下载掌阅APP，畅读海量书库
立即打开
人工智能，或者说AI，这个概念对于今天这个时代的我们都已经不陌生，甚至在积极地学习与拥抱人工智能技术。然而这项技术并不是横空出世的，人工智能技术的研究可以追溯到20世纪40～50年代。当时在计算机技术的推动下，一些学者、研究者开始思考，机器是否可以被训练成具备像人一样的思维。在这个时期最著名的事件，即图灵（Turing）提出了他的著名“图灵测试”，测试能否使机器模仿人类的思考和行为模式，被判定为“听起来就像人类”的程序在测试中完成，正式开启了人类对于人工智能的研究之路。
在人工智能起步的初期，研究人员就开始寻找一些可执行的算法模型，希望通过这种模型实现人工智能。显然，由于人工智能技术是依托于计算机技术构建，而计算机技术的运算又基于算法技术。因此，要想让计算机拥有智能的可能性，就需要通过计算机的算法方式来开展研究。在初期阶段，学界和科学家们也找到了一些有效的模型，比如逻辑理论家（Logic Theorist）和通用问题解决器（General Problem Solver）。这些初期的研究一直持续到1955年，也就是达特茅斯会议（Dartmouth Conference）的召开，正式开启了人工智能的大门。
在整个人工智能技术的研究过程中，也一直充满着曲折与困难，包括对于技术路线，以及人工智能是否真正能够具备类人智能的可能性等方面的问题。直到2022年，ChatGPT横空问世，不仅掀起了人工智能技术的狂潮，最核心的是让我们看到了基于硅基的智能具备了拥有碳基智能的可能性。几乎一时间，互联网铺天盖地都是关于人工智能的讨论。
ChatGPT作为聊天机器人的性能的确是前所未有的强悍，可以说是上知天文下知地理，可以模拟人类说话的方式，和我们进行沟通互动，多才多艺，既能写唐诗，又能编代码，还可以替我们写工作周报。
就连埃隆·马斯克在体验ChatGPT后也直呼“好得吓人”，甚至断言“我们离强大到危险的人工智能不远了”，比尔·盖茨则表示，聊天机器人ChatGPT的重要性不亚于互联网的发明。
其实，作为计算机科学的一个分支，人工智能的诞生不过短短70年，70年间，伴随了几代人的成长，人工智能经历了技术的跌宕和学术门派的斗争，经历了混乱的困惑和层峦叠嶂般的迷思，在人工智能经历三起两落，再到今天获得前所未有的成功之下，人工智能的下一步将走向何处？
人工智能虽然是一项近现代才出现的技术，实际上，人类对人造机械智能的想象与思考早已有之。
在古代的神话传说中，技艺高超的工匠可以制造人造人，并赋予其智能或意识，比如希腊神话中出现了赫淮斯托斯的黄金机器人和皮格马利翁的伽拉忒亚这样的机械人和人造人；根据列子辑注的《列子·汤问》记载，中国西周时期也出现了偃师造人的故事；犹太人传说中具有生命形式的泥人；印度传说中，守卫佛祖舍利子则模仿古希腊罗马自动人形机的设计造了机器人武士。
神话中，地球上第一个行走的机器人叫塔洛斯，是个铜制的巨人，大约2500多年前降生在希腊克里特岛匠神赫菲斯托的工棚。据荷马史诗《伊利亚特》描述，塔洛斯当年在特洛伊战争中负责守卫克里特。塔洛斯需要一日之内巡岛三圈，寻找闯入者。当他看到船只驶向海岸时，就向他们的船扔巨石，如果有幸存者上岸，塔洛斯就会加热金属身体，把受害者放到炽热的胸前压死。
在古希腊时期，像塔洛斯一样的机器人还有很多，埃德利安·梅耶（Adrienne Mayor）甚至在《诸神与机器人》（ Gods and Robots ）中把希腊古城亚历山大港称为最初的硅谷，因为那里曾经是无数机器人的家园。
古老的机器人虽然跟现在一般意义上的人工智能风马牛不相及，但这些尝试都体现了人类复制、模拟自身的梦想。法国索邦大学计算机学教授让-加布里埃尔·加纳西亚（Jean-Gabriel Ganascia）认为，古代神话中人形物体被赋予生命，与今天人们想象和担忧的“通用人工智能”，即具有超级智能的机器，都更多属于想象而不是科学现实。
人类对人工智能的幻想阶段一直持续到了20世纪40年代。
由于第二次世界大战交战各国对计算能力、通信能力在军事应用上迫切的需求，使得这些领域的研究成为人类科学的主要发展方向。信息科学的出现和电子计算机的发明，让一批学者得以真正开始严肃地探讨构造人造机械智能的可能性。
在1935年春天的剑桥大学国王学院，年仅23岁的图灵第一次接触到了德国数学家大卫·希尔伯特（David Hilbert）“23个世纪问题”中的第十问题：“能否通过机械化运算过程来判定整系数方程是否存在整数解？”
图灵清楚地意识到，解决这一问题的关键在于对“机械化运算”的严格定义。考究希尔伯特的原意，这个词大概意味着“依照一定的有限的步骤，无须计算者的灵感就能完成的计算”，这在没有电子计算机的当时已经称得上既富想象力又不失准确的定义。但图灵的想法更为单纯，机械计算就是一台机器可以完成的计算，用今天的术语来说，机械计算的实质就是算法。
