人工智慧領域最重要的10大里程碑
TechRadar發表文章稱，人工智慧(AI)是目前科技界最熱門的流行語，經過幾十年的研究和發展之後，科幻小說中的許多技術已經在這幾年慢慢轉化為科學現實。這篇文章總結了AI領域的10大里程碑。以下為原文內容：
AI技術已經成為我們生活中非常重要的一部分：AI決定了我們的搜索結果，將我們的聲音轉化為計算機指令，甚至可以幫助我們對黃瓜進行分類(這件事後文中會提到)。在接下來的幾年裡，我們將用AI駕駛汽車，回應顧客的詢問，以及處理其他無數事情。
但是我們怎麼走到這個階段的？這種強大的新技術是怎麼來的？下面就來看看AI技術發展的十大里程碑。
笛卡爾的理念
人工智慧的概念並不是突然出現的 ——直到今天，人工智慧仍然是哲學辯論的一個主題：機器真的能像人類一樣思考嗎？機器能成為人類嗎？最早想到這個問題的人之一是1637年的笛卡兒。在一本名為《方法論》(Discourse on the Method)的書中，笛卡兒竟然總結出了如今的科技人員必須克服的關鍵問題和挑戰：
「如果為了各種實用性的目的，機器在外形上向人類靠攏，並模仿人類的行為，那麼我們仍然應該有兩種非常確定的方法來辨識出它們不是真人。」
笛卡爾表示，在他看來，機器永遠無法使用言語，或者「把標識放在一起」來「向別人表達想法」，即使我們能夠設想出這樣的機器，但是「讓一台機器對文字進行組合，對別人的話做出有意義的，即便水平和最愚笨的人差不多的回答，那也是不可想像的。」
他還提到了我們現在面臨的一個挑戰：創建一個廣義的AI，而不是狹義的AI——以及當前AI的局限性會如何暴露它並非人類：
「即使有些機器可以在有些事情上可以做得和我們一樣好，或者甚至更好，但是其他機器也不可避免地會失敗，這就表明它們的行為並非來自於對事物理解，只是一種簡單的回應。」
模仿遊戲
AI的第二個主要的哲學基準來自計算機科學先驅圖靈(Alan Turing)。在1950年時，他提出了「圖靈測試」，他稱之為「模仿遊戲」。這個測試衡量的是，我們什麼時候可以宣布智能機器出現了。
這個測試很簡單：如果評判者不知道哪一方是人類，哪一方是機器(比如閱讀兩者之間的文本對話時)，那麼機器能否騙過評判者，讓他以為自己是人類？
有趣的是，圖靈對未來的計算做出了一個大膽的預測——他估計到20世紀末，機器就可以通過圖靈測試。他說：
「我相信，在大約50年的時間內，人們就有可能用上1GB的存儲容量的計算機，通過編程讓它們玩模仿遊戲，玩得足夠逼真，以至於一般的評判者在經過5分鐘的對話之後，做出正確的判定的可能性低於70%…… 我相信，到本世紀末，文字的使用和通識教育理念將會發生很大的變化，那時你談論機器思維，通常不會引發抵觸情緒。」
可惜的是，他的預測不太準確。我們現在確實開始看到一些真正讓人眼前一亮的AI系統出現，但是在2000年代，AI技術還處在比較原始的階段。不過硬碟容量在世紀之交時平均為10GB左右，這倒是遠遠超過了圖靈的預測。
第一個神經網路的出現
神經網路其實是一種試錯法，它是現代AI的關鍵概念。從本質上講，當你訓練一個AI系統時，最好的辦法就是讓系統猜測，接收反饋，然後在繼續猜測——不斷調整概率，以便讓AI系統得出正確答案。
令人驚奇的是，第一個神經網路實際上是在1951年由馬爾文·明斯基(Marvin Minsky)和迪恩·艾德蒙茲(Dean Edmonds)創建的，稱為「SNARC」 ，意思是隨機神經模擬增強計算機。它不是由微晶元和晶體管，而是由真空管、電機和離合器製成的。
這台機器可以幫助一隻虛擬老鼠解決迷宮難題。系統發送指令，讓虛擬老鼠在迷宮裡遊走，每一次都將其行為的效果反饋到系統里——用真空管來存儲結果。這意味著機器能夠學習並調整概率，提高虛擬老鼠通過迷宮的機會。
本質上，谷歌當前用於識別照片中的對象的相同過程的非常非常簡單的版本。
谷歌目前用來識別照片中的對象也使用了同樣的過程，只不過遠比它複雜。
第一輛自動駕駛汽車的出現
現在我們提到自動駕駛汽車的時候，可能會想到谷歌Waymo等等，但是令人吃驚的是，在1995年，梅賽德斯-賓士就改裝了一輛汽車，從慕尼黑開到哥本哈根，路上大部分時候都是自動駕駛的。
這段路程共1043英里，改裝車上搭載了60個晶體電腦晶元，那是當時並行計算領域最先進的技術，讓它可以快速處理大量駕駛數據，為自動駕駛汽車的響應度提供保證。
這輛車的時速達到了115英里，與當今的自動駕駛汽車相差無幾，因為它可以超車並讀取路標。
轉向「基於統計」的方法
