幾經(jīng)沉浮，人工智能前路何方？（1）

以下文章來源于算法進(jìn)階 ，作者算法進(jìn)階

人工智能將和電力一樣具有顛覆性 。

——吳恩達(dá)

如同蒸汽時代的蒸汽機、電氣時代的發(fā)電機、信息時代的計算機和互聯(lián)網(wǎng)，人工智能（AI）正賦能各個產(chǎn)業(yè)，推動著人類進(jìn)入智能時代。

本文從介紹人工智能及主要的思想派系，進(jìn)一步系統(tǒng)地梳理了其發(fā)展歷程、標(biāo)志性成果并側(cè)重其算法思想介紹，將這段 60余年幾經(jīng)沉浮的歷史，以一個清晰的脈絡(luò)呈現(xiàn)出來，以此展望人工智能（AI）未來的趨勢。

人工智能簡介

1.1 人工智能研究目的

人工智能（Artificial Intelligence，AI）研究目的是通過探索智慧的實質(zhì)，擴展人類智能——促使智能主體會聽（語音識別、機器翻譯等）、會看（圖像識別、文字識別等）、會說（語音合成、人機對話等）、會思考（人機對弈、專家系統(tǒng)等）、會學(xué)習(xí)（知識表示，機器學(xué)習(xí)等）、會行動（機器人、自動駕駛汽車等）。一個經(jīng)典的AI定義是：“ 智能主體可以理解數(shù)據(jù)及從中學(xué)習(xí)，并利用知識實現(xiàn)特定目標(biāo)和任務(wù)的能力。(A system’s ability to correctly interpret external data, to learn from such data, and to use those learnings to achieve specific goals and tasks through flexible adaptation)”

1.2 人工智能的學(xué)派

在人工智能的發(fā)展過程中，不同時代、學(xué)科背景的人對于智慧的理解及其實現(xiàn)方法有著不同的思想主張，并由此衍生了不同的學(xué)派，影響較大的學(xué)派及其代表方法如下：

其中，符號主義及聯(lián)結(jié)主義為主要的兩大派系：

“符號主義”（Symbolicism），又稱邏輯主義、計算機學(xué)派，認(rèn)為認(rèn)知就是通過對有意義的表示符號進(jìn)行推導(dǎo)計算，并將學(xué)習(xí)視為逆向演繹，主張用顯式的公理和邏輯體系搭建人工智能系統(tǒng)。如用決策樹模型輸入業(yè)務(wù)特征預(yù)測天氣：

“聯(lián)結(jié)主義”（Connectionism），又叫仿生學(xué)派，篤信大腦的逆向工程，主張是利用數(shù)學(xué)模型來研究人類認(rèn)知的方法，用神經(jīng)元的連接機制實現(xiàn)人工智能。如用神經(jīng)網(wǎng)絡(luò)模型輸入雷達(dá)圖像數(shù)據(jù)預(yù)測天氣：

人工智能發(fā)展史

從始至此，人工智能(AI)便在充滿未知的道路探索，曲折起伏，我們可將這段發(fā)展歷程大致劃分為5個階段期：

起步發(fā)展期：1943年—20世紀(jì)60年代

反思發(fā)展期：20世紀(jì)70年代

應(yīng)用發(fā)展期：20世紀(jì)80年代

平穩(wěn)發(fā)展期：20世紀(jì)90年代—2010年

蓬勃發(fā)展期：2011年至今

2.1 起步發(fā)展期：1943年—20世紀(jì)60年代

人工智能概念的提出后，發(fā)展出了符號主義、聯(lián)結(jié)主義(神經(jīng)網(wǎng)絡(luò))，相繼取得了一批令人矚目的研究成果，如機器定理證明、跳棋程序、人機對話等，掀起人工智能發(fā)展的第一個高潮。

1943年，美國神經(jīng)科學(xué)家麥卡洛克（Warren McCulloch）和邏輯學(xué)家皮茨（Water Pitts）提出神經(jīng)元的數(shù)學(xué)模型，這是現(xiàn)代人工智能學(xué)科的奠基石之一。

1950年，艾倫·麥席森·圖靈（Alan Mathison Turing）提出“圖靈測試”（測試機器是否能表現(xiàn)出與人無法區(qū)分的智能），讓機器產(chǎn)生智能這一想法開始進(jìn)入人們的視野。

1950年，克勞德·香農(nóng)（Claude Shannon）提出計算機博弈。

1956年，達(dá)特茅斯學(xué)院人工智能夏季研討會上正式使用了人工智能（artificial intelligence，AI）這一術(shù)語。這是人類歷史上第一次人工智能研討，標(biāo)志著人工智能學(xué)科的誕生。