1936年，图灵在伦敦权威的数学杂志上发表了划时代的重要论文《论可计算数及其在判定问题上的应用》，在这篇开创性的论文中，图灵给“可计算性”下了一个严格的数学定义，并提出著名的“图灵机”设想。图灵机不是一种具体的机器，而是一种思想模型，可制造一种十分简单但运算能力极强的计算机装置，用来计算所有能想象得到的可计算函数。图灵机的提出对于后来人工智能的发展尤为重要，正是基于图灵机的设想，科学家们才能够深入理解计算和算法的基本原理。
1950年，图灵再次发表了论文《计算机器与智能》，首次提出了对人工智能的评价准则，即闻名世界的“图灵测试”。图灵测试是在测试者与被测试者（一个人和一台机器）隔开的情况下，由测试者通过一些装置向被测试者随意提问。经过5分钟的交流后，如果有超过30%的测试者不能区分出哪个是人、哪个是机器的回答，那么这台机器就通过了测试，并被认为具有人类水准的智能。
图灵测试从行为主义的角度对智能进行了重新定义，它将智能等同于符号运算的智能表现，而忽略了实现这种符号智能表现的机器内涵，将智能限定为对人类行为的模仿能力，而判断力、创造性等人类思想独有的特质则必然无法被纳入图灵测试的范畴。
但无论图灵测试存在怎样的缺陷，它都是一项伟大的尝试。自此，人工智能具备了必要的理论基础，开始踏上科学舞台，并以其独特的魅力倾倒众生，带给人类关于自身、宇宙和未来的无尽思考。
1956年8月，在美国达特茅斯学院中，约翰·麦卡锡（John McCarthy，LISP语言创始人）、马文·闵斯基（Marvin Minsky，人工智能与认知学专家）、克劳德·香农（Claude Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等科学家聚在一起，讨论着一个不食人间烟火的主题：用机器来模仿人类学习以及其他方面的智能。这样就是著名的达特茅斯会议。会议足足开了两个月的时间，讨论内容包含自动计算机、编程语言、神经网络、计算规模理论、自我改进（机器人学习）、抽象概念和随机性及创造性，虽然大家没有达成普遍的共识，但是却将会议讨论的内容概括出一个名词：人工智能。
1956年也因此成为人工智能元年，世界由此变化。
达特茅斯会议之后的数年是大发现的时代。这一阶段开发出的程序令人们真正感受到了人工智能的神奇：人工智能可以解决代数应用题、证明几何定理、学习和使用英语。
当时大多数人几乎无法相信机器能够如此“智能”。1961年，世界第一款工业机器人尤尼梅特（Unimate）在美国新泽西的通用电气工厂上岗试用。1966年，第一台能移动的机器人摇摇（Shakey）问世，同年诞生的还有伊莉莎（Eliza）。伊莉莎可以算作今天亚马逊语音助手Alexa、谷歌助理和苹果语音助手Siri们的“祖母”，“她”没有人形，没有声音，就是一个简单的机器人程序，通过人工编写的DOCTOR脚本跟人类进行类似心理咨询的交谈。
伊莉莎问世时，机器解决问题和释义语音语言的苗头已经初露端倪。但是，抽象思维、自我认知和自然语言处理功能等人类智能对机器来说还遥不可及。但这并不能阻挡研究者们对人工智能的美好愿景与乐观情绪，当时的科学家们认为具有完全智能的机器将在二十年内出现。而当时对人工智能的研究几乎是无条件地支持，时任ARPA主任的约瑟夫·利克莱德（Joseph Carl Robnett Licklider）相信他的组织应该“资助人，而不是项目”，并且允许研究者去做任何感兴趣的方向。
但是好景不长，人工智能的第一个寒冬很快到来。
20世纪70年代初，人工智能开始受到批评，即使是最杰出的人工智能程序也只能解决它们尝试解决的问题中最简单的一部分，也就是说所有的人工智能程序都只是“玩具”。人工智能研究者们遭遇了无法克服的基础性障碍。由于技术上的停滞不前，投资机构纷纷开始撤回和停止对人工智能领域的投资。比如，美国国家科学委员会（National Research Council，NRC）在拨款二千万美元后停止资助。1973年，詹姆斯·莱特希尔爵士（Sir James Lighthill）针对英国人工智能研究状况的报告批评了人工智能在实现其“宏伟目标”上的完全失败，并导致了英国人工智能研究的低潮。美国国防高级研究计划局（Defense Advanced Research Projects Agency，DARPA）则对卡内基梅隆大学（CMU）的语音理解研究项目深感失望，从而取消了每年三百万美元的资助。到了1974年已经很难再找到对人工智能项目的资助。
