现，曾经提出的可能性得到了进一步证实。因为现代计算机惊人的计算能力，20世纪40年代计算机常常被称为“巨脑”。

尽管在公众认知里，机器人一直是智能计算机的一部分，早期的机器人研究更多聚焦于机械工程层面上的而不是智能控制层面。不过最近，机器人已经发展成一种强有力的工具，可以用来印证我们对智能行为的诸多猜想。此外，让机器人对生活中的对象（现象和物件）拥有足够多的知识，从而使它们能在日常环境中正常运作却成为一个令人头疼的任务。这一点是显而易见的，例如，一个行动中的机器人却无法分辨阴影中的楼梯丼（就会产生问题）。尽管如此，一些最卓越的人工智能方案和认知方法依然来自于NASA的太空机器人。最近，在美国国防先进项目研究局（DARPA）的太空机器人挑战赛里，23辆参赛小车中有5辆完成了全程，其中斯坦福大学队赢得了比赛的胜利。

2005年10月8日，斯坦福竞赛队的自动驾驶车，斯坦利（Stanley），赢得了美国国防部先进项目（DARPA）的年度总决赛。小车在拉斯维加斯西南部偏离公路的沙漠里行驶了不到七个小时。

NASA火星探测机器人

然而人工智能并非仅仅是关于机器人的，它同时也是对智能思考属性的探索，以及利用计算机进行相关实验的操作。1944年，赫伯·西蒙（Herb Simon）在心理学方面提出了基础的信息处理和符号操纵理论：“任何理性的决定都可以被认为是在一些假设和前提下的结论……因此，如果定义了一个人用以作出决定的相关条件和前提，那么他的行为是可以被操控的。”（摘自纽厄尔和西蒙1972 年合著的论文附录）。

赫伯·西蒙

人工智能在其壮大阶段受到许多其他学科的影响。它们分别来自工程学（例如，研究控制论的诺伯特·维纳（Norbert Wiener）提出的反馈和控制理论），生物学（如，威廉·罗兹·阿什比（W. Ross Ashby），沃伦·麦卡洛克（Warren McCulloch）和沃尔特·皮茨（Walter Pitts）对简单有机体上神经网络的研究），实验心理学（参见纽厄尔和西蒙1972年的论文），通讯理论（例如克劳德·香农（Claude Shannon）的理论），博弈论（最著名的有约翰·冯·诺依曼（John Von Neumann）和奥斯卡·摩根斯特恩（Oskar Morgenstern）），数学和统计学（例如，欧文·约翰·古德（Irving J. Good）），逻辑学和哲学（例如，阿兰·图灵（Alan Turning），阿隆佐·邱奇（Alonzo Church）和卡尔·亨佩尔（Carl Hempel）），以及语言学（例如诺姆·乔姆斯基（Noam Chomsky）对语法的研究）。这些研究在人工智能领域里留下了痕迹，并将持续影响着这个学科，这些影响巨大而深远。在吸收这些学科知识的同时，人工智能进一步发展，超出了它们的范畴，并且反过来也偶尔影响了这些学科本身。

仅仅直到最近半个世纪，我们的计算工具和编程语言才强大到足以支撑我们对智能探索的理论进行实验证明。图灵1950年在哲学期刊《思想》（Mind）上提交的一篇学会论文正是人工智能领域的巨大转折点。这篇论文对如何制造一台可以进行智能行为的机器提出了一个明确可行的观点，其中包括了一个里程碑式的想法，即对模仿游戏的描述——这正是我们熟知的图灵测试。万尼瓦尔·布什（Vannevar Bush）曾于1945年在亚特兰大月刊上发表论文，对类似测试的可能性提出过富有预见性的见解，但是图灵则是实实在在地为计算机写了一段程序——例如，像香农在1950年的提议中计划的那样，下国际象棋。

早期的计算机程序不可避免地受到了存储器大小，处理器速度，以及笨拙的操作系统和语言本身的制约。（比如，在垃圾回收机制发明以前，内存管理都是程序员头疼的问题）。直到20世纪50年代至60年代，硬件里处理器和存储器的发展，以及符号操作语言，如Lisp，IPL和POP，以及分时系统的出现才赋予了程序员更强大的力量。尽管如此，在此期间依然出现了许多令人惊叹的程序，让计算机解决了许多从前只有智能人类才能解决的问题。

早期的学会包含了许多对此类程序的具体描述，第一本综合描述人工智能领域研究的著作是爱德华·费根鲍姆（Edward Feigenbaum）和朱利安·费尔德曼（Julian Feldman）于1963年的著作，计算机与思考（Computers and Thought）。