雖然神經網路作為一個概念出現已經有一段時間了，但是直到20世紀80年代後期，AI研究人員開始從「基於規則」的方法轉向「基於統計」的方法 ，也就是機器學習。這意味著不要試圖去根據人類行為的規則來讓系統進行模仿，而是採取試錯法，根據反饋來調整概率，這是教會機器思考的好方法。這一點非常重要，因為正是這個概念讓如今的AI辦到了一些令人驚訝的事情。
《福布斯》的吉爾·普利斯(Gil Press)認為，這一轉變是從1988年開始的，當時IBM的TJ Watson研究中心發表了一篇名為《語言翻譯的統計學方法》的論文，特別提到了如何使用機器學習來做語言翻譯。
IBM用220萬對法文和英文句子來訓練這個系統 ——這些句子全部來自加拿大議會的雙語記錄。220萬這個數字聽起來很多，但是谷歌有整個互聯網上可以利用——所以現在谷歌翻譯的效果可以說相當不錯了。
「深藍」擊敗國際象棋冠軍
儘管AI的側重點已經轉移到統計模型上，但基於規則的模型也仍然在使用—— 在1997年舉辦了一場國際象棋比賽中，IBM的計算機深藍戰勝了世界國際象棋冠軍加里·卡斯帕羅夫，向人們展示了機器可以有多麼強大。
這不是雙方的第一場比賽，在1996年，卡斯帕羅夫曾以4-2擊敗深藍。而到了1997年，機器就佔了上風。
從一定程度上說，深藍的智能有點虛假——IBM本身認為深藍沒有使用人工智慧，因為它使用的是蠻力之法，每秒處理數千種走棋的可能性。 IBM為這個系統注入了數以千計之前比賽的數據，每次對手走棋之後，深藍就會照搬以前象棋大師們在相同情況下的反應。正如IBM所說，深藍只是在扮演之前象棋大師們的幽靈。
不管這算不算真正的AI，它都是一個重要的里程碑，讓人們不僅開始關心計算機的計算能力，也對整個AI領域產生了興趣。自從與卡斯帕羅夫對決以來，在遊戲中打敗人類玩家已經成為機器智能基準測試的主要方式 —— 2011年時，我們再次看到，IBM的「沃森」系統輕鬆地擊敗了兩個人類對手，成為美國智力競賽節目《危險邊緣》的優勝者。
Siri 和自然語言處理
自然語言處理是AI領域的一大課題，要想像《星際迷航》(Star Trek)那樣通過語音對設備發布命令，就需要有很強的自然語言處理能力。
所以，用統計方法創建的Siri令人眼前一亮。它由SRI International研發，甚至曾經在iOS應用程序商店中作為獨立的app推出，很快，這家公司就被蘋果公司收購，並深度整合在了iOS中。現在它和谷歌助手、微軟小娜，以及亞馬遜Alexa這些軟體已經成為機器學習最引人矚目的成果之一，改變了我們與設備互動的方式。
當然，我們如今似乎認為這種互動方式是理所當然的，但是任何曾經在2010年之前嘗試過使用語音命令的人都知道，這個進步有多大。
圖像識別
就像在語音識別上一樣，AI也可以在圖像識別領域大有作為。在2015年，研究人員首次得出結論：在1000多個類別中，谷歌和微軟研發的兩個深度學習系統識別圖像的效果比人類更好。
圖像識別可以應用在數不清的方面，谷歌在推廣其TensorFlow機器學習平台時舉一個有趣的例子，就是對黃瓜進行分類：通過使用計算機視覺，農民不需要僱用人員來決定黃瓜是否合適採摘了，而是讓機器來自動做出決定，只要這些機器接受過早期數據的培訓即可。
GPU讓AI變得更便宜
AI現在如此引人矚目，一個重要原因就是在過去的幾年裡，處理大量數據的成本已經變得沒有那麼高昂了。
據《財富》報道，研究人員直到21世紀末才意識到，為3D圖形和遊戲而開發的圖形處理單元(GPU)在深度學習計算方面比傳統的CPU強20到50倍。在那之後，人們可以利用的計算能力就大大增加了，如今的AI雲平台可以為無數AI應用提供動力。
所以，要感激玩家。你的父母和配偶可能不會喜歡你花這麼多時間來玩遊戲 —— 但人工智慧研究人員確實很感激你。
AlphaGo和AlphaGoZero征服世人
2016年3月，人工智慧又達到了一座里程碑——谷歌的AlphaGo擊敗了圍棋九段李世石。
從數學上說，圍棋比國際象棋更加複雜，但這次勝利的重要之處在於，AlphaGo是用人類和AI對手組合進行訓練的。據報道，谷歌使用了1920個CPU和280個GPU，在和李世石的五局比賽中贏得了四局。
而更新之後的版本AlphaGo Zero更加厲害，它不像AlphaGo和深藍那樣使用任何以前的數據來學習下棋，而是直接打了數以千場的比賽，經過三天這樣的訓練，它就能擊敗AlphaGo了。也就是說，這台機器擁有自學能力。
TAG:比特網 |