最近這兩年，隨著 AIGC 大模型的崛起，整個社會掀起了一股強勁的 AI 浪潮。
人們在關(guān)注 AI，企業(yè)在擁抱 AI，資本在追逐 AI。凡是和 AI 有關(guān)的概念，都會吸引大量的目光。
那么，AI 是如何一步一步走到今天的呢？它經(jīng)歷了哪些發(fā)展階段，又發(fā)生過哪些精彩的故事？
今天這篇文章，我們就來仔細(xì)回顧一下，人類 AI 的發(fā)展歷程。
█ 萌芽階段
人類對人造智能體的追求和暢想，最早可以追溯到古希臘時代。
在古希臘神話中，火與工匠之神赫菲斯托斯，曾經(jīng)制作了一組金制的女機器人，“有心能解意，有嘴能說話，有手能使力，精通手工制造”。
在中國的古代史籍中，也出現(xiàn)過“人工智能”的影子。
《列子?湯問篇》中，偃師向周穆王進獻了一個機械人，會唱歌、會跳舞，還會挑逗周穆王的嬪妃。周穆王醋意爆發(fā)，認(rèn)為機械人是真人假扮，要殺掉偃師。偃師趕緊將機械人拆散，周穆公才罷休。
上面的這些文字記載，顯然都不靠譜。在遙遠(yuǎn)且漫長的古代，以人類當(dāng)時的技術(shù)水平，肯定是造不出智能體的。能造出一些簡單的機械（例如諸葛亮的木牛流馬），都已經(jīng)很了不起了。
人們對智能體的寄望，很多都依托于鬼神等宗教信仰 —— 將人的靈魂附身于機械，才能夠?qū)崿F(xiàn)“人工智能”。
到了近現(xiàn)代，隨著工業(yè)革命的爆發(fā)，人類開始逐漸進入機械計算、電氣計算時代。計算能力的不斷增長，使得通過“算力”來驅(qū)動“智能”，成為一種可行選項。
17 世紀(jì)，萊布尼茨、托馬斯?霍布斯和笛卡兒等率先提出：是否可以將人類理性的思考系統(tǒng)，轉(zhuǎn)化為代數(shù)學(xué)或幾何學(xué)體系？
萊布尼茨認(rèn)為：“人類的思想，可以簡化成某種運算。”
霍布斯也提出：“推理就是計算?！?/p>
這些偉大的思想，為后來的計算機和人工智能發(fā)展指明了方向。
再后面的事情，大家都比較清楚了 ——
在查爾斯?巴貝奇（Charles Babbage）的分析機、赫爾曼?何樂禮（Herman Hollerith）的制表機、阿蘭?圖靈（Alan Turing）的圖靈機，以及 Z3、珍妮機、Mark I、ENIAC 等一系列發(fā)明的接力推動下，人類終于進入了數(shù)字電子計算機時代，也開啟了波瀾壯闊的信息技術(shù)革命。（不清楚的，看這里：算力簡史）
█ 第一次高潮階段（1950 年-1973 年）
圖靈測試
數(shù)字電子計算機正式誕生之后，很快就有科學(xué)家開始探索，是否可以通過計算機來實現(xiàn)“智能”。
1950 年，阿蘭?圖靈在《心靈（Mind）》雜志上發(fā)表了一篇非常重要的論文，名叫《計算機器與智能（Computing Machinery and Intelligence）》。
在論文開頭，他就提出了一個靈魂之問：
“I propose to consider the question, ‘Can machines think?’"
“我提議思考這樣一個問題：‘機器可以思考嗎？’”
圖靈在論文中仔細(xì)討論了創(chuàng)造“智能機器”的可能性。由于“智能”一詞很難定義，他提出了著名的圖靈測試（以下為大致意思）：
“一個人在不接觸對方的情況下，通過一種特殊的方式和對方進行一系列的問答。如果在相當(dāng)長時間內(nèi)，他無法根據(jù)這些問題判斷對方是人還是計算機，那么，就可以認(rèn)為這個計算機是智能的?！?/p>
圖靈的論文，在學(xué)術(shù)界引起了廣泛的反響。越來越多的學(xué)者被這個話題所吸引，參與到對“機器智能”的研究之中。其中，就包括達特茅斯學(xué)院的年輕數(shù)學(xué)助教約翰?麥卡錫（J. McCarthy），以及哈佛大學(xué)的年輕數(shù)學(xué)和神經(jīng)學(xué)家馬文?明斯基（M. L. Minsky）。
達特茅斯會議
1955 年 9 月，約翰?麥卡錫、馬文?明斯基、克勞德?香農(nóng)（C. E. Shannon）、納撒尼爾?羅切斯特（N. Rochester）四人，共同提出了一個關(guān)于機器智能的研究項目。在項目中，首次引入了“Artificial Intelligence”這個詞，也就是人工智能。
1956 年 6 月，在剛才那 4 個人的召集下，在洛克菲勒基金會的資助下，十余位來自不同領(lǐng)域的專家，聚集在美國新罕布什爾州漢諾威鎮(zhèn)的達特茅斯學(xué)院，召開了一場為期將近兩月的學(xué)術(shù)研討會，專門討論機器智能。
這次研討會，就是著名的達特茅斯會議（Dartmouth workshop）。
達特茅斯會議并沒有得出什么重要的結(jié)論或宣言，但是認(rèn)可了“人工智能（Artificial Intelligence）”的命名，也大致明確了后續(xù)的研究方向。
這次會議，標(biāo)志著人工智能作為一個研究領(lǐng)域正式誕生，也被后人視為現(xiàn)代人工智能的起點。
AI 三大學(xué)派
達特茅斯會議之后，人工智能進入了一個快速發(fā)展階段。參與研究的人變得更多了，而且，也逐漸形成了幾大學(xué)術(shù)派系。
在這里，我們要提到人工智能最著名的三大學(xué)派 —— 符號主義、聯(lián)結(jié)主義（也叫聯(lián)接主義、連結(jié)主義）、行為主義。
符號主義是當(dāng)時最主流的一個學(xué)派。
他們認(rèn)為，世界中的實體、概念以及它們之間的關(guān)系，都可以用符號來表示。人類思維的基本單元，也是符號。如果計算機能像人腦一樣，接收符號輸入，對符號進行操作處理，然后產(chǎn)生符號輸出，就可以表現(xiàn)出智能。
