人工智能的前生、今世與未來

汪子堯，賈 娟

（1. 北京市朝陽外國語學校，北京 100012；2. 北京郵電大學電子工程學院，北京 100876）

0 引言

人工智能（Artificial Intelligence，AI）是計算機科學的一個重要分支，它試圖通過計算機來模擬人的思維過程和行為，該領域的研究包括智能機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，它的出現和發展已經滲透到了我們生活的方方面面。

尤其是2016年3月AlphaGo大敗李世石，讓人工智能在全球范圍內產生了石破天驚式的巨大影響力。隨后，進一步演化之后的AlphaGo Master逐一打敗人類當前活躍著的所有圍棋高手。

不久之前的2017年10月，DeepMind團隊重磅發布的新版AlphaGo Zero，再次打破人類對人工智能的認知和想象，它實現了AI發展中非常有意義的一步，那就是“無師自通”，它實現了從零開始，不需要任何棋譜的指引，也不需要參考任何人類的先驗知識，完全靠自己通過增強學習（Reinforcement Learning）達到百戰百勝。

今天的人類不得不敬畏人工智能的成果，并對最新的成果褒貶不一，甚至分裂成針鋒相對的多個陣營，我們有必要立足于深度學習和增強學習的最新進展，來回顧、反思和展望一下人工智能的前生、今世和未來。

1 人工智能的長期演進歷史回顧

人工智能發展至今,已經有六十余年的歷史，其發展過程可大致概括為跌宕起伏的四個階段，一些重要的里程碑事件如表1所示。

1.1 人工智能的誕生

1950年，偉大的計算機科學家艾倫·圖靈（Alan Turing）發表了一篇劃時代的論文，預言了創造具有真正智能的機器的可能性。考慮到“智能”不易衡量，他提出了著名的圖靈測試，通過機器偽裝人類對話的能力來衡量機器的智能水平[1]。

表1 人工智能發展重要里程碑事件Tab.1 Milestone of Artificial Intelligence Development

1956年達特茅斯會議舉行，約翰·麥卡錫、馬文·閔斯基、克勞德·香農、艾倫·紐厄爾、赫伯特·西蒙等頂尖科學家匯聚一堂，共同確定了人工智能的名稱和任務，標志著人工智能這門學科的正式誕生。與會的每一位科學家都在人工智能發展的第一個十年中做出了重要貢獻[2]。

1.2 人工智能第一次浪潮和寒冬

達特茅斯會議推動了全球第一次人工智能浪潮的出現，從1956年到1974年,樂觀的氣氛彌漫在整個學術界和工業界，在算法方面出現了很多世界級的發明，其中包括增強學習的雛形（即貝爾曼公式）以及深度學習的雛形（感知機）[3]。這些算法的提出無疑推動了人工智能的發展，而增強學習的算法也正是谷歌AlphaGo算法的核心思想[4]。

除了算法和方法論方面的新進展外，在第一次浪潮中，科學家們1964年發明的名為STUDENT的人工智能系統在那時候就能實現應用題的證明，更值得一提的是1966年研制的ELIZA已可以實現簡單人機對話[5]。人們認為，按照這樣的發展速度，人工智能早晚能夠取代人類！

然而，人工智能卻在接下來的1974年到1980年間陷入了寒冬，這是因為人們逐漸發現邏輯證明器、感知器、增強學習等等只能做一些很窄的特定領域的簡單任務，稍微超出些范圍就無法應對。這里面存在兩方面局限：一方面，人工智能所基于的數學模型和數學手段被發現有一定的缺陷，例如連最簡單和常用的異或（XOR）映射都難以處理；另一方面，有很多算法的計算復雜度以指數程度增加，所以成為了不可能完成的計算任務。于是人工智能跌入了谷底。

1.3 人工智能第二次浪潮和寒冬

與利用推理等簡單規則的第一次人工智能浪潮不同，第二次人工智能開始走向專業化，側重于借用領域專家的知識來武裝自己。20世紀 80年代，卡耐基·梅隆大學為DEC公司制造出了專家系統，這個專家系統能夠幫助DEC公司每年節約4000萬美元左右的費用，特別是在決策支持方面能提供有價值的內容。受此鼓勵，包括日本、美國在內的很多國家都再次投入巨資開發所謂第5代計算機，亦稱為人工智能計算機[6]。

這一時期，人工智能數學模型方面有了新的突破，其中包括著名的多層神經網絡和 BP反向傳播算法等，這些算法都突破了之前的瓶頸，可以解決一些實際問題，再一次喚起了人們研究的熱情，于是，人工智能迎來了第二次熱潮。

但從80年代末到90年代初，專家系統所存在的應用領域狹窄、知識獲取困難、維護費用居高不下等問題逐漸暴露出來，日本人宏偉的第五代計算機計劃也宣告失敗。AI遭遇了一系列財政問題，進入第二次低谷[7]。