书中描述了亚瑟·塞缪尔（Arthur Samuel）写的西洋棋程序，这个程序完成于20世纪50年代，使用了IBM704和汇编语言。从IBM704的硬件条件，和汇编语言的简陋程度来看，这个程序完成得精巧至极。理解西洋棋的玩法只需要普通的智能，而完全掌握则需要比之稍高的智能。塞缪尔的程序（后来在性能上被切努克的程序打败）之所以更加出色，则是因为它能通过实验——也就是和人或其他程序的对战，来提高自己下棋的能力。当我们试着探讨智慧的核心是什么时，学习能力必然是其中之一（参见马文·明斯基1961年所著论文“通往人工智能的阶梯”（Steps Toward Artificial Intelligence））。

艾伦·纽厄尔（Allen Newell），约翰·克里弗·肖（J. Clifford Shaw），和赫伯·西蒙在20世纪50年代也写出了富有超越时代洞见却又受制于时代工具的程序。他们的LT程序是另一件令人惊叹的巧作。这个程序通过发明对逻辑定理的证明令整个世界瞠目结舌——而这无疑是需要创意和智能的。这个程序在1956年达特茅斯人工智能学会上被展示，也正是这场学会确立了“人工智能”这个名字。

纽厄尔和西蒙肯定了早期奥利弗·赛弗里奇（Oliver Selfridge）对利用符号操作程序进行模式识别的演示（见费根鲍姆和费尔德曼1963年论文）。赛弗里奇对学习和利用多主体方式解决问题（后称黑板模型）的研究，以及20世纪50年代早期的其他研究，都被认为是启发法研究里令人惊叹的演示。这些初步演示逐渐确立了人工智能领域的一个基本准则，西蒙称之为“满意”准则：即当缺乏一种有效的方法可以确保找到问题的解决方案时，在合理的时间内，启发法可以引导决策者找到一个令人满意的解决方案，尽管此方案不一定是最优解。

奥利弗·赛弗里奇

明斯基（1968）在对1950年后20年间研究工作的总结里写到：

“1962年以前，人工智能领域最核心的课题在于找到一种启发机制，可以用来控制探索法的边界。次核心的课题在于找到让机器学习的方法。而1962年后，对学习的思考减少了，更多的变成了对知识表示的研究以及对陈旧知识体系的破除。如何有效使用启发法进行搜索依然是潜在的制约条件，但它已不是人们关注和思考的重点，我们沉浸在对更精巧细小问题的探索中，比如，对已有方案的表示和修改。”

明斯基自己对知识表示体系的研究，以及被他称之为 “思维的社会”（Society of Mind）的概念，为此后的大量研究指明了方向。知识表示（Knowledge Representation）——无论正式和非正式方面——都已成为所有人工智能程序的奠基石。约翰·麦卡锡（John McCarthy）于1958年发表的重要论文“具有常识的程序”（Programs with Common Sense）（该论文在明斯基1968年论文中再版）中，举例证明了对陈述性知识的表示是可以被轻易操控的。自此，麦卡锡力主采用正规的知识表示体系，尤其在谓词演算方面。麦卡锡和其他学者在非单调逻辑和缺省推理所做的研究，如在变化的条件下进行决策，对智能行为的要求是什么，以及对人工智能的真正定义提供了重要意见。

马文·明斯基

约翰·麦卡锡

GPS（纽厄尔，肖和香农）和其他早期研究受到了心理学课题和试验方法（纽厄尔和香农1972）的启发。比如，费根鲍姆于1959年完成的EPAM，在程序中探索了组合记忆和遗忘，模拟了心理学实验中的行为（1963年费根鲍姆和费尔德曼）。卡耐基梅隆大学（当时为卡耐基理工学院）的其他早期程序，有意试图模拟真人在尝试解决问题，例如解答算式谜题或为投资组合选择股票，的推理过程中的步骤，包括其中的犯下的错误。生产系统，以及其后的基于规则的系统，都诞生于模仿人脑在长期和短期记忆中操纵符号的过程。唐纳德·沃特曼（Donald Waterman）于1970年在斯坦福的毕业论文中用生产系统来玩抽牌扑克游戏，用另一个程序来学习如何玩得更好。

托马斯·伊万斯（Thomas Evans）1963年的论文解决了类似一般智商（IQ）测试中的分类测试，这是第一次就如何在程序中使用类比推理法进行的探索。詹姆斯·斯莱格尔（James Slagle）在论文中用协同启发法解决了初等微积分问题中的符号集合问题。此外，麻省理工学院1960年初，丹尼·布朗（Danny Brown），博特·拉斐尔（Bert Raphael），罗斯·奎利恩（Ross Quillian）和费雪·布莱克（Fischer Black）都写出了令人印象深刻的论文，这些在明斯基的集合《语义信息处理》（Semantic Information Processing）里都有所提及（明斯基 1968）。