這個思路，關(guān)鍵在于把知識進行編碼，形成一個知識庫，然后通過推理引擎和規(guī)則系統(tǒng)，進行推斷，以此解決復(fù)雜的問題。
符號主義早期的代表性成果，是 1955 年赫伯特?西蒙（Herbert A. Simon，也譯為司馬賀）和艾倫?紐維爾（Allen Newell）開發(fā)的一個名為“邏輯理論家（Logic Theorist）”的程序。
“邏輯理論家”被認(rèn)為是人類歷史上第一個人工智能程序，并且在達特茅斯會議上進行了演示。它將每個問題都表示成一個樹形模型，然后選擇最可能得到正確結(jié)論的那條線，來求解問題。
1957 年，赫伯特?西蒙等人在“邏輯理論家”的基礎(chǔ)上，又推出了通用問題解決器（General Problem Solver，GPS），也是符號主義的早期代表。
進入 1960 年代，符號主義也進入了一個鼎盛時期。在自然語言理解、微世界推理、專家系統(tǒng)（注意這個詞，后面會再次提到它）等領(lǐng)域，人工智能取得了突破性的進展，也逐漸成為公眾關(guān)注的對象。
1958 年，約翰?麥卡錫正式發(fā)布了自己開發(fā)的人工智能編程語言 ——LISP（LIST PROCESSING，意思是 "表處理"）。后來的很多知名 AI 程序，都是基于 LISP 開發(fā)的。
1966 年，美國麻省理工學(xué)院的魏澤鮑姆（Joseph Weizenbaum），發(fā)布了世界上第一個聊天機器人 ——ELIZA。
ELIZA 的名字源于蕭伯納戲劇作品《賣花女》中的主角名。它只有 200 行程序代碼和一個有限的對話庫，可以針對提問中的關(guān)鍵詞，進行答復(fù)。
ELIZA 其實沒有任何智能性可言。它基于規(guī)則運作，既不理解對方的內(nèi)容，也不知道自己在說什么。但即便如此，它還是在當(dāng)時引起了轟動。ELIZA 可以說是現(xiàn)在 Siri、小愛同學(xué)等問答交互工具的鼻祖。
再來看看聯(lián)結(jié)主義。
聯(lián)結(jié)主義，強調(diào)模仿人腦的工作原理，建立神經(jīng)元之間的聯(lián)結(jié)模型，以此實現(xiàn)人工神經(jīng)運算。
大家可能會有點激動。沒錯，這就是現(xiàn)在非常熱門的神經(jīng)網(wǎng)絡(luò)模型。
神經(jīng)網(wǎng)絡(luò)的概念其實誕生得很早。1943 年，美國神經(jīng)生理學(xué)家沃倫?麥卡洛克（Warren McCulloch）和數(shù)學(xué)家沃爾特?皮茨（Walter Pitts），基于人類大腦的神經(jīng)網(wǎng)絡(luò)，創(chuàng)建了一個形式神經(jīng)元的計算機模型，并將其取名為 MCP（McCulloch&Pitts）模型。
1951 年，馬文?明斯基（就是前面提到的那個）和他的同學(xué)鄧恩?埃德蒙（Dunn Edmund），建造了第一臺神經(jīng)網(wǎng)絡(luò)機 SNARC。
1957 年，美國康奈爾大學(xué)的心理學(xué)家和計算機科學(xué)家弗蘭克?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“感知機 (Perceptron) ”的神經(jīng)網(wǎng)絡(luò)模型。
這個“感知器”包括三層結(jié)構(gòu)，一端是 400 個光探測器，模擬視網(wǎng)膜。光探測器多次連接一組 512 個電子觸發(fā)器。當(dāng)它通過一個特定的可調(diào)節(jié)的興奮閥值時，就會像神經(jīng)元一樣激發(fā)。這些觸發(fā)器連接到最后一層，當(dāng)一個物體與感知器受訓(xùn)見過的對象相互匹配時，它就會發(fā)出信號。
“感知機”是聯(lián)結(jié)主義的一項重要成果，在人工智能發(fā)展史上具有里程碑式的意義。但是，后來的一盆冰水，徹底澆滅了聯(lián)結(jié)主義的熱情。
1969 年，馬文?明斯基和西蒙?派珀特（Seymour Papert）寫了一本書《感知機: 計算幾何學(xué)導(dǎo)論》的書，對羅森布萊特的感知器提出了質(zhì)疑。馬文?明斯基認(rèn)為：
“神經(jīng)網(wǎng)絡(luò)具有很大的局限性（單層感知機無法解決線性不可分問題），沒有實際研究價值。”
來自大神的否定，等于直接宣判了神經(jīng)網(wǎng)絡(luò)（聯(lián)結(jié)主義）路線的死刑。于是，這個非常有價值的研究方向，被中止了。
羅森布萊特后來死于意外（也有人說是自殺），馬文?明斯基也因為這個錯誤的判斷，被一些學(xué)者抨擊。（需要注意，馬文?明斯基雖然有誤判，但他對人工智能事業(yè)的功遠(yuǎn)大于過，甚至也被譽為“人工智能之父”。）
等到神經(jīng)網(wǎng)絡(luò)（聯(lián)結(jié)主義）重新崛起，已經(jīng)是十多年后的事情了。我們待會再詳細(xì)說。
最后，說說行為主義。
行為主義，也稱為進化主義或控制論學(xué)派。他們認(rèn)為，通過與環(huán)境的互動來學(xué)習(xí)和適應(yīng)，從而改進自身行為，就是行為主義認(rèn)為的智能。智能取決于感知和行動，不需要知識、表示和推理，只需要將智能行為表現(xiàn)出來就好。
簡單來說，行為主義 AI 系統(tǒng)基于“感知-動作”的閉環(huán)控制，強調(diào)即時反饋和適應(yīng)性學(xué)習(xí)。智能體通過感知環(huán)境信息，基于這些信息執(zhí)行動作，并根據(jù)動作結(jié)果調(diào)整后續(xù)行為。
行為主義在后來的機器人學(xué)、自動化控制、游戲 AI、自動駕駛汽車等領(lǐng)域有著重要應(yīng)用。
