1.1 AI的发展历史

1.1.1 开拓历史引发热潮

人工智能是什么？大多数人对此的定义：拥有人类的智慧（甚至人类的外表），可以和人平等交流的机器。机器何时能够像人类一样思考呢？“像人类一样思考”的描述，开启了“人工智能”思想的雏形。其实，不仅希望“机器能够像人类一样思考”，人们对于人工智能更高的期望是“与人类没有任何差别”。人们对于人工智能的美好期待在很多科幻电影中得以体现，这些影片不仅展示了人们对人工智能的理解，而且对人工智能可能带来的伦理问题、价值问题进行了深入探讨。电视剧《西部世界》演绎了在未来世界中，当机器人真的如同人类一样能够与人交流、与人互动并且有自己的想法时，会产生的各种人性问题。在这部电视剧中，“机器人”不仅能像人类一样思考，更如同人类一样拥有自己的感情，甚至拥有远超人类的运动能力和智慧，如图1-1所示。

在人工智能的发展过程中，有一个人的名字经常被提起，他就是被称作“人工智能之父”的艾伦·麦席森·图灵（Alan Mathison Turing），如图1-2所示。他在1950年第一次提出了判定机器是否具备智能的实验方法和判定标准，也就是著名的“图灵测试”，对现代的人工智能技术发展有着深远的影响。他提出的“图灵机”概念，从理论上证明了通用数字计算机的可行性，为计算机的发展奠定了理论基础。1966年，美国计算机协会以图灵的名字设立了图灵奖。“计算机之父”冯·诺依曼，将图灵的理论变成实际的物理实体，提出冯·诺依曼结构，用二进制代替了十进制，并提出了计算机的基本结构：运算器、控制器、存储器、输入设备和输出设备。正是因为计算机的发展，为人工智能的发展奠定了基础。

尽管在20世纪50年代之前，就已经有很多看似与“人工智能”相关的研究，但人工智能概念的正式提出是在1956年达特茅斯（Dartmouth）学院举办的学术会议上，如图1-3所示。1956年夏天，达特茅斯学院里聚集了约翰·麦卡锡（John McCarthy, Lisp语言发明者）、马文·闵斯基（Marvin Lee Minsky，人工智能与认知学专家）、克劳德·埃尔伍德·香农（Claude Elwood Shannon，信息论的创始人）、艾伦·纽厄尔（Allen Newell，计算机科学家）、赫伯特·西蒙（Herbert Simon，诺贝尔经济学奖得主）等众多的人工智能先驱。他们在会后正式提出了“人工智能”的概念，后来人们称达特茅斯会议是全球人工智能研究的起点，而该年也被称作“人工智能元年”。自此后的10年，掀起了人工智能第一次研究与应用的热潮。

在20世纪五六十年代，计算机技术水平尚处于比较初级的阶段，同时受限于理论模型的研究，人工智能的研究大多停留在实验室阶段。当然，这并不妨碍人们在一些垂直领域做出有益的探索，例如，这个时期人工智能就在西洋跳棋上得到了应用，被视作人工智能与人类的第一次棋类博弈。历史总是惊人的相似，人工智能每一次与人类的棋类博弈，总能给社会带来巨大的影响，总会掀起新一轮的研究浪潮。在这个时期，人们也开始尝试制造对话机器人，早期的对话机器人可以被视作现在智能客服和智能助手产品的“鼻祖”。

1．人工智能与人类的第一盘棋

棋类游戏被认为是人类智力活动的象征，而西洋跳棋是人工智能在棋类博弈中的第一个落地应用。为何人工智能会在棋类游戏中“大杀四方”呢？这是因为棋类游戏的规则简洁明了，输赢都在盘面上，适合计算机求解。从20世纪60年代到今天，人工智能从西洋跳棋方面取得突破，而后对国际象棋、围棋发起挑战，这是人工智能中数据智能发展的表现。