基于计算机对海量词典的存储和词汇提取能力，使用计算机对语言进行理解和翻译的想法因其直观性被率先提出。人们尝试使用查询表进行翻译的方法最终失败，并闹出不少滑稽笑话，因此受到学界猛烈批评，许多年里学界停止了为机器翻译提供科研经费。丹尼·布朗的研究展示了计算机可以在有限语境下使用数学词汇理解并解决许多成年人都感到棘手的问题。此外，罗伯特·F·西蒙斯（Rober F. Simmons），罗伯特·林赛（Robert Lindsay），罗杰·尚克（Roger Schank）的研究，也证实了理解语言——甚至翻译语言——在有限领域里是可以实现的。尽管原本提出的基于查询表对语言进行理解和翻译的方法并未有所改进，近年来对语言理解上的进展使我们离可对话的机器助手更近了一步。用于翻译、文本理解和语音理解的商用系统，已经可以做到对语言，语境和语义都有一定程度的理解。
人工智能发展的另一个转折点来自于20世纪60年代到70年代早期基于知识的系统的发展。20世纪60年代中期，艾拉·戈尔斯坦（Ira Goldstein）和塞默·佩帕特（Seymour Papert）（1977）描述的树图算法程序的演示过程（1980年林赛及其他人合作发表）被认识是人工智能领域里基于知识的系统分支上的一次“范式转换”。而在此之前，基于逻辑的推理和解决问题的理论被认为是更为显著的。“麦辛”（Mycin）（布坎南和舒特列夫发表于1984年）和其他成百上千的专家系统在数个领域证明了少量知识对决策行为的重要性。尽管依然有诸多制约，部分因为获取知识积累所需的努力，他们在提供专家级助理上的成功印证了古老的寓言“知识就是力量”。

原树图程序小组成员25年后合影

20世纪60年代也是由学术机构支持的人工智能产业化形成的年代。最初的两大主要学术机构是麻省理工学院和卡耐基梅隆大学（当时为卡耐基理工学院，和兰德公司合作），其后斯坦福和爱丁堡也相继诞生了人工智能实验室。曾与图灵合作过的唐纳德·米基（Donald Michie），组织了第一个，或最早之一的，人工智能年会。机器智能研讨会于1965年在爱丁堡首先举行。差不多同时，60年代中期，计算机协会人工智能特别兴趣组开设了论坛，让来自不同学科的人们分享关于人工智能的想法。国际学会组织——国际人工智能联合会（IJCAI），于1969年开设了两年一期的学会。美国人工智能协会（AAAI）在此基础上孕育而生，成立于1980年，为北美人工智能社区提供一年一度的学会。其他许多国家也逐渐成立了类似的组织。

唐纳德·米基

20世纪60年代后的数十年间，研究成果越发显著。我们理解智能机制的能力也随之增加。我们了解到推理模式并不是严格的演绎法推理，其他的有例如，基于范例的推理法、类比法、归纳法、不确定性推理法，和缺省推理法。当代关于智能中介和全自动驾驶车辆，以及其他方面的研究表明，许多方法需要和成功的系统相集成。

在人工智能领域里，我们还有许多需要学习的地方。比如学科发展初期提出的，对知识的展示和推理，依然是需要明确的两大领域。目前正在进行的关于学习、基于图形的推理，以及和多种方法和系统的集成的研究，将有可能向我们展示下一代人工智能的雏形。

然而，我们在人工智能领域所取得的成功，也让我们有义务思考技术的成功对社会带来的影响，以及如何教导决策者和普罗大众规划他们的未来。我们应该审慎地看待批评者提出的观点。其中包括社会工种的变换，自动机器人失败的后果，隐私的丧失，以及我们在全文开始提出的观点：人类在宇宙中所处的位置。另一方面，我们不希望放弃人工智能所能带来的诸多好处，其中包括减少重复操作的工作，更安全的生产环境和旅行环境，更好的安全设施，以及为了保护宜居的地球而做出更优化的决定。

即使已逐渐了解到智慧本身的复杂性，我们对智能机器人的幻想依然存在。它之所以存在，一部分是因为我们是梦想家。现有的程序和我们获得的有限成功不仅证明了我们的无知，更证明了利用某些（正确的）方法和机械我们确实可以创造出真正的具有智慧的人工智能。然而，我们，就像那些在生物实验室里试图创造人工生命的研究人员一样，应该对我们试图理解和模拟的东西怀有虔诚的敬意。

感谢

感谢Haym Hirsch，David Leake，Ed Feigenbaum，Jon Glick对初期草稿提出的意见，他们无需为我在文中所犯错误负任何责任。

其他

缩减后的历史必然会遗漏许多关键人物和重要里程碑。我为那些没有在此提及的人们表示歉意。AAAI网站和书中的内容将对这里的许多缺漏进行补充。

DARPA在一些基础课题和机器人领域对人工智能研究的支持让数十年来美国人工智能研究得以维继。

译者： jeynnecool  via：yeeyan.org

End.

转载请注明来自36大数据（36dsj.com)：36大数据 » 人工智能简史