2.1　人工智能发展历程

在1950年发表的划时代论文《计算机与智能》[4，5]中，阿兰·图灵提出了著名的图灵测试：如果一台机器能够与人类展开对话/交互而不能被辨别出其机器身份，那么就认为这台机器具有智能，这一简单的测试方法让人们相信“思考的机器”是可能的，而把这个可能性变成现实的过程是起伏不断的，经历了多个令人欢欣鼓舞的高潮及令人失望的低谷。尽管如此，人工智能的发展趋势一直是向前的。

在1956年的达特茅斯会议之后，人工智能（Artificial Intelligence，AI）进入大发现的阶段。对许多人而言，这一阶段开发出的程序堪称神奇：计算机可以解决代数应用题，证明几何定理。这让很多研究人员有了发展机器智能的信心，形成了一股乐观思潮，甚至有很多学者认为“二十年内，机器将能完成人能做到的一切”。MIT人工智能实验室在1966年开发出了人机对话系统ELIZA。可以说，ELIZA 是今天聊天机器人的雏形。本来研究人员希望通过这个系统向人们展示机器对人语言的理解多么肤浅，因为这个机器只会根据已知的人类语言模板对人所说的话机械地进行转换以形成它对人的回答。但是，出乎研究人员意料的是，有些用过这个系统的人与ELIZA产生了感情，并且对人机自然对话抱有很高的期望。

到了20世纪70年代，人工智能进入了艰难的发展阶段。人工智能开始遭遇批评，随之而来的还有资金上的困难。由于科研人员在人工智能的研究中对项目难度预估不足，以至于承诺无法兑现，导致很多研究经费被转移到了其他项目上。当时人工智能面临的技术瓶颈主要有三个方面：①计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；②问题复杂，早期人工智能程序主要用来解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题维度上升，程序立刻就不堪重负了；③数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法利用足够的数据进行学习与测试。

1980年，卡内基梅隆大学为数字设备公司（Digital Equipment Corporation，DEC）设计了一套名为XCON的专家系统。XCON是一种采用人工智能程序的系统，可以简单地把它理解为“知识库+推理机”的组合。它是一套具有完整专业知识和经验的计算机智能系统，在1986年之前能为公司每年节省超过四千美元的经费。有了这种商业模式后，衍生出了像Symbolics、Lisp 机等硬件和IntelliCorp、Aion等公司。在这个时期，仅专家系统产业的价值就高达5亿美元。1981年，日本拨款八亿五千万美元支持第五代计算机项目，其目标是造出能够与人对话、翻译语言、解释图像，并且像人一样进行推理的机器。类似地，英国也开展了耗资三亿五千万英镑的Alvey工程。

然而，这段人工智能研究与实践兴旺的时间不长。1987年，AI硬件市场需求突然减少。另外，Apple和IBM生产的台式计算机性能不断提升，到1987年时，其性能已经超过了Symbolics和其他厂家生产的昂贵的Lisp机。老产品失去了存在的理由，一夜之间，这个价值五亿美元的产业土崩瓦解。从此，专家系统风光不再。

自20世纪90年代中期开始，随着人工智能技术尤其是神经网络技术的逐步发展，以及人们对人工智能开始抱有客观理性的认知，人工智能技术开始进入平稳发展时期。1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，又一次引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程碑；2006年，Hinton在神经网络的深度学习领域取得突破，这是标志性的技术进步。这一时期也不乏失败的例子。比如本田的可行走机器人Asimo于2006 在台上向公众表演爬楼梯时在第三个台阶不幸后仰摔倒，令组织者非常难堪。

从2010年开始，人工智能进入爆发式的发展阶段，谷歌、微软、百度等互联网巨头，还有众多的初创科技公司，纷纷加入了人工智能产品的战场，掀起了又一轮的智能化狂潮，其最主要的驱动力是大数据时代的到来、运算能力的提高及机器学习算法的发展。由于人工智能技术的快速发展，产业界开始不断涌现新的研发成果。2011年，IBM开发的人工智能程序“沃森”（Watson）参加了一档智力问答节目并战胜了两位人类冠军，后被应用于医疗诊断领域。2016年，由Google DeepMind开发的人工智能围棋程序AlphaGo战胜了人类围棋冠军。更令人鼓舞的是，AlphaGo具有自我学习能力，能够收集大量围棋对弈数据和名人棋谱，学习并模仿人类下棋。AlphaGo Zero在无任何数据输入的情况下，自学围棋3天后，便以100:0横扫了之前版本的AlphaGo。

尽管如此，目前的人工智能技术还存在明显的缺陷，比如深度学习模型的节点并无明确的物理意义，且模型很容易受对抗样本的干扰。因此，Ali Rahimi 在获得NIPS2017 Test of Time Award演讲时，把当前的机器学习比喻成炼金术。另外，因为市场表现差强人意，IBM沃森健康部门在2018年进行了大规模裁员。归根结底，人类对大脑如何实现智能这一问题的了解还很有限，并且人工智能技术的设计与发展都是基于现有的硬件和底层软件的，而这些软硬件的设计与实现并没有太多生物或生理学上的依据。随着对人类智能理解的不断深入及人工智能技术的迅速发展，人们不禁觉得在现有的软硬件基础上发展人工智能应用系统有点力不从心，因此，众多人工智能专家认为，需要重塑人工智能的底层技术。