1952年，计算机技术的先驱阿瑟·萨缪尔（Arthur Samuel）使用IBM公司的第一批商用计算机IBM701，研制了一个西洋跳棋程序，且这个程序具有自学能力。1961年，萨缪尔向康涅狄格州的西洋跳棋冠军、当时全美排名第四的棋手发起了挑战，最终萨缪尔的程序获胜；1962年，西洋跳棋程序又战胜了一位盲人高手。这在当时引起了很大的轰动，甚至有媒体宣称：“机器在下西洋跳棋上已经超越了人类。”

2．对话机器人鼻祖Eliza

人工智能的一项基本挑战是赋予机器使用自然语言与人类进行交流的能力。在20世纪60年代，系统工程师约瑟夫·魏泽堡和精神病学家肯尼斯·科尔比共同编写了世界上第一个真正意义上的对话机器人程序Eliza，这是最早的与人对话的程序，它能够使计算机与人用英语进行谈话，如图1-4所示。此产品的交互十分简单，主要是根据人类的输入、返回对话原理，通过模拟形成对话过程。

虽然Eliza是第一个对话机器人，但是它并没有真正采用与“自然语言处理”相关的技术，所以不能真正理解人类的意图。Eliza的基本原理是系统对输入句子做了一个变换，便直接产生了输出语句，尽管如此，也不能掩盖人们对Eliza对话机器人进行探索的价值。此后的Parry（Colby,1975）和Alice（Wallace,2009）都是以模仿人类行为为方向设计的文本对话机器人，而这些对话机器人目前在多个领域中都得到了应用。

1.1.2 成果受限进入低潮

尽管人工智能在人机对话、棋类游戏领域有所应用，但这些应用显然还不能真正运用到行业生产中，人工智能应用能否真正落地，同样受到质疑。在20世纪六七十年代，由于理论水平和计算机水平的限制，人工智能很难有可实际应用的产品产生。1969年，马文·闵斯基在《感知器》著作中指出了简单的线性感知器功能的有限性，这为人工神经元网络的研究带来了沉重的打击；1973年，《莱特希尔报告》用翔实的数据说明，几乎所有的人工智能研究都远未达到早前承诺的水平。当人工智能还没有成熟的研究成果时，可预见的价值也比较低，人工智能的研究就此进入了持续10年的低潮期，从20世纪60年代末到20世纪70年代中期，许多国家对人工智能相关的研究经费投入也在逐渐减少。

当我们回顾人工智能处于低潮时的历史可以发现，人工智能研究进入低潮期主要有3个方面的原因。

① 理论研究还未达到成熟阶段。人工智能基于的数学模型和数学手段都有一定的缺陷，如逻辑证明器、感知器等都只能做要求简单、专业性强的任务，稍微超出范围就无法应对。

② 计算机硬件能力不足。人工智能的应用计算复杂度是呈指数级增加的，以当时的计算机水平来看，是不可能完成的计算任务。

③ 大量行业缺少应用数据。在计算机发展早期，各行业还停留在传统生产阶段，对于数据的利用和保存非常缺乏，这导致人工智能缺少有效的数据支持。

当然，在人工智能研究的低潮期，依然产生了不少对当今产品应用影响深远的技术。1972年，Kohonen T．教授提出人工神经网络中的自组织特征映射网络SOM（Self-Organizing Feature Map），它是采用一种“胜者为王”的竞争学习算法，这个算法在后续的模式识别、语音识别及分类问题中得到了有效的应用。1976年，美国波士顿大学研究学者提出了著名的自适应共振理论（Adaptive Resonance Theory, ART），其学习过程具有自组织和自稳定的特征。这些技术的积累为人工智能第二次研究热潮的到来积累了有益的经验，也为当今语音识别、图像识别等技术奠定了良好的理论基础。

1.1.3 IT技术带来新曙光

进入20世纪80年代，人工智能重新回到人们的视野中，这并不是毫无征兆的爆发，而是得益于被称为人工智能的三驾马车——算力、算法和数据在人工智能研究低潮期间的快速发展。可以说计算机硬件的发展、互联网技术的普及，都为人工智能在21世纪的爆发埋下了伏笔。

