玩具、書籍、科技產品，更多有趣玩物請戳：狂丸科學市集

每次提到人工智慧研究的進展，我們腦補最多的往往都是未來是否會被其反攻，像終結者中的天網、機械公敵等等經典橋段。

不過你可能不知道的是，人類被AI統治，已經百年老梗了。

這裡的百年並不是誇張的修飾，其實在文藝作品中，人類早就想到了這一概念。例如在1920年捷克作家Karel apek的《羅素姆萬能機器人》中，不僅引入了機器人這個詞，劇情設計也很超前。

一些近乎於克隆人概念的機器人最初是為人類服務的，但最終他們開始背叛並導致人類滅絕。

所以算算時間，機器人擁有智慧然後主宰人類這個思路確實已經是100年前的腦洞了。

就像狂丸前幾天寫過的一篇人工智慧換臉的話題中所說，AI已經在我們生活中越來越普及，但我們很多時候其實並不了解它們，例如它的發展，現在的它們為什麼和電影里差那麼多，我們又什麼時候才能擁有影視作品中的那些高級智能機器？

接下來的一段時間，狂丸會開一個新欄目，和你一起學習，了解人工智慧。而今天，就讓我們從它的歷史開始講起。

人工智慧是怎麼來的？

人工智慧在近年崛起之迅速可能會讓你以為這是一個新興產業，然而恰恰相反，其實它並不新鮮。人類已經對其探索超過了半個世紀，同時過程跌宕起伏，而這也絕對是一個超越時代的想法。

首先我們要明白，所謂的人工智慧並不等於就是影視作品中的機器人，機器人只不過是人工智慧的外殼，為這項技術提供某種動力。

AI是一種計算機領域廣泛技術的合稱，該類技術的終極目標，是讓計算機擁有自然智能，也可以簡單的理解為，讓計算機擁有人類一樣的智慧。

而到了20世紀50年代，一批科學家、數學家們已經在心中萌生了創造人工智慧的構想，阿蘭·圖靈就是其中之一。這位年輕的英國學霸認為，人類可以利用現有的信息和理性來解決問題和做決定，那機器也有可能做相似的事。

（影視作品中的形象）

圖靈還提出過一個影響計算機領域的有趣想法，也就是「圖靈測試」。

內容是將人和電腦關在一個房間，並分別通過鍵盤和外界交流，如果有超過30%的回答使測試者無法判斷房間內是人還是機器，那麼機器就算通過了測試，也就是被認為具有人類智能的屬性。

不過在歷史中，人工智慧這個概念正式被提出，是在1956年的達特茅斯會議，約翰·麥卡錫教授召集了一堆世界頂級學霸，對人工智慧進行了開放式討論，可以說這次會議催化了人工智慧未來20年的研究。

（達特茅斯學院）

你可能好奇，1956年？差不多是60年前了，即使是現在的人工智慧有些還被調侃為人工智障，那時的他們受於時代限制，縱使這群人天資聰穎，又能在科技的迷霧中看到什麼？

第一個黃金時期

相反，當時的研究進展非常樂觀。你可能還記得舉世矚目的「圍棋界人機大戰」，其實在人工智慧的歷史上，遊戲常常被用來作為衡量人工智慧進步的標準，而早在1951年，人類與人工智慧在棋藝方面的較量就上演過，而且還是人輸了。

當時比的是跳棋，「機器學習」一詞的創造者，Arthur Samuel所研製的跳棋程序早在1961年就能擊敗美國周冠軍。

那時候人類也發明了聊天機器人，它叫做ELIZA，由麻省理工學院的Joseph Weizenbaum在1966年創造，也就是說，這已經是50年前的事了。

（圖片素材來源自Emma Goldman）

從1957年到1974年，人工智慧堪稱蓬勃發展，包括可以讓計算機解決計算問題、演算定理、解決翻譯問題等等，諸多的成就讓人們對它的期望越來越高。

例如「人工智慧的眾多爸爸」之一馬文·明斯基，曾在1970年稱「三到八年後，我們將擁有一台具有普通人智力的機器」。

人工智慧先驅、諾貝爾經濟學獎得主Herbert A. Simon也曾預言「20年內，機器可以勝任何人類能做的工作」。

說起來，如果你關注過近年來一些科學家的「預言」，會不會感覺歷史竟然驚人的相似？

進入低谷，差點涼了

不過當年的那批在AI領域開天闢地的科學家還沒高興多久，整個行業就差點涼了。

到了1974年左右，科學家們突破人工智慧最初的迷霧後發現，眼前的景色並不是未來，而是一座大山。其中最大的問題是計算能力不足，以至於無法展示更多智能，也因此人工智慧沒法應用到更為實質性的工作上去，而這一狀態持續了將近10年之久。

在這期間，就像所有學科都會擴散發展一樣，人工智慧也出現了分支。例如連接學派，你可以理解為，以前的人工智慧只注重於它的智能表現，而這個學派則想研究一下智能的腦子到底應該是什麼樣，他們認為可以通過模擬人腦的神經網路來實現人工智慧。