好了，以上是 AI 三大重要學(xué)派的介紹，作為學(xué)習(xí) AI 的知識鋪墊，也有助于閱讀后面的文章。
請大家注意，AI 的學(xué)派和思想路線并不止這三個，還有一些小學(xué)派，例如進化計算、模糊邏輯、貝葉斯網(wǎng)絡(luò)等。它們雖不構(gòu)成獨立的大學(xué)派，但在 AI 的某些子領(lǐng)域內(nèi)有著重要的應(yīng)用和影響。而且，AI 學(xué)派之間，邊界也比較模糊，有時候會互相融合。
其它重要成果
再簡單介紹一下當(dāng)時另外幾項重要的研究成果。
首先必須是亞瑟?塞繆爾（Arthur Samuel）的跳棋程序。
1959 年，IBM 科學(xué)家亞瑟?塞繆爾在自家首臺商用計算機 IBM701 上，成功編寫了一套西洋跳棋程序。這個程序具有“學(xué)習(xí)能力”，可以通過對大量棋局的分析，逐漸辨識出“好棋”和“壞棋”，從而提高自己的下棋水平。
這個程序很快就下贏了薩繆爾自己，后來，它還戰(zhàn)勝了當(dāng)時的西洋跳棋大師羅伯特尼賴。
因為首次提出了“機器學(xué)習(xí)（Machine Learning）”的概念，亞瑟?塞繆爾被后人譽為“機器學(xué)習(xí)之父”。
1959 年，美國發(fā)明家喬治?德沃爾（George Devol）與約瑟夫?英格伯格（Joseph Engelberger）發(fā)明了人類首臺工業(yè)機器人 ——Unimate。
Unimate 重達兩噸，安裝運行于通用汽車生產(chǎn)線。它可以控制一臺多自由度的機械臂，搬運和堆疊熱壓鑄金屬件。
左圖為 Unimate
右圖是約瑟夫?英格伯格（左）、喬治?德沃爾（右）
1966 年，查理?羅森（Charlie Rosen）領(lǐng)導(dǎo)的美國斯坦福研究所（SRI），研發(fā)成功了首臺人工智能機器人 ——Shakey。
Shakey 全面應(yīng)用了人工智能技術(shù)，裝備了電子攝像機、三角測距儀、碰撞傳感器以及驅(qū)動電機，能簡單解決感知、運動規(guī)劃和控制問題。它是第一個通用移動機器人，也被稱為“第一個電子人”。
█ 第一次低谷階段（1974 年-1979 年）
剛才說了，1960 年代是符號主義的鼎盛時期。其實，在符號主義的帶動下，當(dāng)時整個人工智能研究都進入了一個高速發(fā)展的階段，也被稱為 AI 的黃金時代（Golden Time，1960-1973 年）。
那時，除了定理證明、人機互動、游戲博弈和機器人之外，人工智能很多領(lǐng)域都產(chǎn)出了不錯的成果。加上冷戰(zhàn)時期，美國政府愿意掏錢資助，使得 AI 研究變得異常火爆。
在這一背景下，學(xué)術(shù)界對 AI 的預(yù)期，開始變得盲目樂觀。有些研究者認(rèn)為：
“二十年內(nèi)，機器將能完成人能做到的一切工作?！?/p>
1970 年，馬文?明斯基甚至放言：
“在未來 3-8 年內(nèi)，會誕生和人類智慧相當(dāng)?shù)臋C器人，可能我們?nèi)祟悤蔀?AI 的寵物?！?/p>
盲目的樂觀，肯定不會有什么好結(jié)果。
隨著時間的推移，學(xué)者們逐漸發(fā)現(xiàn)，基于推理規(guī)則的“智能”，實際上能力非常有限。加上當(dāng)時計算機的算力和存力尚處于早期階段，系統(tǒng)根本達不到預(yù)期的效果。
之前介紹的那些 AI 程序和工具，陸續(xù)開始出現(xiàn)瓶頸，甚至鬧出笑話。
以機器翻譯為例。當(dāng)時美國政府投入了 2000 多萬美元作為機器翻譯的經(jīng)費，結(jié)果相關(guān)團隊研發(fā)多年，發(fā)現(xiàn)完全低估了這個項目的難度。
翻譯工具經(jīng)常出現(xiàn)一些低級錯誤。例如，將“Out of sight，out of mind（眼不見，心不煩）”翻譯成“又瞎又瘋”，把“The spirit is willing but the flesh is weak（心有余而力不足）”翻譯成“酒是好的，但肉變質(zhì)了”，把“Time flies like an arrow（光陰似箭）”翻譯成“蒼蠅喜歡箭”。
接二連三的失敗，慢慢耗盡了政府金主的耐心。加上不久后美國經(jīng)濟出現(xiàn)了一些問題（1974-1975 年出現(xiàn)歷史上罕見的連續(xù)兩年 GDP 負(fù)增長），政府開始決定“斷糧”。
1973 年，數(shù)學(xué)家萊特希爾（Lighthill）向英國政府提交了一份關(guān)于人工智能的研究報告（著名的《萊特希爾報告》）。報告對當(dāng)時的機器人技術(shù)、語言處理技術(shù)和圖像識別技術(shù)進行了嚴(yán)厲且猛烈的批評，指出人工智能那些看上去宏偉的目標(biāo)根本無法實現(xiàn)，研究已經(jīng)徹底失敗。
很快，英國政府、美國國防部高級研究計劃局（DARPA）和美國國家科學(xué)委員會等，開始大幅削減甚至終止了對人工智能的投資。
人工智能進入了第一個發(fā)展低谷，也被稱為“AI Winter（AI 之冬）”。
█ 第二次高潮階段（1980 年-1987 年）
AI 之冬的持續(xù)時間其實并不是很久。六年后，1980 年，第二次 AI 發(fā)展高潮開始了。
第二次浪潮，其實還是符號主義掀起的。這次的主角，是符號主義的一個新階段 —— 專家系統(tǒng)（Expert System）。
專家系統(tǒng)
專家系統(tǒng)，就是一個面向?qū)I(yè)領(lǐng)域的超級“知識庫 + 推理庫”。
