人工智能社區中的許多人提出了這樣一個問題：“機器何時會達到人類一樣的智能水平 ?”無論其答案是什么，現在很少有人會質疑人工智能對人們生活的影響，并將在未來影響越來越大， 而人工智能的發展將會越來越成熟。

比爾?蓋茨說，“我們總是高估未來兩年將發生的變化，并低估未來十年將發生的變化?！?/p>

人工智能概念的產生

大約30年前，當人工智能開始出現時，幾乎不為人知，當時很少有人聽說過人工智能。如今，無人駕駛汽車、機器人以及其他創新用途的人工智能已經廣為人知。然而，人工智能這個概念并不是什么新鮮事物。事實上，“人工智能”這個術語最初是在1956年的達特茅斯會議上創造的，至今已有60多年的歷史。

人工智能的宣傳和炒作

早期幾年，由于對人工智能軟件工具和技術的重視，以及根據摩爾定律對硬件進行了相應的改進，人工智能應用程序的功能得到了適度的提高。

多年來，主要的人工智能模式如今已經被稱為良好傳統人工智能(GOFAI)。這種人工智能的方法試圖通過符號推理來模仿人類的思考，這種技術使用符號來操縱類似于人類推理的邏輯模式。人工智能的早期階段主要是解決一般的技術問題，這些技術源于數學。他們在定理證明和檢查中記錄了早期的成功，并引起了人們很大的興趣。因此，人工智能的一些技術創始人進行一些夸大的宣傳和預測。例如，在1961年，馬文?明斯基寫道，“在我們有生之年，機器在智力方面可能超過我們?！贝送猓?963年創建斯坦福人工智能項目的約翰?麥卡錫表示，其目標是在十年內建立一個完全智能的機器。

這些預言就像當時的其他預言一樣并沒有實現。解決一般問題的方法很快就會失去動力，因為這種通用性使得它們的實施變得不切實際。因此，始于20世紀80年代基于知識的系統或專家系統是人工智能標志性的另一個階段。這些是存儲人類領域特定知識的軟件程序，并試圖以人類專家相同的方式對其進行推理。這些系統使用的相當廣泛，其中一些非常成功，至今仍在使用。但他們的主要缺點是無法充分學習 ，但這一缺點可以通過機器學習部分解決。

機器學習和深度神經網絡

“機器學習”這個術語是指使機器能夠在沒有明確編程的情況下學習的方法。而人工智能的概念始于1959年，并不是什么新鮮事物。機器學習非常重要，但由于當時沒有學習能力，使得人工智能的改進受到嚴重限制，而人類具有學習新技能、新知識和實踐不斷改進的能力。因此，學習與智能行為有著密不可分的聯系，機器學習是人工智能技術的一個分支。這個領域的研究活動始于20世紀60年代，現在正在使用各種機器學習技術。

連接主義和人工神經網絡

然而，連接主義或人工神經網絡這種模式已經成為人工智能技術主流，它試圖模仿人類大腦中生物神經元的工作方式。實質上，機器接受歷史數據的訓練(或學習)，然后可以用來預測新的數據和結果。與人工智能的符號不同，它們不會在解決問題時使用明確的人類編程符號，而是通過調整神經元中的數字權重進行自我學習。

人工神經網絡也不是新鮮事物。其概念最初是由McCulloch和Pitts在1943年提出的，他提出了一種人工神經元模型，稱之為感知器。然而，在20世紀80年代人工神經網絡開始復蘇之前，它們幾乎已經被忽略。早期應用基于使用單層神經元的感知器軟件。然而，使用多層或深度神經網絡可以獲得更好的結果。更新的機器學習技術使用隱藏層來識別特定特征的人工神經網絡。

