人工智慧技術發展的三生三世

今天來聊聊人工智慧技術發展的歷史。

AI技術發展經歷了三個階段。

1950-1970年代，是人工智慧技術發展的第一個階段，「推理時代」。1956年在美國達特茅斯舉辦的會議推動了全球第一次人工智慧浪潮的出現。達特茅斯會議成為了人工智慧誕生的標誌。這一時期，學界認為只要機器擁有邏輯推理能力就可以實現人工智慧。不過很快人們就發現，只是具備了邏輯推理能力，機器還遠遠達不到智能化的水平。當然，這個時期有著很多優秀的學術成果，包括增強學習的雛形（即貝爾曼公式），增強學習就是谷歌AlphaGo演算法核心思想內容。現在主流的深度學習模型，其雛形叫做感知器Preceptron，也是在那幾年間發明的。但演算法的先天缺陷導致人工智慧在早期發展過程中遇到瓶頸，政府對人工智慧項目的資助相應也就被縮減或取消了，人工智慧進入了第一次低谷。

1970-1990年代，人工智慧發展進入第二階段，「專家系統」時代。這一時期，學者認為要讓機器變得有智能，就應該設法讓機器學習知識，於是將精力放在開發專家系統上。美國、日本政府投入巨資資助了很多相關的項目。這個時期學術成果也十分豐富，特別是人工智慧數學模型方面有了很大的提升，其中包括著名的多層感知機和BP反向傳播演算法。這兩個模型在當前盛行的深度神經網路模型中扮演了重要的角色，在後面的文章里我們會再說到。但隨著個人PC的出現和推廣，專家系統成本高的缺陷愈發明顯，人工智慧技術進入了第二次低谷。

90年代，人工智慧邁入了第三個階段，「數據挖掘」時代。學界希望機器能夠通過大量數據分析，自動學習出知識並實現智能化水平。這個時期提出了很多優秀的機器學習演算法，如SVM支持向量機。大家注意，這裡我提到了一個新的名詞，機器學習（machine learning）。從這個詞就能看出這個階段學界的主流思想。機器學習是人工智慧技術的一部分，現在我們在各種文章中看到的人工智慧突破大都指的是機器學習演算法的突破。

2006年，Geoffrey Hinton，提出了深度神經網路演算法，這種演算法在圖像、語音識別等領域有著驚艷的效果。下面這個表是Image Net大賽中圖片分類任務的歷年冠軍演算法。從2012，AlexNet引入了深度神經網路後，分類準確率有了很大的提升，甚至達到了超越人類識別能力的水平。

深度神經網路演算法的提出是這次AI爆發的基礎，因此這一輪機器學習技術的突破被稱作深度學習（deep learning），深度學習是機器學習的一個技術方向。在未來，不排除有比深度學習演算法效果更好的模型的提出。Geoffrey Hinton 在AI領域研究了30多年，他的理論歷經高潮與低谷，但大神一直堅持著自己的研究。他是一位真學者，讓人十分敬佩有興趣的小夥伴可以上網搜一下大神的故事。

有的小夥伴看到這裡肯定會有疑問，前面有兩次低谷了，那為什麼這次的技術突破就不會進入新的低谷呢？

這輪以深度學習演算法為代表的AI技術有著三個前提：深度學習模型、海量的數據和超強的計算能力。在當下的技術條件下，這三個方面是完備的，而且在時刻進步著。此外，這個演算法的效果和成本也達到了可商用的程度。所以小編認為這次將迎來真正的騰飛。關於這個演算法我們會在下面的文章中為大家深入解讀。

人工智慧技術在近70年的發展歷程中經過了三次發展，前兩個階段都是從被人追捧到被人忘記，每次就像過完了一生似的。當前由於新的技術的出現，AI正處於第三次的爆發，小編相信這次會有一個好的結局

原創不易！歡迎大家關注，拍磚，留言，轉發

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！