它找來很多人，對大量的專家知識和經(jīng)驗進行整理，分析并編寫出海量的規(guī)則，導(dǎo)入系統(tǒng)。然后，系統(tǒng)根據(jù)這些基于知識整理出來的規(guī)則，進行邏輯推理，來模擬和延伸人類專家的決策能力，解決復(fù)雜的問題。
大家能看出來，專家系統(tǒng)走的仍然是符號主義的“規(guī)則”路線。所以，專家系統(tǒng)，也叫做規(guī)則基礎(chǔ)系統(tǒng)。
1968 年，美國科學(xué)家愛德華?費根鮑姆（Edward Feigenbaum）提出了第一個專家系統(tǒng) ——DENDRAL，并對知識庫給出了初步的定義。這標(biāo)志著專家系統(tǒng)的誕生。
DENDRAL 面向的是化學(xué)行業(yè)。它可以幫助化學(xué)家判斷物質(zhì)的分子結(jié)構(gòu)。系統(tǒng)推出之后，因為能夠減少人力成本并且提升工作效率，受到了化學(xué)行業(yè)的歡迎和認(rèn)可。
和 DENDRAL 差不多時間出現(xiàn)的專家系統(tǒng)，還有威廉?馬丁（William A. Martin）開發(fā)的 Macsyma，以及安東尼?赫恩（Anthony C. Hearn）開發(fā)的“Reduce”。
這兩套都是數(shù)學(xué)領(lǐng)域的專家系統(tǒng)（用于求解數(shù)學(xué)問題），都采用了約翰?麥卡錫的 LISP 語言進行開發(fā)。
1972 年，美國醫(yī)生兼科學(xué)家愛德華?H?肖特利夫（Edward H. Shortliffe）創(chuàng)建了可以幫助進行醫(yī)學(xué)診斷的專家系統(tǒng) ——MYCIN。
MYCIN 也是基于 LISP 語言編寫，擁有 500 多條規(guī)則，能夠識別 51 種病菌，正確地處理 23 種抗菌素。
它能夠協(xié)助醫(yī)生診斷、治療細(xì)菌感染性血液病，為患者提供最佳處方。當(dāng)時，它成功地處理了數(shù)百個病例，并通過了嚴(yán)格的測試，顯示出了較高的醫(yī)療水平。
1977 年，愛德華?費根鮑姆在第五屆國際人工智能聯(lián)合會議上，提出了“知識工程（Knowledge Engineering）”的概念，進一步推動了專家系統(tǒng)的普及。
進入 1980 年代，隨著技術(shù)的演進，計算機的計算和存儲能力增加，專家系統(tǒng)開始在各個行業(yè)爆發(fā)。
1980 年，卡耐基梅隆大學(xué)研發(fā)的專家系統(tǒng) XCON（eXpertCONfigurer）正式商用，為當(dāng)時的計算機巨頭公司 DEC 每年省下數(shù)千萬美金。
1983 年，通用電氣公司搞出了柴油電力機車維修專家系統(tǒng)（DELTA）。這個系統(tǒng)封裝了眾多 GE 資深現(xiàn)場服務(wù)工程師的知識和經(jīng)驗，能夠指導(dǎo)員工進行故障檢修和維護。
當(dāng)時，美國運通公司也搞了一個信用卡認(rèn)證輔助決策專家系統(tǒng)，據(jù)說每年可節(jié)省 2700 萬美金。
總而言之，那時候的專家系統(tǒng)，是大公司趨之若鶩的神器。它能夠帶來實實在在的經(jīng)濟效益，所以，行業(yè)用戶愿意為之投資。這是第二次 AI 浪潮的根本原因。
我們也可以這么說，第一次 AI 浪潮，是政府投資帶動的。第二次 AI 浪潮，是企業(yè)投資帶動。AI，開始進入產(chǎn)業(yè)化的階段。
企業(yè)投資的成效，反過來又讓各國政府對 AI 恢復(fù)了一些信心。
1981 年，經(jīng)濟高速增長的日本，率先開始對 AI 進行投入。
那一年，日本經(jīng)濟產(chǎn)業(yè)省撥款 8.5 億美元，支持第五代計算機項目。這個項目的最終目的，是造出一臺人工智能計算機，能夠與人對話、翻譯語言、解釋圖像、完成推理。
美國和英國政府，也很快采取了行動。
1983 年，美國國防部高級研究計劃局（DARPA）通過“戰(zhàn)略計算促進會（Strategic Computing Initiative）”，重啟對人工智能研究的資助。
同年，英國投資 3.5 億英鎊，啟動了 Alvey（阿爾維）計劃，全面推進軟件工程、人機接口、智能系統(tǒng)和超大規(guī)模集成電路等領(lǐng)域的研發(fā)。
關(guān)于專家系統(tǒng)，還有一個雄心勃勃的項目值得一提。那就是 1984 年啟動的 Cyc 項目。
Cyc 項目由美國微電子與計算機技術(shù)公司發(fā)起，是一個“超級百科全書”項目。它試圖將人類擁有的所有一般性知識都輸入計算機，建立一個巨型數(shù)據(jù)庫。
這個項目，據(jù)說到現(xiàn)在還在進行之中。
█ 第二次低谷階段（1987 年-1993 年）
好景不長，到了 1980 年代的后半段，人工智能又開始走下坡路了。
原因是多方面的。
首先，專家系統(tǒng)（符號主義）基于規(guī)則和已有知識的“檢索 + 推理”，面對復(fù)雜的現(xiàn)實世界，顯然還是有能力瓶頸。
它的應(yīng)用領(lǐng)域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一、缺乏分布式功能、難以與現(xiàn)有數(shù)據(jù)庫兼容等…… 所有這些問題，都給它的進一步發(fā)展造成了困擾。
其次，80 年代 PC（個人電腦）技術(shù)革命的爆發(fā)，也給專家系統(tǒng)造成了沖擊。
當(dāng)時專家系統(tǒng)基本上都是用 LISP 語言編寫的。系統(tǒng)采用的硬件，是 Symbolics 等廠商生產(chǎn)的人工智能專用計算機（也叫 LISP 機）。
1987 年，蘋果和 IBM 公司生產(chǎn)的臺式機，在性能上已經(jīng)超過了 Symbolics 的 AI 計算機，導(dǎo)致 AI 硬件市場需求土崩瓦解。