1957年,弗蘭克·羅森布拉特（Frank Rosenblatt）在一臺IBM-704計算機上模擬實現(xiàn)了一種他發(fā)明的叫做“感知機”（Perceptron）的神經(jīng)網(wǎng)絡(luò)模型。

感知機可以被視為一種最簡單形式的前饋式人工神經(jīng)網(wǎng)絡(luò)，是一種二分類的線性分類判別模型，其輸入為實例的特征向量（x1,x2...），神經(jīng)元的激活函數(shù)f為sign，輸出為實例的類別（+1或者-1），模型的目標(biāo)是要將輸入實例通過超平面將正負(fù)二類分離。

1958年，David Cox提出了logistic regression。

LR是類似于感知機結(jié)構(gòu)的線性分類判別模型，主要不同在于神經(jīng)元的激活函數(shù)f為sigmoid，模型的目標(biāo)為(最大似然)極大化正確分類概率。

1959年，Arthur Samuel給機器學(xué)習(xí)了一個明確概念：Field of study that gives computers the ability to learn without being explicitly programmed.（機器學(xué)習(xí)是研究如何讓計算機不需要顯式的程序也可以具備學(xué)習(xí)的能力）。

1961年，Leonard Merrick Uhr 和 Charles M Vossler發(fā)表了題目為A Pattern Recognition Program That Generates, Evaluates and Adjusts its Own Operators 的模式識別論文，該文章描述了一種利用機器學(xué)習(xí)或自組織過程設(shè)計的模式識別程序的嘗試。

1965年，古德（I. J. Good）發(fā)表了一篇對人工智能未來可能對人類構(gòu)成威脅的文章，可以算“AI威脅論”的先驅(qū)。他認(rèn)為機器的超級智能和無法避免的智能爆炸最終將超出人類可控范疇。后來著名科學(xué)家霍金、發(fā)明家馬斯克等人對人工智能的恐怖預(yù)言跟古德半個世界前的警告遙相呼應(yīng)。

1966 年，麻省理工學(xué)院科學(xué)家Joseph Weizenbaum 在 ACM 上發(fā)表了題為《ELIZA-a computer program for the study of natural language communication between man and machine》文章描述了ELIZA 的程序如何使人與計算機在一定程度上進(jìn)行自然語言對話成為可能，ELIZA 的實現(xiàn)技術(shù)是通過關(guān)鍵詞匹配規(guī)則對輸入進(jìn)行分解，而后根據(jù)分解規(guī)則所對應(yīng)的重組規(guī)則來生成回復(fù)。

1967年，Thomas等人提出K最近鄰算法（The nearest neighbor algorithm）。

KNN的核心思想，即給定一個訓(xùn)練數(shù)據(jù)集，對新的輸入實例Xu，在訓(xùn)練數(shù)據(jù)集中找到與該實例最鄰近的K個實例，以這K個實例的最多數(shù)所屬類別作為新實例Xu的類別。

1968年，愛德華·費根鮑姆（Edward Feigenbaum）提出首個專家系統(tǒng)DENDRAL，并對知識庫給出了初步的定義，這也孕育了后來的第二次人工智能浪潮。該系統(tǒng)具有非常豐富的化學(xué)知識，可根據(jù)質(zhì)譜數(shù)據(jù)幫助化學(xué)家推斷分子結(jié)構(gòu)。

專家系統(tǒng)（Expert Systems）是AI的一個重要分支，同自然語言理解，機器人學(xué)并列為AI的三大研究方向。它的定義是使用人類專家推理的計算機模型來處理現(xiàn)實世界中需要專家作出解釋的復(fù)雜問題，并得出與專家相同的結(jié)論，可視作“知識庫(knowledge base)”和“推理機(inference machine)” 的結(jié)合。

1969年，“符號主義”代表人物馬文·明斯基（Marvin Minsky）的著作《感知器》提出對XOR線性不可分的問題：單層感知器無法劃分XOR原數(shù)據(jù)，解決這問題需要引入更高維非線性網(wǎng)絡(luò)（MLP,  至少需要兩層），但多層網(wǎng)絡(luò)并無有效的訓(xùn)練算法。這些論點給神經(jīng)網(wǎng)絡(luò)研究以沉重的打擊，神經(jīng)網(wǎng)絡(luò)的研究走向長達(dá)10年的低潮時期。

2.2 反思發(fā)展期：20世紀(jì)70年代

人工智能發(fā)展初期的突破性進(jìn)展大大提升了人們對人工智能的期望，人們開始嘗試更具挑戰(zhàn)性的任務(wù)，然而計算力及理論等的匱乏使得不切實際目標(biāo)的落空，人工智能的發(fā)展走入低谷。

1974年，哈佛大學(xué)沃伯斯(Paul Werbos)博士論文里，首次提出了通過誤差的反向傳播(BP)來訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，但在該時期未引起重視。