1．算力水平的指数提升

计算机的存储能力与计算能力的发展，为人工智能的大规模运算打下了坚实的硬件基础。戈登·摩尔（Gordon Moore）早在1965年就提到，每一代的芯片发展周期在18～24个月之内，而新一代的芯片能包含的集成电路元件数是前一代芯片的2倍，这也意味着计算机的计算能力相对于时间周期将呈指数式上升。自从20世纪70年代计算机进入大规模集成电路时代后，计算机的算力水平飞速提升，我国继1983年研制成功每秒运算1亿次的“银河Ⅰ号”巨型机，又在1993年成功研制了每秒运算10亿次的“银河Ⅱ号”通用并行巨型机。直到21世纪，云计算、GPU技术都迅速发展起来了。

算力水平的提升对人工智能的发展有显著的影响，由诸多硅谷大亨联合建立的人工智能非营利组织“OpenAI”曾经发布了人工智能训练需要使用的算力分析，如图1-5所示。

自2012年以来，人工智能训练任务中使用的算力呈指数级增长，目前的速度为每3.5个月翻一倍。自2012年以来，人们对算力的需求增长了超过300000倍。由此可见，没有算力的提升，就没有人工智能的训练条件，硬件算力水平提升是人工智能快速发展的重要因素，是人工智能数据实现智能的重要保障。

2．算法模型的突破发展

算法模型取得的发展深刻地影响了人工智能的应用，以深度学习神经网络为代表的人工智能技术正深刻影响着各行业的发展。事实上，很多经典的神经网络是在20世纪80年代得到发展的，例如，儒默哈特（D.E.Rumelhart）等人于1986年在多层神经网络模型的基础上，提出了多层神经网络权值修正的反向传播学习算法（Back-Propagation, BP），如图1-6所示。BP算法通过信息正向传播和误差反向传播来调整网络参数，从而解决了多层前向神经网络的学习问题，证明了多层神经网络具有很强的学习能力，BP算法几乎是所有神经网络研究学者的入门必学内容，是迄今为止最成功的神经网络学习算法。

美国物理学家霍普菲尔德（Hopfield）提出的离散“Hopfield”网络，解决了著名的旅行推销商问题（Travelling Salesman Problem）。霍普菲尔德的模型不仅对人工神经网络信息存储和提取功能进行了非线性数学概括，提出了动力方程和学习方程，还对网络算法提供了重要的公式和参数，使人工神经网络的构造和学习有了理论指导。1984年，有学者提出了大规模并行网络学习机的想法，并明确提出“隐含单元”的概念，这种学习机后来被称为“Boltzmann”机。

直到2006年，深度学习巨擘杰弗里·辛顿（Geoffrey Hinton）正式提出了开启人工智能第三次研究浪潮的重要算法——深度学习，这个算法模型对人工智能的发展有着深远的影响。2013年，《麻省理工科技评论》将其列为世界十大技术突破之首，代表了人们对“深度学习”在学术界和工业界巨大影响力的认可。Geoffrey Hinton在学术期刊《科学》发表的文章中详细地给出了“梯度消失”问题的解决方案，即通过无监督的学习方法逐层训练模型，再使用有监督的反向传播算法进行调优。“深度学习”方法的提出立即在学术圈引起了巨大的反响，以斯坦福大学、多伦多大学为代表的众多世界知名高校纷纷投入巨大的人力、财力进行“深度学习”领域的相关研究，另外以“深度学习”为代表的技术在多项比赛中均取得了优异的成绩，而后“深度学习”的成果又迅速蔓延到工业界。算法模型的突破使人工智能从计算智能逐步过渡到感知智能阶段。

3．数据在互联网中沉淀

20世纪80～90年代，是计算机互联网技术迅猛发展的时期。早在1982年，个人计算机就开始成为一种文化现象。如图1-7所示，1982年的《时代周刊》甚至将个人计算机作为“年度人物”印在了杂志的封面上，足见计算机当时的影响力。基于互联网的发展，为人类世界带来了一笔新的资产——数据。从1996年开始后的15年间，计算机的数量从原来的630万台增长至6710万台，而根据“We Are Social”和“Hootsuite”披露的数据显示，2018年年初全世界的网民总数已经超过了40亿人。互联网快速发展的背后，是海量数据的沉淀。任何智能技术的发展都需要有一个学习的过程，人工智能依赖于大量数据的训练，而互联网产生的数据，为人工智能的发展提供了丰富的养料。