專家系統(tǒng)的維護和更新也存在很多問題。不僅操作復(fù)雜，價格也非常高昂。
結(jié)合以上種種原因，市場和用戶逐漸對專家系統(tǒng)失去了興趣。
到了 80 年代晚期，戰(zhàn)略計算促進會大幅削減對 AI 的資助。DARPA 的新任領(lǐng)導(dǎo)也認(rèn)為 AI 并非“下一個浪潮”，削減了對其的投資。
AI，進入了第二次低谷階段。
█ 第三次高潮階段（1994 年-現(xiàn)在）
在進入 1990 年代之前，小棗君還是要再講講 1980 年代。
1980 年代，專家系統(tǒng)掀起了第二次 AI 浪潮，也推動了 AI 技術(shù)的發(fā)展。但從上帝視角來看，真正對后來的 AI 發(fā)展產(chǎn)生深遠(yuǎn)影響的，其實不是專家系統(tǒng)，而是另外一個被遺忘了二十多年的賽道。
沒錯，這個賽道，就是當(dāng)年被馬文?明斯基一句話給干廢的“神經(jīng)網(wǎng)絡(luò)”賽道。
機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)
前文我們提到，神經(jīng)網(wǎng)絡(luò)是聯(lián)結(jié)主義的一個代表性研究方向。但是，因為馬文?明斯基的否定，這個方向在 1969 年被打入冷宮。
1980 年，越來越多的科學(xué)家意識到專家系統(tǒng)存在不足。符號主義這條路，很可能走不通。人們認(rèn)為，人工智能想要實現(xiàn)真正的智能，就必須擁有自己的感知系統(tǒng)，能夠自主學(xué)習(xí)。
于是，倡導(dǎo)讓機器“自動地從數(shù)據(jù)中學(xué)習(xí)，并通過訓(xùn)練得到更加精準(zhǔn)的預(yù)測和決策能力”的研究思想，開始逐漸活躍起來。這就是前面提到過的機器學(xué)習(xí)。
機器學(xué)習(xí)包含多種方法和理論學(xué)派。源于聯(lián)結(jié)主義學(xué)派的神經(jīng)網(wǎng)絡(luò)，就在這一時期開始“復(fù)活”。
1982 年，約翰?霍普菲爾德（John Hopfield）在自己的論文中重點介紹了 Hopfield 網(wǎng)絡(luò)模型（模型原型早期由其他科學(xué)家提出）。這是一種具有記憶和優(yōu)化功能的循環(huán)（遞歸）神經(jīng)網(wǎng)絡(luò)。
1986 年，戴維?魯梅爾哈特（David Rumelhart）、杰弗里?辛頓（Geoffrey Hinton，記住這個名字！）和羅納德?威廉姆斯（Ronald Williams）等人共同發(fā)表了一篇名為《Learning representations by back-propagation errors（通過反向傳播算法的學(xué)習(xí)表征）》的論文。
在論文中，他們提出了一種適用于多層感知器（MLP）的算法，叫做反向傳播算法（Backpropagation，簡稱 BP 算法）。
該算法通過在輸入層和輸出層之間設(shè)定一個中間層（隱藏層），以反向傳播的方式實現(xiàn)機器的自我學(xué)習(xí)。
算法咱們以后再研究。大家只需要記住，BP 算法不僅為多層神經(jīng)網(wǎng)絡(luò)的發(fā)展奠定了基礎(chǔ)，也打破了馬文?明斯基當(dāng)年提出的“神經(jīng)網(wǎng)絡(luò)具有局限性”魔咒，意義非常重大。
1980 年代是人工智能研究方向發(fā)生重大轉(zhuǎn)折的時期。機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)（聯(lián)結(jié)主義）加速崛起，逐漸取代專家系統(tǒng)（符號主義），成為人工智能的主要研究方向。
我們也可以理解為，人工智能原本由知識驅(qū)動的方式，逐漸變成了由數(shù)據(jù)驅(qū)動。
機器學(xué)習(xí)的代表性算法包括決策樹、支持向量機、隨機森林等。
1995 年，克里娜?柯爾特斯（Corinna Cortes）和弗拉基米爾?萬普尼克（Vladimir Vapnik）開發(fā)了支持向量機（Support Vector Machine，SVM）。支持向量機是一種映射和識別類似數(shù)據(jù)的系統(tǒng)，可以視為在感知機基礎(chǔ)上的改進。
神經(jīng)網(wǎng)絡(luò)方面，非常重要的 CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）和 RNN（Recursive Neural Networks，遞歸神經(jīng)網(wǎng)絡(luò)），也在那一時期崛起了。
1988 年，貝爾實驗室的 Yann LeCun（他是法國人，網(wǎng)上翻譯的中文名有很多：楊立昆、楊樂春、燕樂存、揚?勒丘恩）等人，提出了卷積神經(jīng)網(wǎng)絡(luò)。大家應(yīng)該比較熟悉，這是一種專門用于處理圖像數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型。
1990 年，美國認(rèn)知科學(xué)家、心理語言學(xué)家杰弗里?艾爾曼（Jeffrey Elman）提出了首個遞歸神經(jīng)網(wǎng)絡(luò) —— 艾爾曼網(wǎng)絡(luò)模型。遞歸神經(jīng)網(wǎng)絡(luò)能夠在訓(xùn)練時維持?jǐn)?shù)據(jù)本身的先后順序性質(zhì)，非常適合于自然語言處理領(lǐng)域的應(yīng)用。
