【5分钟】60年AI研究史一口气看完

近年来，人工智能、大数据、机器学习、AI一直在各种峰会、论坛、文章、媒体被提及，可以说是当下最火的概念，当然了还是有一个概念最近好像没有那么火了，就是“区块链”，今天51RPA小编不谈区块链，不聊RPA，主要想聊聊人工智能AI。

51RPA小编向先问问，您对AI的印象是怎样的？例如“AI令人惊叹”，“AI令人恐慌”， “AI真牛X” ， “AI是最新技术”。那到底AI是不是最新才出来的技术呢？实际上AI研究历史有60年了。

人工智能研究历史概述

大家每天都听到“ 人工智能 ”和“ AI”两个词，但实际上，截至2019年，还没有完善的人工智能落地。从真正意义上说，在全球没有任何国家研究出来了“像人类一样思考的计算机”。

试图在计算机上重现人类智能的研究已经进行了很长时间的努力，但尚未被完美地重现。为什么AI这么难？让我们在解释历史的同时探索原因。 如图所示，人工智能研究交替经历了“繁荣时代”和“冬季时代”。

在这里，简单介绍一下《 人工智能狂潮：机器人会超越人类吗？ 》松尾丰，东京大学院工学系研究科副教授，1997年毕业于东京大学工学部电子信息工学科。2002年完成了该大学的博士课程，成为工程博士。同年任产业技术综合研究所研究员。2005年起任斯坦福大学客座研究员。2007起至今任工学系研究科副教授，兼任新加坡国立大学客座副教授。专业领域为人工智能、网络信息挖掘、大数据分析。日本人工智能专家之一，曾获人工智能学会颁发“论文奖”（2002年）、“创立20周年纪念事业奖”（2006年）、“现场创新奖”（2011年）、“功劳奖”（2013年）等奖项。

第一次AI兴起是在1950年代和1960年代。通过让计算机进行“探索、推论”，使问题得到解决的研究取得了一些进展。

AI的第二次兴起是在1980年代。关于将“知识”放入计算机的方法，已经进行了很多AI研究。

随着Internet在2000年代的普及，我们现在正接近第三次AI繁荣。

到目前为止，人工智能研究大致经历了三个时期。

第一次AI兴起

第一次使用AI一词的“达特茅斯会议”

您是否知道第一次使用AI（人工智能）这个词？

实际上，到今天为止，“ AI”一词已经诞生了60多年。

1956年夏天，在美国东部城市达特茅斯举行的一台机器被称为“达特茅斯会议”，该机器首次被认为像人类一样被称为“人工智能”。

在这次会议上，人工智能的概念被社会广泛认可为科学领域。“达特茅斯会议”是导致许多人开始研究AI的会议，是谈论AI必不可少的会议。

关于“推理”和“搜索”的研究

在第一个人工智能热潮中，人们以乐观的态度尝试了许多关于“推理”和“搜索”的研究，即可以实现人工智能。

“推论”是尝试使用符号来表达人类的思维过程。该过程类似于“搜索”，因此让我们简要解释一下“搜索”。

“搜索”是通过将求解模式划分为案例来搜索目标条件（答案）的过程。想象一下，例如在解决迷宫时。

当人类解开迷宫时，他会用手指或笔沿着这条路走，同时避免死角并瞄准目标。

另一方面，如果计算机中有货叉，它将在这里经过时被“装箱”。另外，如果有叉子，我们将进行“案例划分”。

计算机擅长编写此类简单案例，因此他们可以进行案例研究并找到答案。

借助这项技术，人工智能可以立即将案例“划分”为人类无法实现的模式，比人类更快地解决难题和迷宫。

基本上，人工智能对经常出现在媒体上的将棋和胸部等船类游戏的挑战使用了这种“搜索”技术。

AI的极限

1960年代盛行的第一批AI繁荣使计算机能够解决诸如迷宫和拼图之类的难题。但是，这些问题就像在寻找设定规则中的下一步。

我们通常面临的问题更加复杂，对吧？

例如，应该进行什么样的产品开发以增加公司的利润，如何使饮食成功，等等。

在第一个AI时代，越来越清楚的是AI只能解决所谓的“游戏问题”。设定规则后，计算机很容易找到最佳答案，例如通过下棋和将棋来赢得人类。

但是，很难解决实际问题，并且由于对AI的广泛失望，使得AI研究进入了冬季。

人工智能第二次兴起

将知识放入计算机

1970年代，人们发现只有“ 游戏问题”可以解决用AI解决，但是在1980年代，人工智能再次获得了发展。

在第二次AI繁荣时期，进行了将“知识”放入计算机的研究。例如，如果您想用计算机代替医生，则在计算机中放入“关于医学的知识”，而如果您想用律师代替，则在计算机中输入“关于法律的知识”。