還有行為學派，他們認為可以從簡單生物和環境互動的模式中尋找答案。如果簡單的舉例，現在波士頓機器人其實就很符合該學派的理念，相當於給人工智慧造身體。

重整旗鼓，第二次興起

但打破行業冬天僵局的是「專家系統」，它的出現讓人工智慧得以重回大眾視野。

對於如何讓機器人擁有智能這個問題。科學家想到了一個關鍵點，先讓它像人一樣去學習。而專家系統就是這樣一個學習方式，科學家為機器人灌輸大量知識，讓它可以模仿特定領域的專家進行回答或者解決問題，科學家們縮小了智能領域，但這似乎很有效果。

一些人工智慧也開始展示出更為出色的表現，尤其是在戰勝人類方面。1988年IBM的深思國際象棋人工智慧可以用每秒70萬步的速度進行思考，而到了1996年5月，升級版深藍最終戰勝了人類國際象棋冠軍卡斯帕羅夫，完成了歷史裡程碑。

而在這個成績背後，是它存儲了百年來專家級別的開局和殘局下法，並且一秒內能計算2億步棋...

差點又涼了

不過在20世紀80年代後期，雖然人工智慧有所成就，但又差點涼涼了，人工智慧再一次跌入了寒冬期。

狂丸粗糙理解的主要原因之一是，當時的專家系統並不能完全靠自學，而是需要人教，這就導致知識灌輸費時費力，維護成本變高。這種狀態下，一些官方機構對該領域的研究資源進行了大幅削減。

起起落落，終於邁入現代AI

不過在步入21世紀後，現代AI終於迎來了長遠發展的曙光，人們開始引用了一個叫做「DeepLearning」的大型神經網路模型。

所謂的DeepLearning，是神經網路技術的一種，其最具變革性的特點是，它具有抽象概括的能力，例如你告訴它一個事物，它自己能就能夠識別到事物獨特的特性。

例如給它看很多貓，她自己能夠像人一樣根據耳朵、眼睛、或者姿態識別出這是一隻貓。

（圖片素材來源自HubSpot）

2011年，谷歌的研究人員從網路中抽取了1000萬張靜態圖，並把這些圖交給了「谷歌大腦」，三天後，在沒有人類的幫助下，它成功的自己從圖片中發現了「貓」。

（圖片素材來源自HubSpot）

這裡還有一個好玩的事，你覺得下圖是烏鴉還是貓？

（圖片素材來源自網路）

答案是貓，這張圖曾經在網路上迷惑過無數網友。不過隨著AI技術的發展，谷歌的Cloud Vision給出了一個準確的檢測結果，確認為貓的概率已經高達88%。

但正如狂丸上文提到的，連接學派不是早就在80年代就提出了神經網路學習么？當時怎麼不見效果？

這是因為數據量有了明顯的不同。這些年互聯網提供了大量數據，事實上世界上90%的數據都是近幾年中產生的，這種數據量成為了計算機的學習資源，其次電腦的處理速度也在飛速提升，早已不是當年可比。

而到了如今，人工智慧一詞已經包含了多種技術與應用領域，我們可以看到它的飛速更新以及多種有趣的應用。

像是科學家們半個世紀以來都沒有放下對遊戲的執著，AlphaGo擊敗了人了最強圍棋選手柯潔，近年還玩起了對戰Dota2、星際爭霸2，甚至有網友還讓AI玩起了GTA5、超級馬里奧：

人工智慧也越來越像「人」。去年語音助手Google Assistant完全顛覆了人們對於AI的認知，它可以流暢自然的模擬人類說話，並完成理髮、飯店的預約，而對接的人類根本沒有察覺異樣。狂丸感覺這基本可以認為它已經通過了當年的圖靈測試。

而麻省理工學院媒體實驗室為了研究錯誤數據對AI的影響，乾脆訓練出了一款精神病AI：諾曼，一度讓人感覺細思恐極。

所以結合歷史來看，現在的我們調戲Siri如同呼吸空氣一般自然，但實際上科學家們為了讓它能夠聽懂你說什麼，撥開一重又一重的迷霧，踏過一座又一座的高山，差點幾度涼涼，今天的成就實在來之不易。

（現今的智能機器人和100年前人類腦洞）

所以你可能會覺得，現在的人工智慧已經這麼「強」了，是不是電影中的世界真的指日可待？

然而事實是，在大多數科學家眼中看來，這些人工智慧，有一個算一個，都屬於「弱」人工智慧，距離科幻中的「強」人工智慧可以說是不同級別的存在，他們之間的關係，大概就像蜘蛛和蜘蛛俠、葫蘆和葫蘆娃——而現在我們日常生活中使用的人工智慧，大概率還是叫做人工智障更合適。

（文中圖片素材均來源自網路，僅做交流學習使用）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！