1997 年，德國計算機科學(xué)家瑟普?霍克賴特（Sepp Hochreiter）及其導(dǎo)師于爾根?施密德胡伯（Jürgen Schmidhuber）開發(fā)了用于遞歸神經(jīng)網(wǎng)絡(luò)的 LSTM（長短期記憶網(wǎng)絡(luò)）。
1998 年，Yann LeCun 等人提出了 LeNet，一個用于手寫數(shù)字識別的卷積神經(jīng)網(wǎng)絡(luò)，初步展示了神經(jīng)網(wǎng)絡(luò)在圖像識別領(lǐng)域的潛力。
總而言之，20 世紀(jì) 90 年代，神經(jīng)網(wǎng)絡(luò)在開始商用于文字圖像識別、語音識別、數(shù)據(jù)挖掘以及金融預(yù)測。在模式識別、信號處理、控制工程等領(lǐng)域，也有嘗試應(yīng)用，盡管當(dāng)時受到計算資源限制，應(yīng)用范圍和規(guī)模有限。
想要推動人工智能技術(shù)的進一步爆發(fā)，既需要算法模型的持續(xù)演進，也需要算力的深入增強。此外，還有一個短板，也需要補充，那就是數(shù)據(jù)。
大家應(yīng)該看出來了，AI 的三要素，就是算法、算力和數(shù)據(jù)。
深藍(lán)
1990 年代最重要的 AI 事件，當(dāng)然是 1997 年 IBM 超級電腦“深藍(lán)（DEEP BLUE）”與國際象棋大師卡斯帕洛夫（KASPAROV）的世紀(jì)之戰(zhàn)。
此前的 1996 年 2 月，深藍(lán)已經(jīng)向卡斯帕洛夫發(fā)起過一次挑戰(zhàn)，結(jié)果以 2-4 敗北。
1997 年 5 月 3 日至 11 日，“深藍(lán)”再次挑戰(zhàn)卡斯帕羅夫。在經(jīng)過六盤大戰(zhàn)后，最終“深藍(lán)”以 2 勝 1 負(fù) 3 平的成績，險勝卡斯帕羅夫，震驚了世界。
這是 AI 發(fā)展史上，人工智能首次戰(zhàn)勝人類。
作為 80 后的小棗君，對這件事情也印象深刻。當(dāng)時“深藍(lán)”所引起的熱潮，絲毫不亞于后來的 ChatGPT。幾乎所有的人都在想 —— 人工智能時代是否真的到來了？人工智能，到底會不會取代人類？
深度學(xué)習(xí)
進入 21 世紀(jì)，得益于計算機算力的進一步飛躍，以及云計算、大數(shù)據(jù)的爆發(fā)，人工智能開始進入一個更加波瀾壯闊的發(fā)展階段。
2006 年，多倫多大學(xué)的杰弗里?辛頓（就是 1986 年發(fā)表論文的那個大神）在 science 期刊上，發(fā)表了重要的論文《Reducing the dimensionality of data with neural networks（用神經(jīng)網(wǎng)絡(luò)降低數(shù)據(jù)維數(shù)）》，提出深度信念網(wǎng)絡(luò)（Deep Belief Networks，DBNs）。
深度學(xué)習(xí)（Deeping Learning），正式誕生了。
2006 年被后人稱為深度學(xué)習(xí)元年，杰弗里?辛頓也因此被稱為“深度學(xué)習(xí)之父”。
深度學(xué)習(xí)是機器學(xué)習(xí)的一個重要分支。更準(zhǔn)確來說，機器學(xué)習(xí)底下有一條“神經(jīng)網(wǎng)絡(luò)”路線，而深度學(xué)習(xí)，是加強版的“神經(jīng)網(wǎng)絡(luò)”學(xué)習(xí)。
經(jīng)典機器學(xué)習(xí)算法使用的神經(jīng)網(wǎng)絡(luò)，具有輸入層、一個或兩個“隱藏”層和一個輸出層。數(shù)據(jù)需要由人類專家進行結(jié)構(gòu)化或標(biāo)記（監(jiān)督學(xué)習(xí)），以便算法能夠從數(shù)據(jù)中提取特征。
深度學(xué)習(xí)算法使用“隱藏”層更多（數(shù)百個）的深度神經(jīng)網(wǎng)絡(luò)。它的能力更強，可以自動從海量的數(shù)據(jù)集中提取特征，不需要人工干預(yù)（無監(jiān)督學(xué)習(xí)）。
2006 年，在斯坦福任教的華裔科學(xué)家李飛飛，意識到了業(yè)界在研究 AI 算法的過程中，沒有一個強大的圖片數(shù)據(jù)樣本庫提供支撐。于是，2007 年，她發(fā)起創(chuàng)建了 ImageNet 項目，號召民眾上傳圖像并標(biāo)注圖像內(nèi)容。
2009 年，大型圖像數(shù)據(jù)集 ——ImageNet，正式發(fā)布。這個數(shù)據(jù)庫包括了 1400 萬張圖片數(shù)據(jù)，超過 2 萬個類別，為全球 AI 研究（神經(jīng)網(wǎng)絡(luò)訓(xùn)練）提供了強大支持。
從 2010 年開始，ImageNet 每年舉行大規(guī)模視覺識別挑戰(zhàn)賽，邀請全球開發(fā)者和研究機構(gòu)參加，進行人工智能圖像識別算法評比。
2012 年，杰弗里?辛頓和他的學(xué)生伊利亞?蘇茨克沃（Ilya Sutskever）和亞歷克斯?克里切夫斯基（Alex Krizhevsky）參加了這個比賽。
他們設(shè)計的深度神經(jīng)網(wǎng)絡(luò)模型 AlexNet 在這次競賽中大獲全勝，以壓倒性優(yōu)勢獲得第一名（將 Top-5 錯誤率降到了 15.3%，比第二名低 10.8%），引起了業(yè)界轟動，甚至一度被懷疑是作弊。
值得一提的是，他們?nèi)擞糜谟?xùn)練模型的，只是 2 張英偉達 GTX 580 顯卡。GPU 在深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練上表現(xiàn)出的驚人能力，不僅讓他們自己嚇了一跳，也讓黃仁勛和英偉達公司嚇了一跳。