隨著時間的推移，通過知識發現和數據挖掘，這種技術得到了改進，并成功地應用于商業，尤其是20世紀90年代的零售行業。通過技術的結合可以處理大量數據的硬件改進、統計技術，以及滿足逐漸出現的全球互聯網和萬維網的需求，使其成為可能。隨后使用的大部分數據來自內部數據源，例如企業數據庫、零售數據等。對這些數據的分析通常會提供對趨勢等方面的見解，使組織能夠改進決策制定。

然而，現在許多人工神經網絡通過零售和社交網站等眾多來源從網上獲取大量的訓練數據。數據本身可以來自網絡上的異構源，可以采用文本、圖表、照片、視頻、聲音文件等形式。這就是所謂的大數據。同樣，大數據這個術語并不新鮮，但其影響不容小覷。當谷歌公司首席科學家Peter Norvig在谷歌時代精神(Zeitgeist)大會上被問及谷歌公司成功的秘訣時。他回答說：“我們并不比其他人有著更好的算法，我們只是擁有更多的數據?！?/p>

然而，上世紀90年代，社交網站如Twitter、Facebook等開始興起。每天都有數百萬張圖片在網上上傳下載。為了分析這些圖像，需要了解它們的內容，但它們通常沒有標簽，因為其內容是未知的。理解其內容和識別圖像的需求催生了一個名為ImageNet的網站。在2009年推出時，它擁有一個包含1400萬張圖像的數據庫。新的人工神經網絡應用程序可以在ImageNet網站上從這些圖像中訓練自己，但這仍然容易出錯。因此，該網站的創始人引入了一項名為ImageNet Challenge的技術競賽，鼓勵研究可以識別數據集圖像中的對象的計算機算法，以最大限度地減少識別中的錯誤。2012年，當時在谷歌公司工作的一位名叫Alex Krizhevsky的研究員在這次比賽中取得了出色的成績，以超過10%的優勢擊敗了所有對手。他推出的網絡名稱為AlexNet。這為走向“深度學習”的時代鋪平了道路。

面臨的挑戰

盡管深度學習取得了巨大的成功，但一些專家質疑這種模式是否足以達到人類智能。例如，根據深度學習網絡的著名研究員Francois Chollet的說法，“我們不可能僅僅通過擴大當今的深度學習技術來獲得通常的智能水平?！?/p>

這項技術還面臨其他挑戰。人工神經網絡的一個缺點是，它們在解釋和透明決策推理方面嚴重不足，它們是一種黑盒結構。這在諸如醫療診斷系統之類的應用中尤其成為問題，因為從業者需要了解他們的決策過程。

出于這個原因，美國國防部負責研究新技術的高級研究計劃局(DARPA)對2016年8月啟動的一項研究項目提供了資助。該計劃的目的是為一系列新項目提供資金，這些項目被稱為可解釋人工智能(XAI)。這些項目的目的是創建工具，使人工智能程序的用戶能夠理解該決策背后的原因。其中一些項目正在實施中，并在四年內完成。

結論

鑒于人工智能的發展歷史還很短，有些人現在提出了一個問題：現在是另一個炒作時期嗎?可能不是。與早期的人工智能不同，深度學習的商業利益如今無處不在。初創企業的投資和數量呈指數級增長。這些應用程序涵蓋機器人、醫學、教育、金融、自動駕駛汽車以及各個行業領域。此外，這些人工智能應用程序的智能水平與人類一樣出色，并且在某些情況下優于人類。

其中包括國際象棋和圍棋等游戲、醫療保健應用程序(例如英國國民保健系統部分使用的Babylon GP at Hand)、醫療聊天機器人、計算機視覺、對象識別、語音到文本轉換、語音識別，以及顯著改進的機器人，這只是一小部分例子。這些應用程序將通過更好的機器學習算法繼續改進。

人工智能社區中的許多人提出了這樣一個問題：“機器何時會達到人類一樣的智能水平 ?”無論其答案是什么，現在很少有人會質疑人工智能對人們生活的影響，并將在未來影響越來越大， 而人工智能的發展將會越來越成熟。