1.1.4 产品落地的巨大能量

进入21世纪，“数据+算力+算法”的发展进一步驱动人工智能的复兴。这一次当人工智能高调出现在人们面前时，已经走出实验室，并具备在各行业落地的可能。在总结信息技术的发展史时，以10年作为一个单元来看，每隔10年人类就会进入一个新的时代，如图1-8所示。因此人们推测，或许移动互联网之后的下一个10年，正是人工智能的时代，人们之所以看重人工智能，是因为每一个时代的变更，都会带来更多的机遇。

人工智能引起人们关注的热点事件总是巧合地与人工智能的“棋类”挑战赛有关。在国际象棋领域，1996年，IBM公司研发的超级国际象棋电脑“深蓝”正式首次挑战国际象棋世界冠军卡斯帕罗夫，最终以2∶4落败，但一年后深蓝就以3.5∶2.5击败了卡斯帕罗夫，成为首个在标准比赛中击败国际象棋世界冠军的电脑系统，这也是人工智能在20世纪90年代的亮点，因此在20世纪末引发了现象级的讨论。2016年，人工智能研究终于突破人类最后的骄傲——围棋。AlphaGo（围棋人工智能程序）先是战胜了人类围棋高手李世石，后又战胜中国的世界围棋冠军柯洁，如图1-9所示。AlphaGo在围棋上取得的胜利被视为人工智能发展新的里程碑，也是第三次人工智能研究浪潮的开端。

AlphaGo能够战胜人类，这背后有一项重要的技术突破，也是其依赖的主要算法——深度学习神经网络。当人们开始重视“深度学习”的应用时才发现，原来“深度学习”已经让人工智能在语音识别、图像识别等多个领域取得了重大突破。2011年，微软将“深度学习神经网络”应用在语音识别上。2012年，在ImageNet图像识别比赛中，深度学习赢得了ImageNet图像分类比赛的冠军，并且准确率超出第二名10%以上。同年，百度成立了“深度学习”研究院，2014年5月又在美国硅谷成立了新的“深度学习”实验室，还聘请了斯坦福大学著名教授吴恩达担任首席科学家。Facebook公司于2013年12月在纽约成立了新的人工智能实验室，聘请“深度学习”领域的著名学者、卷积神经网络的发明人Yann LeCun，作为首席科学家。2014年1月，谷歌抛出4亿美元收购了“深度学习”的创业公司DeepMind，可见，“深度学习”的应用已经受到了互联网巨头的关注。

除了互联网企业，人工智能的发展趋势同样受到了国家层面的关注。在2016年10月，美国率先发布《国家人工智能与发展策略规划》，以图未来在该领域继续保持优势；相隔不到一年，中国在2017年7月发布了《新一代人工智能发展规划》，以促进国内人工智能的发展；2018年3月，欧盟发布《人工智能时代：确立以人为本的欧洲战略》紧跟人工智能发展的大趋势。至此，美国、中国和一些欧盟国家都陆续发布了有关人工智能的国家战略，期望抢占人工智能的制高点。

与人工智能在发展早期面临的诸多困难不同，这一次人工智能已经在语音识别、计算机视觉、语音合成、自然语言处理等多个领域真正实现了产品的落地，在工业、金融、安防、电商等行业都能看到相关应用，并且部分应用极大地提升了产能。麦肯锡、埃森哲都曾预言：人工智能在未来会更多取代人类现有的工作，并且使人类社会的生产效率大大提高。

人工智能在技术层面仍然有许多提升的空间，但是此时摆在人们面前的是一个新的问题，就是如何让人工智能融入有效的应用场景中，并能够与商业模式紧密结合起来。正是因为产品落地过程中产生了很多新问题，因此人工智能产业发展也要求AI产品经理能够站在时代的前沿，去洞察人工智能行业的发展前景，推动人工智能在行业中实现有效落地。