「強人工智慧」離我們還有多遠？

二十一世紀初，由於信息產業和互聯網的普及，機器學習作為一種學習大數據背後的規律的方法成為了人工智慧研究的主流。尤其後來深度學習的發展，讓我們重新看到了人工智慧的希望。

目前基於邏輯和計算的智能被稱為「弱人工智慧」。

「弱人工智慧」是在某一方面能夠表現出智能或者說看起來像是智能，而不希望研究出與人類相同的智力和思維。例如，圖像識別、語音識別方面的人工智慧，這些人工智慧只能在特定的領域（圖像識別領域和語音識別領域）具有智能。儘管目前圖像識別和語音識別人工智慧也具備了自我學習能力，但它們只會在自己的領域中去學習，而不會像人類那樣產生自己的好奇心，從而去探索全新領域的內容。

相對「弱人工智慧」的是「強人工智慧」。

儘管科學家們所希望的就是創造一個具有和人類一樣能夠獨立思考具有自己的人格的人工智慧，但這個方面的研究一直沒有突破的進展，強人工智慧還只能存在於科幻與文學作品中。

《機器姬》里的艾娃

強人工智慧強調的是計算機需要具有自己的思維，而計算機在獲得自己的思維之後，是否還會按照人類的思維方式和道德體系去思考，對於目前的科學家來說是難以確定的。因此，按照計算機思維的不同，又可以分為類人思維的人工智慧和區別於人類思維的人工智慧。

如果說強人工智慧是現代都市裡的摩天大樓，那麼，目前人類在人工智慧方面所取得的進展只能相當於原始人所穴居的洞穴，從當今的弱人工智慧向強人工智慧的發展還有很長的路要走。

人工智慧的發展史

上個世紀50年代，二戰後，美國科學家和技術專家不斷推動人工智慧技術的發展，甚至形成了新的學科。比如維納（Norbert Wiener）的控制論和香農（Claude Elwood Shannon）的資訊理論。

1965年，達特茅斯學院的年輕助理教授約翰·麥肯錫（John McCarthy）在他的主場請來了包括香農在內的一些對「能思考的機器」有興趣的科學家。包括MIT的明斯基（Marvin Minsky）,卡內基工學院(今天卡內基梅隆大學的前身)的司馬賀（Herbert Simon）等。

與達特茅斯會議的科學家

在這個會議上，麥肯錫與多位專家激烈討論，最終將「人工智慧（Artificial Intelligence）」確立為這一門新學科的名稱。在幾天的討論中，這些在數學、邏輯學和信息學領域的專家同時也討論了人工智慧、神經網路等問題，會議後大家分別回到自己的大學把新的想法吸收創新，不但使其大學成為了人工智慧研究的重鎮，也為後來人工智慧學科的發展奠定了基礎。

參會的還有馬賀與紐厄爾，師徒共享了1975年的圖靈獎。紐厄爾和司馬賀代表了人工智慧的另一條路線——「物理符號系統假說」。簡單地說，就是智能是對符號的操作，後來簡稱為「符號派」。

他們和珀里思一起創立了卡內基梅隆大學的計算機系，從此，卡內基梅隆大學（CMU）成為計算機學科的重鎮，並一直持續至今。

明斯基創建了人工智慧實驗室(AI Lab)，他與西蒙·派珀特(Simon Papert)發表了《感知器》一書，提到了最早的神經網路模型在解決異或（XOR）問題方面的限制。他指出，神經網路被認為充滿潛力，但實際上無法實現人們期望的功能。神經網路的研究迅速陷入了低谷，人工智慧進入「暗淡」時期。

20世紀60年代，明斯基又首次提出了「telepresence」（遠程介入）這一概念。通過利用微型攝像機、運動感測器等設備，明斯基讓人體驗到了自己駕駛飛機、在戰場上參加戰鬥、在水下游泳這些現實中未發生的事情，這也為他奠定了「虛擬現實」（virtual reality）倡導者的重要地位。

明斯基

密歇根大學的計算機學家霍蘭德，另闢蹊徑提出了「遺傳演算法」。因為很多人工智慧的問題最後都可以轉化為優化問題（optimize problem）。而「遺傳演算法」本身又可以被直接拿來使用到任何問題，只需要定義好「染色體」和適應度函數即可，是非常方便的一種「即插即用」（Off-the-Shelf）的演算法。

在此基礎上有各種的理論和應用研究不斷產生，很多的期刊和會議也因此誕生，漸漸形成了「進化計算」。

人工智慧的重大突破

1997年，IBM的計算機「深藍」成功戰勝了人類國際象棋的世界冠軍；2016年，人工能「AlphaGo」戰勝人類的圍棋冠軍。

2016年3月15日，韓國首爾，人機大戰第5局，李世石1-4谷歌AlphaGo

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！