1.4 人工智能的第三次浪潮

從90年代中期至今，隨著計算機性能的高速發展、海量數據的不斷積累以及 AI研究者的不懈努力，人工智能在許多領域不斷取得突破性成果，掀起新一輪高潮[8]。1997年，IBM的國際象棋機器人深藍（Deep Blue）戰勝國際象棋世界冠軍卡斯帕羅夫，引起世界范圍內轟動。2006年，Geoffrey Hinton提出深度學習[9]。在接下來的若干年，借助深度學習技術，包括語音識別、計算機視覺等在內的諸多領域都取得了突破性的進展。2016年3月，Google的圍棋人工智能系統AlphaGo與圍棋世界冠軍李世石進行人機大戰，并以4:1的總比分獲勝。2017年5月AlphaGo Master對陣當今世界圍旗第一人柯潔連勝三局，這一系列的事件都使人工智能成為當下炙手可熱的研究領域。

人工智能之所以能在近年來掀起新一輪高潮，主要歸功于三大驅動要素：算法、大數據、計算力。

首先，機器學習算法一直是人工智能發展的核心推動力。尤其是深度學習首先在語音識別、圖像識別領域取得了突破性進展，隨后在自然語言理解的諸多領域都取得了可喜成果，直接推動了本輪人工智能高潮。

其次，深度學習的多層神經網絡結構復雜、參數眾多，需要大規模的數據才能訓練生成有效的模型。得益于互聯網、社交媒體的發展，全世界的數據規模呈現爆發式增長，人類進入大數據時代。如此海量的數據，為人工智能的發展提供了源源不斷的訓練和測試樣本。

此外，深度學習使用海量數據訓練復雜的多層神經網絡模型，需要強大的計算能力支撐。之前業界采用傳統的 CPU進行模型訓練，花費的時間漫長。GPU的應用，將深度學習的效率提高了數十乃至上百倍。緊接著FPGA以及TPU等各種定制芯片紛紛被用于加速深度學習。再加上分布式并行計算技術的進步，使大量芯片可以同時用于模型訓練。由此形成的強大計算能力，強有力地推動著人工智能向前高速發展。

2 當前人工智能的兩條技術路線之爭

人工智能雖然取得了輝煌成就，但是仍然有許多問題值得我們去冷靜思考和回答。

關于人工智能，長期存在兩種不同的目標或者理念。一種被稱為“弱人工智能”，類似于“高級仿生學”，即希望借鑒人類的智能行為，研制出更好的工具以減輕人類智力勞動。另一種被稱為“強人工智能”，實則可謂“人造智能”，是希望研制出達到甚至超越人類智慧水平的人造物，具有心智和意識，能根據自己的意圖開展行動。

人類與動物之間的差別，在于人類有發現問題、定義問題、解決問題的能力。發現問題和定義問題，稱為隱性智慧，解決問題被稱為顯性智慧。隱性智慧，例如意識、靈感、想象力、審美等等能力支撐，比較隱形。顯性智慧是指獲取信息、生成知識、實踐能力等等，是看得見摸得著的能力。

弱人工智能，就是人類的顯性智慧，是在工作的框架內，在目標的引導下，去解決問題。弱人工智能本身不能發現問題，也不能定義問題，而是由人來做這兩件事，并由人教人工智能去解決問題，人告訴人工智能問題是什么，還要給人工智能提供必要的知識。所以人工智能沒有可能超越人類，機器沒有意識沒有靈感，沒有想象力沒有審美，缺乏這些基本的隱性知識。

AlphaGo能打敗李世石，是因為有明確的規則，狀態也有限，但它可以利用人給他定義的規則、知識，然后利用大量的案例，和超強的計算能力打敗人類。凡是基于確定的算法規則的東西，擁有超級計算能力的人工智能打敗人類是遲早的事情，但是如果沒有明確的算法，或者規則掌握在人類手中的話，那人仍然處于有優勢的一方。

強人工智能，便是互聯網上流傳甚廣、完全智能化的有自我意識的人工智能，是對腦科學、神經科學的研究，通過對人腦的高級神經活動規律的研究，去分析創意、靈感、想象力、情感這些東西到底從何而來。物理學家霍金也發表言論稱“必須警惕人工智能”[10]。但大多數業界專家認為，這項全民關注的技術目前還處于初級階段[11]，尚未形成體系化的理論科學[12]，仍有很多難以理論化解決的難題[13]，因此強人工智能在幾百年以內不會發生。人工智能技術現在所取得的進展和成功，是緣于“弱人工智能”而不是“強人工智能”的研究。強人工智能這一技術路線在過去幾十年里投入很大，但是突破十分有限，未來的演進路線仍然十分漫長。

