2.1 人工智能的概念及发展历程

人工智能尽管有很多定义，不同的学者对它也有不同的理解，但是目前较普遍的一种认识是：人工智能是计算机科学的一个分支，它的任务是研究与设计智能体（Intelligent Agents）。智能体是指能感知周围环境（Perception），经理性思考（Rational Thinking）后，采取行动（Action），使其达到目标的成功率最大化。人工智能技术发展历程如图2-1所示，自人工智能技术诞生以来，其发展道路跌宕起伏，根据发展历程可以分为奠基时期、瓶颈时期、重振时期、低迷时期、成型时期和爆发时期。

图2-1 人工智能技术发展历程

1.奠基时期

1950年，艾伦·麦席森·图灵发表了《计算机器与智能》论文，提出通过图灵测试验证了计算机是否具有智能的思维。图灵测试指出，将人与机器在隔开的情况下展开对话，如果超过30%的人无法确定对话的是机器还是人，则被测试的机器就通过测试，认定其具备人类智能。

1952年，IBM（国际商业机器公司）科学家亚瑟·塞缪尔，基于填鸭式学习，通过计算机程序记录历史的优秀走法，开发出跳棋程序，并创造了“机器学习”这一术语，将其定义为：“可以提供计算机能力而无须显式编程的研究领域”。

1956年，约翰·麦卡锡、马文·闵斯基、克劳德·香农等科学家在达特茅斯会议第一次提出人工智能的概念，人工智能时代拉开帷幕。

2.瓶颈时期

人工智能概念提出后，取得了一系列突破性成果，如计算机神经网络——感知机模型的提出、机器定理证明等。但从20世纪60年代中期开始，人工智能技术发展进入瓶颈时期。理论研究的停滞和硬件资源的制约，使得人工智能领域进入低潮。截止到20世纪70年代末，出现了大量的失败实验，如机器翻译漏洞百出、神经网络理论存在缺陷效果不佳等。

3.重振时期

20世纪70年代末后，人们从学习单概念延伸到学习多概念，逐渐探索各种学习策略和方法，人工智能领域慢慢开始复苏。1981年伟博斯在BP（Back Propagation，神经网络反向传播）算法中具体提出多层感知器模型，让BP算法开始真正发挥作用，并且直到现在依然是神经网络架构的重要组成部分。在另外一个派系中，1986年昆兰提出著名的决策树模型算法，与黑盒神经网络不同，决策树模型可解释性较强，可以清晰地看到算法的决策过程。在决策树模型被提出后，很多的衍生模型（如分类与回归树算法）不断被探索发现，很多至今依然活跃在实际应用中。

4.低迷时期

随着落地项目的规模不断扩大，人工智能应用存在的知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来，人工智能进入低迷期。

5.成形时期

受益于互联网技术的进步，人工智能的创新研究得到了快速发展。典型事件是1997年IBM公司研发的深蓝超级计算机第一次在国际象棋领域战胜人类世界冠军，人工智能应用逐渐成形。

同期，在理论研究中SVM（Support Vector Machine，支持向量机）算法的发明是人工智能的又一重大突破。自从支持向量机被提出后，人工智能技术研究逐渐发展为神经网络和SVM两个主流方向。自从2000年带核函数的支持向量机被发明后，在很多应用场景中取得了突破性的效果，在很多学科中得到了快速应用。

6.爆发时期

2006年，神经网络之父Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶级学术期刊《科学》上发表了一篇论文，提出了深层网络训练中梯度消失问题的解决方案，开启了深度学习发展的新浪潮。之后，神经网络方向各项新突破如雨后春笋般涌现出来：2011年RELU函数的提出、2012年基于CNN网络的AlexNet在ImageNet图像识别比赛中性能和效果碾压SVM、2016年AlphaGo在围棋比赛中战胜世界冠军李世石……深度学习的快速发展，让图像、文本、语音等感知类问题在实际应用中取得了真正意义上的突破，人工智能技术迎来新时代。