作為對比，2012 年的早些時候，谷歌“Google Brain”項目的研究人員吳恩達（華裔美國人，1976 年生于倫敦）、杰夫?迪恩（Jeff Dean）等人，也搗鼓了一個神經(jīng)網(wǎng)絡(luò)（10 億參數(shù)），用來訓(xùn)練對貓的識別。
他們的訓(xùn)練數(shù)據(jù)是來自 youtube 的 1000 萬個貓臉圖片，用了 1.6 萬個 CPU，整整訓(xùn)練了 3 天。
“深度神經(jīng)網(wǎng)絡(luò) + GPU”的優(yōu)勢，顯露無疑。很多人和很多公司的命運，從此改變了。
2013 年，辛頓師徒三人共同成立了一家名為 DNNresearch 的公司。后來，這個只有三個人且沒有任何產(chǎn)品和計劃的公司，被谷歌以幾千萬美元的價格競購（百度也跑去買，和谷歌爭到最后，沒成功）。
AlphaGo
2013 年-2018 年，谷歌是人工智能領(lǐng)域最活躍的公司。
2014 年，谷歌公司收購了專注于深度學(xué)習(xí)和強化學(xué)習(xí)技術(shù)的人工智能公司 ——DeepMind 公司。
2016 年 3 月，DeepMind 開發(fā)的人工智能圍棋程序 AlphaGo（阿爾法狗），對戰(zhàn)世界圍棋冠軍、職業(yè)九段選手李世石，并以 4:1 的總比分獲勝，震驚了全世界。
AlphaGo 具有很強的自我學(xué)習(xí)能力，能夠搜集大量圍棋對弈數(shù)據(jù)和名人棋譜，學(xué)習(xí)并模仿人類下棋。
一年后，AlphaGo 的第四代版本 AlphaGoZero 問世。在無任何數(shù)據(jù)輸入的情況下，僅用了 3 天時間自學(xué)圍棋，就以 100:0 的巨大優(yōu)勢，橫掃了第二代版本 AlphaGo。學(xué)習(xí) 40 天后，AlphaGoZero 又戰(zhàn)勝了第三代版本 AlphaGo。
當(dāng)時，全世界都在熱議 AlphaGoZero 的強悍自學(xué)能力，甚至一度引起了人類的恐慌情緒。
谷歌在 AI 圈出盡風(fēng)頭，但他們估計也沒有想到，一家在 2015 年悄然成立的公司（確切說，當(dāng)時是非營利性組織），會很快取代他們的主角地位。這家公司（組織），就是如今大紅大紫的 OpenAI。
OpenAI 的創(chuàng)始人，除了埃隆?馬斯克（Elon Musk）之外，還有薩姆?奧爾特曼（Sam Altman）、彼得?泰爾（Peter Thiel）、里德?霍夫曼（Reid Hoffman）。辛頓的那個徒弟，伊利亞?蘇茨克沃，也跑去當(dāng)了研發(fā)主管。
AIGC
深度學(xué)習(xí)崛起之后，大家應(yīng)該注意到，都是用于一些判別類的場景，判斷貓、狗之類的。那么，深度學(xué)習(xí)，是否可以創(chuàng)造（生成）一些什么呢？
2014 年，蒙特利爾大學(xué)博士生伊恩?古德費洛（Ian Goodfellow），從博弈論中的“二人零和博弈”得到啟發(fā)，提出了生成對抗網(wǎng)絡(luò)（GANs，Generative Adversarial Networks）。
生成對抗網(wǎng)絡(luò)用兩個神經(jīng)網(wǎng)絡(luò)即生成器（Generator）和判別器（Discriminator）進行對抗。在兩個神經(jīng)網(wǎng)絡(luò)的對抗和自我迭代中，GAN 會逐漸演化出強大的能力。
生成對抗網(wǎng)絡(luò)的出現(xiàn)，對無監(jiān)督學(xué)習(xí)、圖片生成等領(lǐng)域的研究，起到極大的促進作用，后來也拓展到計算機視覺的各個領(lǐng)域。
2017 年 12 月，Google 機器翻譯團隊在行業(yè)頂級會議 NIPS 上，丟下了一顆重磅炸彈。他們發(fā)表了一篇里程碑式的論文，名字叫做《Attention is all you need（你所需要的，就是注意力）》。
論文提出只使用“自我注意力（Self Attention）”機制來訓(xùn)練自然語言模型，并給這種架構(gòu)起了個霸氣的名字 ——Transformer（轉(zhuǎn)換器、變壓器，和“變形金剛”是一個詞）。
所謂 "自我注意力" 機制，就是只關(guān)心輸入信息之間的關(guān)系，而不再關(guān)注輸入和對應(yīng)輸出的關(guān)系，無需再進行昂貴的人工標(biāo)注。這是一個革命性的變化。
Transformer 的出現(xiàn)，徹底改變了深度學(xué)習(xí)的發(fā)展方向。它不僅對序列到序列任務(wù)、機器翻譯和其它自然語言處理任務(wù)產(chǎn)生了深遠(yuǎn)的影響，也為后來 AIGC 的崛起打下了堅實的基礎(chǔ)。
終于，AIGC 的時代，要到來了。
2018 年 6 月，年輕的 OpenAI，發(fā)布了第一版的 GPT 系列模型 ——GPT-1。同時，他們還發(fā)表了論文《Improving Language Understanding by Generative Pre-training（通過生成式預(yù)訓(xùn)練改進語言理解）》。
GPT，就是 Generative Pre.trained Transfommer 的縮寫，生成式預(yù)訓(xùn)練變換器。
Generative（生成式），表示該模型能夠生成連續(xù)的、有邏輯的文本內(nèi)容，比如完成對話、創(chuàng)作故事、編寫代碼或者寫詩寫歌等。
Pre.trained（預(yù)訓(xùn)練），表示該模型會先在一個大規(guī)模未標(biāo)注文本語料庫上進行訓(xùn)練，學(xué)習(xí)語言的統(tǒng)計規(guī)律和潛在結(jié)構(gòu)。