BP算法的基本思想不是（如感知器那樣）用誤差本身去調(diào)整權(quán)重，而是用誤差的導(dǎo)數(shù)（梯度）調(diào)整。通過誤差的梯度做反向傳播，更新模型權(quán)重,  以下降學(xué)習(xí)的誤差，擬合學(xué)習(xí)目標(biāo)，實現(xiàn)'網(wǎng)絡(luò)的萬能近似功能'的過程。

1975年，馬文·明斯基(Marvin Minsky)在論文《知識表示的框架》(A Framework for Representing Knowledge)中提出用于人工智能中的知識表示學(xué)習(xí)框架理論。

1976年，蘭德爾·戴維斯（Randall Davis）構(gòu)建和維護(hù)的大規(guī)模的知識庫，提出使用集成的面向?qū)ο竽Ｐ涂梢蕴岣咧R庫（KB）開發(fā)、維護(hù)和使用的完整性。

1976年，斯坦福大學(xué)的肖特利夫(Edward H. Shortliffe)等人完成了第一個用于血液感染病的診斷、治療和咨詢服務(wù)的醫(yī)療專家系統(tǒng)MYCIN。

1976年，斯坦福大學(xué)的博士勒納特發(fā)表論文《數(shù)學(xué)中發(fā)現(xiàn)的人工智能方法——啟發(fā)式搜索》，描述了一個名為“AM”的程序，在大量啟發(fā)式規(guī)則的指導(dǎo)下開發(fā)新概念數(shù)學(xué)，最終重新發(fā)現(xiàn)了數(shù)百個常見的概念和定理。

1977年，海斯·羅思(Hayes. Roth)等人的基于邏輯的機器學(xué)習(xí)系統(tǒng)取得較大的進(jìn)展，但只能學(xué)習(xí)單一概念，也未能投入實際應(yīng)用。

1979年，漢斯·貝利納（Hans Berliner）打造的計算機程序戰(zhàn)勝雙陸棋世界冠軍成為標(biāo)志性事件。(隨后，基于行為的機器人學(xué)在羅德尼·布魯克斯和薩頓等人的推動下快速發(fā)展，成為人工智能一個重要的發(fā)展分支。格瑞·特索羅等人打造的自我學(xué)習(xí)雙陸棋程序又為后來的強化學(xué)習(xí)的發(fā)展奠定了基礎(chǔ)。)

2.3 應(yīng)用發(fā)展期：20世紀(jì)80年代

人工智能走入應(yīng)用發(fā)展的新高潮。專家系統(tǒng)模擬人類專家的知識和經(jīng)驗解決特定領(lǐng)域的問題，實現(xiàn)了人工智能從理論研究走向?qū)嶋H應(yīng)用、從一般推理策略探討轉(zhuǎn)向運用專門知識的重大突破。而機器學(xué)習(xí)(特別是神經(jīng)網(wǎng)絡(luò))探索不同的學(xué)習(xí)策略和各種學(xué)習(xí)方法，在大量的實際應(yīng)用中也開始慢慢復(fù)蘇。

1980年，在美國的卡內(nèi)基梅隆大學(xué)(CMU)召開了第一屆機器學(xué)習(xí)國際研討會，標(biāo)志著機器學(xué)習(xí)研究已在全世界興起。

1980年，德魯·麥狄蒙（Drew McDermott）和喬恩·多伊爾（Jon Doyle）提出非單調(diào)邏輯，以及后期的機器人系統(tǒng)。

1980年，卡耐基梅隆大學(xué)為DEC公司開發(fā)了一個名為XCON的專家系統(tǒng)，每年為公司節(jié)省四千萬美元，取得巨大成功。

1981年，保羅（R.P.Paul）出版第一本機器人學(xué)課本，“Robot Manipulator：Mathematics，Programmings and Control”，標(biāo)志著機器人學(xué)科走向成熟。

1982年，馬爾（David Marr）發(fā)表代表作《視覺計算理論》提出計算機視覺（Computer Vision）的概念，并構(gòu)建系統(tǒng)的視覺理論，對認(rèn)知科學(xué)（CognitiveScience）也產(chǎn)生了很深遠(yuǎn)的影響。

1982年，約翰·霍普菲爾德（John Hopfield） 發(fā)明了霍普菲爾德網(wǎng)絡(luò)，這是最早的RNN的雛形?；羝辗茽柕律窠?jīng)網(wǎng)絡(luò)模型是一種單層反饋神經(jīng)網(wǎng)絡(luò)（神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要可分為前饋神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)及圖網(wǎng)絡(luò)），從輸出到輸入有反饋連接。它的出現(xiàn)振奮了神經(jīng)網(wǎng)絡(luò)領(lǐng)域，在人工智能之機器學(xué)習(xí)、聯(lián)想記憶、模式識別、優(yōu)化計算、VLSI和光學(xué)設(shè)備的并行實現(xiàn)等方面有著廣泛應(yīng)用。