然而，当人类进入20世纪80年代时，人工智能的低潮出现了转机。一类名为“专家系统”的人工智能程序开始为全世界的公司所采纳，专家系统能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。
例如，1965年起设计的Dendral能够根据分光计读数分辨混合物，1972年设计的MYCIN能够诊断血液传染病，准确率69%，而专科医生是80%。1978年，用于电脑销售过程中为顾客自动配置零部件的专家系统XCON诞生，XCON是第一个投入商用的人工智能专家，也是当时最成功的一款。
人工智能再一次获得了成功，1981年，日本经济产业省拨款八亿五千万美元支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样推理的机器。其他国家纷纷作出响应，1984年，英国开始了耗资三亿五千万英镑的阿尔维（Alvey）工程，美国一个企业协会组织了微电子与计算机技术集团（Microelectronics and Computer Technology Corporation，MCC），向人工智能和信息技术的大规模项目提供资助。DARPA也行动起来，组织了战略计算促进会（Strategic Computing Initiative），其1988年向人工智能的投资数额是1984年的三倍。
而历史总是惊人的相似，人工智能再次遭遇寒冬。
从20世纪80年代末到90年代初，人工智能再一次遭遇了一系列财政问题。变天的最早征兆是在1987年，AI硬件市场需求的突然直下，苹果和IBM公司生产的台式机性能超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。20世纪80年代末，美国国防高级研究计划局高层认为人工智能并不是“下一个浪潮”。
“实现人类水平的智能”这一最初的梦想曾在20世纪60年代令全世界的想象力为之着迷，但最终，还是因为包括技术成熟度在内的各种原因而遇冷。
在人工智能的第二次寒冬下，人工智能沉寂了将近10年。
直到哈佛大学博士保罗·沃尔博斯（Paul Werbos）把神经网络反向传播（BP）算法的思想应用到神经网络，提出多层感知器（MLP），包括输入层、隐层和输出层，即人工神经网络（ANN）。之后，机器学习开始在全世界兴起。机器学习的方法不只是人工神经网络，还有决策树算法（ID3）、支持向量机（SVM）以及AdaBoost算法（集成学习）等。
1989年，杨立昆（Yann LeCun）结合反向传播算法与权值共享的卷积神经层发明了卷积神经网络（CNN），并首次将卷积神经网络成功应用到美国邮局的手写字符识别系统中。卷积神经网络通常由输入层、卷积层、池化（Pooling）层和全连接层组成。卷积层负责提取图像中的局部特征，池化层用来大幅降低参数量级（降维），全连接层类似传统神经网络的部分，用来输出想要的结果。
人工智能再一次获得了关注，再加上互联网技术的迅速发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化，人工智能相关的各个领域都取得长足进步。人工智能的能力在一些方面已经超越人类，比如围棋、德州扑克，又如证明数学定理，再如学习从海量数据中自动构建知识，识别语音、面孔、指纹，驾驶汽车，处理海量的文件、物流和制造业的自动化操作等。人工智能的应用也因此遍地开花，进入人类生活的各个领域。
过去10年中，人工智能开始写新闻、抢独家，经过海量数据训练学会了识别猫，IBM超级电脑沃森（Watson）战胜了智力竞赛两任冠军，谷歌阿尔法狗（Alpha Go）战胜了围棋世界冠军，波士顿动力的机器人阿特拉斯（Atlas）学会了三级障碍跳。2020年，人工智能更是落地助力医疗，比如智能机器人充当医护小助手、智能测温系统精准识别发热者、无人机代替民警巡查喊话，以及人工智能辅助CT影像诊断等。
不过，在这个时期，人工智能的智能化并不具备自主性，没有很强的思考能力，更多的还是需要人工预先去完成一些视觉识别功能的编程，再让人工智能去完成对应的工作。或者说，这一时期的人工智能只是狭义上的人工智能，人工智能并不具备强泛化能力，仅仅能处理单一的任务。
直到2022年，ChatGPT的问世，进一步推动了人工智能的爆发式增长，把人类真正推进了人工智能时代。基于庞大的数据集，ChatGPT得以拥有更好的语言理解能力，这意味着它可以更像一个通用的任务助理，能够和不同行业结合，衍生出很多应用的场景。
可以说，ChatGPT为通用AI打开了一扇大门，而我们，正在步入这个前所未有的人工智能世界。ChatGPT之所以能够再次引爆人工智能技术热潮，核心就在于ChatGPT让我们看到了硅基拥有碳基智能的可能性，这也就意味着硅基能够以碳基的方式来表达世界。