这样，您将能够诊断出该疾病并提供法律信息。换句话说，不仅可以解决“玩具问题”，而且可以解决现实的问题！因此，我受到了关注。

专家系统

此时的“ 专家系统 ” 引起了特别的关注。

“专家系统”是这样一种程序，其中计算机通过像专业人士（专家）一样通过在专门领域中整合知识并进行推理来表现出专家（专家）的行为，这在第一次AI繁荣时期就已可见。

在计算机中放入大量专业信息，如果满足“ XXX”的条件，将使程序返回“ YYY”的答案。通过创建这样的条件表达式，计算机现在可以代替专家，例如按顺序回答问题。

这个“专家系统”是在医疗，生产，财务，会计和人力资源等各个领域创建的。如果您认为1980年代大约三分之二的大型美国公司在日常工作中都使用了这种AI，那么您可以想象到这种“专家系统”的疯狂。

当时的AI极限

“专家系统”似乎有效，但是当知识量巨大且​​规则数量变为数千或数万时，规则之间将存在矛盾和矛盾。现在

事实证明，即使是尝试使用“专家系统”代替医生来诊断症状时，也很难判断诸如“乏味”，“头重”，“胃痛”之类的模糊情况。是的 “沉闷”是什么意思，“疼痛”是什么样的痛苦，“头”具体在哪里？

事实证明，让计算机理解这种“公共知识水平的知识”是出乎意料的困难。

让我举一个例子。1984年，美国的一个名为Cyc项目的项目开始将人类的所有常识输入计算机。例如，输入常识，例如“东京是日本的首都”，“狮子是猫科”，“ Ikuyasu Tokugawa创建了江户幕府”。但是，该项目在30年后仍在继续。从这里，您将了解人类具有的大量常识以及难以详细描述它们的困难。

揭示了编写知识的难度，并且AI的繁荣将再次进入冬季。

人工智能的第三次兴起

为了理解我们欢迎的第三次AI繁荣，我们首先需要了解“ 机器学习 ”。

机器学习的到来

机器学习是AI自行学习的机制。稍微咀嚼“学习”，学习就是一个“分离”过程。如果您可以“很好地划分”，则可以理解事物并采取行动。例如，您面前的物体是苹果吗？我可以和有银行的人​​订立贷款合同吗？投资者应该投资一家公司吗？所有这些决定都可以通过很好地“划分”情况来回答。

机器学习意味着该计算机学习如何在处理大量数据时进行“划分”。机器学习使计算机有可能自己找到并找到“如何分开”，从而使对未知事物的判断和预测成为可能。

最近两次“寒冬”的根本原因

但是机器学习也有弱点。那就是“特殊数量设计”。额外的功能是用于机器学习输入的变量。根据您为这些功能选择的内容，“分离”的准确性差异很大。

例如，考虑您要预测一个人的年收入的时间。“居住”，“年龄”和“职业”将影响您的年收入。但是，“喜欢的颜色”，“生日”和“星座”几乎没有关系。但是，计算机无法判断出良好的特性。“投入多少特别的钱”是提高机器学习准确性的一个因素，但是“投入多少特别的钱”只能由人想到。

在第二次AI繁荣时期，计算机很难理解一般的常识概念，例如“头部”和“腹部”。

换句话说，人工智能必须在“需要关注的特殊特征，提取和划分信息”上借用人类的力量。这就是为什么计算机无法自己理解概念并且无法实现AI的原因。

但是，现在有一种方法可以让计算机在无需人工协助的情况下从数据创建重要的“特殊数量”。那就是您经常会听到的“ 深度学习 ”。

深度学习是的动力

深度学习与传统的机器学习有很大不同，因为计算机可以自动从数据中提取特征。

过去，人类必须教授“圆形”和“红色”的特征，才能识别“苹果”。但是，通过深度学习，计算机现在可以自动对要素进行分类，以形成人类无法识别的一组要素。换句话说，深度学习使机器有可能自己捕获“苹果”的特征而无需人类教“苹果”的特征。

此过程也称为神经网络，因为它与人脑过程非常相似。

神经网络的例子：从“ 神经网络的结构及其历史 ”

深度学习允许机器从数据本身中查找特征，并使用它们来捕获概念。一旦获得了一个概念，就可以使用该概念来描述知识。人工智能和深度学习之所以成为众人瞩目的真正原因，是对人工智能一直面临的挑战有了新的认识。

第三波AI兴起会结束吗？

深度学习一直在推动的这种繁荣将发生什么？以下是当前列出的一些问题。

首先，作为深度学习的问题，计算机中间的“隐藏层”中的处理是黑框的。当我们认识到“苹果”时，我们会使用“红色”和“圆形”之类的特殊数量，但是人类无法理解计算机获得了哪些特殊数量，以及为什么选择这些特殊数量。有可能。这凸显了一个问题，即基于这些特征的AI判断是否在道德和伦理上确实正确和可靠。当AI用于自动驾驶和军事等安全行业时，这将成为一个问题。

就研究而言，在少数国家，普通民众强烈反对使用数据，数据立法已被推迟， 少数国家只有很少的公司投资人工智能技术。

总结

到目前为止，51RPA小编已经介绍了AI的历史。

对AI进行了60年的稳定研究，遇到了许多困难。随着深度学习的诞生，机器像人类一样思考变得更加现实。

我们希望这是一个机会，可以在不了解迄今的历史的情况下从前面了解AI，而又不了解“ AI令人恐惧”之类的偏见。