Transfommer，剛才說過了，就是那個很厲害的轉(zhuǎn)換器模型。
谷歌緊隨其后。2018 年 10 月，他們發(fā)布了有 3 億參數(shù)的 BERT（Bidirectional Encoder Representation from Transformers）模型，意思是“來自 Transformers 的雙向編碼表示”模型。
GPT-1 和 BERT 都使用了深度學(xué)習(xí)和注意力機制，具備較強的自然語言理解能力。兩者的區(qū)別是，BERT 使用文本的上下文來訓(xùn)練模型。而專注于“文本生成”的 GPT-1，使用的是上文?；凇半p向編碼”的能力，BERT 的性能在當(dāng)時明顯優(yōu)異于 GPT-1。
谷歌的領(lǐng)先是暫時的。2019 年和 2020 年，OpenAI 接連發(fā)布了 GPT-2 和 GPT-3。2022 年 11 月，OpenAI 發(fā)布了基于 GPT 模型的人工智能對話應(yīng)用服務(wù) ——ChatGPT（也可以理解為 GPT-3.5），徹底引爆了全世界。
ChatGPT 結(jié)合了人類生成的對話數(shù)據(jù)進行訓(xùn)練，展現(xiàn)出豐富的世界知識、復(fù)雜問題求解能力、多輪對話上下文追蹤與建模能力，以及與人類價值觀對齊的能力。
它在人機對話方面的出色表現(xiàn)，引發(fā)了社會的高度關(guān)注，在全球范圍內(nèi)掀起了一股 AI 巨浪。
后面的事情，大家都比較清楚了。
繼 ChatGPT 后，OpenAI 又發(fā)布了 GPT-4、GPT-4V、GPT-4 Turbo、GPT-4o，形成了如今難以撼動的領(lǐng)導(dǎo)者地位。谷歌雖然也發(fā)布號稱最強 AI 大模型的 Gemini，但仍然難以在風(fēng)頭上蓋過 OpenAI。
除了文本生成，生成式 AI 也積極向多模態(tài)發(fā)展，能夠處理圖像、音頻、視頻等多種媒體形式。
例如 DALL-E、Stable Diffusion、Midjourney 等圖像生成模型，Suno、Jukebox 音樂生成模型，以及 SoRa 視頻生成模型。
全球面向各個垂直領(lǐng)域的“大模型之戰(zhàn)”，仍在硝煙彌漫地進行之中。。。
█ 結(jié)語
寫到這里，這篇洋洋灑灑一萬多字的文章，終于要結(jié)束了。
我總結(jié)一下：
人工智能起步于 1950 年代，早期主要是符號主義占主流，并引發(fā)了第一次（政府投資）和第二次 AI 浪潮（企業(yè)投資）。
到 1980 年代，符號主義逐漸走弱，機器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)開始崛起，成為主流。
1994-現(xiàn)在，雖然叫做第三次 AI 浪潮，但也分兩個階段。1994-2006（其實是 1980-2006），是機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)的早期積累階段，打基礎(chǔ)。
2006 年，神經(jīng)網(wǎng)絡(luò)進入深度學(xué)習(xí)階段，就徹底開始了 AI 的爆發(fā)。
從 2018 年開始，人工智能逐漸進入了 Transformer 和大模型時代，能力有了巨大的提升，也掀起了 AI 巨浪。
如今的人工智能，已經(jīng)是全世界關(guān)注的焦點，也處于一個前所未有的白金發(fā)展階段。
隨著深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、生成式 AI 等技術(shù)的不斷突破，人工智能已經(jīng)在工業(yè)、教育、醫(yī)療、金融、交通、娛樂等幾乎所有領(lǐng)域?qū)崿F(xiàn)了落地。人工智能在計算機視覺、自然語言處理、機器人等方面所具備的能力，已經(jīng)被應(yīng)用到大量的垂直場景，并產(chǎn)生了可觀的經(jīng)濟效益。
在人工智能熱潮的帶動下，軟件、半導(dǎo)體、通信等 ICT 產(chǎn)業(yè)，都獲得了不錯的商業(yè)機會。圍繞人工智能的幾家大公司，包括英偉達、微軟、蘋果、Alphabet（谷歌母公司）、亞馬遜、Meta、特斯拉，目前在股票市場被譽為“七巨頭”，市值屢破紀(jì)錄。
當(dāng)然了，這股熱潮究竟會走向何方，我們還不得而知。也許，它會繼續(xù)增長一段時間，甚至長期持續(xù)下去，將人類徹底帶入智能時代。也許，我們會進入第三次 AI 低谷，泡沫破碎，一地雞毛，又進入一個新的周期。
未來如何，就讓時間來告訴我們答案吧。
參考文獻：
1、《人工智能簡史》，尼克；
2、《人工智能發(fā)展簡史》孫凌云、孟辰燁、李澤?。?/p>
3、《人工智能 60 年技術(shù)簡史》，李理；
4、《深度學(xué)習(xí)簡史》，Keith D. Foote；
5、《AI 是什么將帶我們?nèi)ツ膬?？》，李開復(fù)；
6、《人工智能的五個定義：哪個最不可取？》，李開復(fù)；
7、《一文讀懂人工智能發(fā)展史：從誕生，到實現(xiàn)產(chǎn)業(yè)化》，李彎彎；
8、《你一定愛讀的人工智能簡史》，山本一成；
9、《AlphaGo 背后：深度學(xué)習(xí)的勝利》，曹玲；
10、《三張圖講述一部 AI 進化史》，產(chǎn)品二姐（知乎）；
11、《GPT 的背后，從命運多舛到顛覆世界，人工神經(jīng)網(wǎng)絡(luò)的跌宕 80 年》，孫睿晨；
12、百度百科、維基百科等。
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。