1983年，Terrence Sejnowski, Hinton等人發(fā)明了玻爾茲曼機（Boltzmann Machines），也稱為隨機霍普菲爾德網(wǎng)絡(luò)，它本質(zhì)是一種無監(jiān)督模型，用于對輸入數(shù)據(jù)進(jìn)行重構(gòu)以提取數(shù)據(jù)特征做預(yù)測分析。

1985年，朱迪亞·珀爾提出貝葉斯網(wǎng)絡(luò)(Bayesian network)，他以倡導(dǎo)人工智能的概率方法和發(fā)展貝葉斯網(wǎng)絡(luò)而聞名，還因發(fā)展了一種基于結(jié)構(gòu)模型的因果和反事實推理理論而受到贊譽。

貝葉斯網(wǎng)絡(luò)是一種模擬人類推理過程中因果關(guān)系的不確定性處理模型，如常見的樸素貝葉斯分類算法就是貝葉斯網(wǎng)絡(luò)最基本的應(yīng)用。

貝葉斯網(wǎng)絡(luò)拓樸結(jié)構(gòu)是一個有向無環(huán)圖(DAG)，通過把某個研究系統(tǒng)中涉及的隨機變量，根據(jù)是否條件獨立繪制在一個有向圖中，以描述隨機變量之間的條件依賴，用圈表示隨機變量(random variables)，用箭頭表示條件依賴(conditional dependencies)就形成了貝葉斯網(wǎng)絡(luò)。對于任意的隨機變量，其聯(lián)合概率可由各自的局部條件概率分布相乘而得出。如圖中b依賴于a(即：a->b)，c依賴于a和b，a獨立無依賴，根據(jù)貝葉斯定理有 P(a,b,c) = P(a)*P(b|a)*P(c|a,b)

1986年，羅德尼·布魯克斯(Brooks)發(fā)表論文《移動機器人魯棒分層控制系統(tǒng)》，標(biāo)志著基于行為的機器人學(xué)科的創(chuàng)立，機器人學(xué)界開始把注意力投向?qū)嶋H工程主題。

1986年，辛頓(Geoffrey Hinton)等人先后提出了多層感知器(MLP)與反向傳播（BP）訓(xùn)練相結(jié)合的理念（該方法在當(dāng)時計算力上還是有很多挑戰(zhàn)，基本上都是和鏈?zhǔn)角髮?dǎo)的梯度算法相關(guān)的），這也解決了單層感知器不能做非線性分類的問題，開啟了神經(jīng)網(wǎng)絡(luò)新一輪的高潮。

1986年，昆蘭（Ross Quinlan）提出ID3決策樹算法。

決策樹模型可視為多個規(guī)則(if, then)的組合，與神經(jīng)網(wǎng)絡(luò)黑盒模型截然不同是，它擁有良好的模型解釋性。

ID3算法核心的思想是通過自頂向下的貪心策略構(gòu)建決策樹：根據(jù)信息增益來選擇特征進(jìn)行劃分（信息增益的含義是 引入屬性A的信息后，數(shù)據(jù)D的不確定性減少程度。也就是信息增益越大，區(qū)分D的能力就越強)，依次遞歸地構(gòu)建決策樹。

1989年，George Cybenko證明了“萬能近似定理”（universal approximation theorem）。簡單來說，多層前饋網(wǎng)絡(luò)可以近似任意函數(shù)，其表達(dá)力和圖靈機等價。這就從根本上消除了Minsky對神經(jīng)網(wǎng)絡(luò)表達(dá)力的質(zhì)疑。

“萬能近似定理”可視為神經(jīng)網(wǎng)絡(luò)的基本理論：?個前饋神經(jīng)?絡(luò)如果具有線性層和?少?層具有 “擠壓” 性質(zhì)的激活函數(shù)（如 sigmoid 等），給定?絡(luò)?夠數(shù)量的隱藏單元，它可以以任意精度來近似任何從?個有限維空間到另?個有限維空間的 borel 可測函數(shù)。

1989年，LeCun (CNN之父) 結(jié)合反向傳播算法與權(quán)值共享的卷積神經(jīng)層發(fā)明了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），并首次將卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用到美國郵局的手寫字符識別系統(tǒng)中。

卷積神經(jīng)網(wǎng)絡(luò)通常由輸入層、卷積層、池化（Pooling）層和全連接層組成。卷積層負(fù)責(zé)提取圖像中的局部特征，池化層用來大幅降低參數(shù)量級(降維)，全連接層類似傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的部分，用來輸出想要的結(jié)果。