3 人工智能在不同應用領域表現出來的優勢和短板

人工智能的應用領域十分廣泛，主要有計算機視覺、自然語言處理和機器人科學、專家咨詢系統、語音識別和機器翻譯等等[14]。

計算機視覺從 2010年之后由于深度學習的興起及運用，已經取得了一系列突破，經過大量數據訓練之后，在辨識物體方面，一部分的機器算法甚至已經可以超過人類的辨識度[15,16]。而在語音識別方面，從語音到文字的相互轉化也已經在多種語言中得到了成功運用。相比于計算機視覺和語音處理問題，當前的機器翻譯盡管已經取得了很大進展，但仍然會錯漏許多語言中的細節[17]。當前機器人科學發展迅速，不過生產出的只是能完成特定任務的專用工業機器人，與人工智能最終目標——有完全智能的機器人仍有較大差距。

現在的人工智能盡管在各個領域都取得了重大成果，但對現在的人工智能和機器人而言，關鍵問題是缺乏物理的常識和社會的常識[18]。一張圖片中的信息，只有百分之五可以直接獲得，而其余的百分之九十五，要靠推理才能夠獲得，這部分推理信息對于人類來說極易獲得，而機器獲取起來就極為復雜，目前的計算機視覺也只能簡單地分辨一些圖片，而不能真正理解圖片。而在自然語言處理方面，人類將一種語言翻譯成另一種語言建立在對語言內容的理解上，然后用另一種語言去表達理解的內容，而機器則用了截然不同的方法，大多是取決于語料庫的豐富程度，將語句分塊進行轉換，所以經常出現很低級的語法錯誤。對于人類來說，我們在從小到大的學習過程中學會了如何辨別這些復雜的語境，但計算機目前還遠不能做到這一點。

4 人工智能的未來愿景

人工智能在專業應用領域發展迅速，許多技術盡管現在距離實用差距很大，但在未來十到十五年極有可能實現。例如未來十到十五年，自動駕駛汽車甚至無人駕駛的空中出租車都有可能實現[19]，業界有許多公司和機構正在從事這些方面的研究，以期最終推出合適的解決方案。期許這些前沿技術盡快為人們所用[20]。

預期在未來的十到十五年，人工智能仍將會是弱人工智能，只能夠在某一專一領域發揮作用，還不能像人類一樣有很高的創造性和理解能力。要想創造出可以和人類進行人機互動的具有真正智能的AI系統，讓機器人具備自我學習能力，并且發展出自我意識，或許將要花上幾十年甚至數百年的時間。

[1] 袁為. 人工智能之父: ·阿蘭圖靈[J]. 中國青年科技, 2003,(11).

[2] 張體德, 郭燕, 呂國娜, 劉樹俊, 楊濤. 人工智能的發展和現狀綜述[J]. 福建質量管理, 2017, (4).

[3] 夏之初. 人工智能技術發展及應用現狀綜述[J]. 數字化用戶, 2017, (20).

[4] D. Silver, A. Huang, C. J. Maddison, A. Guez, L. Sifre, G.Van Den Driessche, J. Schrittwieser, I. Antonoglou, V. Panneershelvam, M. Lanctot et al., "Mastering the game of Go with deep neural networks and tree search", Nature 529, vol.7587, pp. 484-489, 2016.

[5] 胡勤.人工智能概述[J]. 電腦知識與技術: 學術交流, 2010,(13).

[6] 田金萍. 人工智能發展綜述[J]. 科技廣場, 2007, (1).

[7] 林堯瑞, 馬少平編著. 人工智能導論. 北京: 清華大學出版社, 1989. 05.

[8] 李紅霞. 人工智能的發展綜述[J]. 甘肅科技縱橫, 2007,(5).

[9] Hinton, G. E., Osindero, S. and Teh, Y., A fast learning algorithm for deep belief nets. Neural Computation 18:1527-1554, 2006.

[10] 殷越銘, 樊小萌, 邢貝貝. 人工智能概述及展望[J]. 科技與創新, 2017, (20).

[11] 鐘義信. 從“機械還原方法論”到“信息生態方法論”——人工智能理論源頭創新的成功路[J]. 哲學分析, 2017,(5).

[12] 鐘義信. 高等人工智能:人工智能理論的新階段[J]. 計算機教育, 2012, (18).

[13] 鐘義信. 人工智能理論:從分立到統一的奧秘[J]. 北京郵電大學學報, 2006, (3).

[14] 劉蕊.人工智能的軟件基礎層及應用綜述[J]. 通訊世界,2017, (23).

[15] 李彥冬, 基于卷積神經網絡的計算機視覺關鍵技術研究[D], 電子科技大學, 2017.

[16] 艾瑞咨詢系列研究報告[R]. 2017 (12).

[17] 張國英, 何元嬌. 人工智能知識體系及學科綜述[J]. 計算機教育, 2010, (8).

[18] 肖斌, 薛麗敏, 李照順. 對人工智能發展新方向的思考[J].信息技術, 2009, (2).

[19] (美)凱 瑟琳 · 赫利克著, 鄒慧君, 梁慶華譯. 人工智能. 上海: 上海科學技術出版社, 2017.08.

[20] 冉夢琦. 人工智能技術發展及應用研究綜述[J]. 青春歲月,2016, (6).