在20世紀(jì)30年代末到50年代，來(lái)自數(shù)學(xué)、心理學(xué)、工程學(xué)、神經(jīng)學(xué)等學(xué)科的科學(xué)家開(kāi)始探討制造人工大腦的可能性。維納（Wiener）的控制論、香農(nóng)（Shannon）提出的信息論，以及圖靈（Turing）的計(jì)算理論等，都為人工智能的出現(xiàn)奠定了基礎(chǔ)。

1946

ENIAC誕生

1946年，美國(guó)數(shù)學(xué)家莫奇利（Mauchly）、埃克特（Eckert）等制造了世界上第一臺(tái)通用計(jì)算機(jī)ENIAC，為人工智能的研究提供了物質(zhì)基礎(chǔ)。

1950

圖靈測(cè)試

1950年，圖靈在一篇論文中，預(yù)言了創(chuàng)造出具有真正智能的機(jī)器的可能性。為闡釋“智能”這一概念，他提出了著名的圖靈測(cè)試：由一個(gè)接受測(cè)試的人通過(guò)具有電報(bào)通訊功能的打字機(jī)與匿名對(duì)象進(jìn)行交流，對(duì)方可能是人，也可能是計(jì)算機(jī)。如果計(jì)算機(jī)能使被測(cè)人相信他在與人類(lèi)交流，那么計(jì)算機(jī)是有智能的。圖靈測(cè)試是人工智能哲學(xué)方面第一個(gè)嚴(yán)肅的提案。

1956

人工智能的誕生

1956年夏季，一次長(zhǎng)達(dá)兩個(gè)月的研討會(huì)于美國(guó)達(dá)特茅斯學(xué)院（Dartmouth College）舉行。約翰·麥卡錫（John McCarthy）、馬文·明斯基（Marvin Minsky）、艾倫·紐厄爾（Allen Newell）、赫伯特·西蒙（Herbert Simon）等著名學(xué)者出席了會(huì)議。會(huì)上，麥卡錫首次提出了“人工智能”這個(gè)概念。紐厄爾和西蒙則展示了他們編寫(xiě)的邏輯理論機(jī)器（The Logic Theory Machine）。該機(jī)器能夠根據(jù)邏輯規(guī)則提出假設(shè)并解決問(wèn)題，可以證明《數(shù)學(xué)原理》中的定理，滿足了大多數(shù)人規(guī)定的“智能”標(biāo)準(zhǔn)。此次與會(huì)學(xué)者有數(shù)學(xué)家、邏輯學(xué)家、認(rèn)知學(xué)家、心理學(xué)家、神經(jīng)生理學(xué)家、計(jì)算機(jī)科學(xué)家等，后來(lái)他們中的絕大多數(shù)，都成為著名的人工智能專家。這是歷史上第一次人工智能研討會(huì)，也被廣泛認(rèn)為是人工智能誕生的標(biāo)志。

首臺(tái)人工智能機(jī)器人Shakey

1966至1972年，美國(guó)斯坦福國(guó)際研究所（SRI）研制出機(jī)器人Shakey。這是首臺(tái)采用了人工智能學(xué)的移動(dòng)機(jī)器人。Shakey能夠自主進(jìn)行感知、分析環(huán)境、規(guī)劃行為并執(zhí)行任務(wù)，可以根據(jù)人的指令發(fā)現(xiàn)并抓取積木。但計(jì)算機(jī)運(yùn)算速度緩慢，往往需要很長(zhǎng)時(shí)間來(lái)完成一個(gè)指令。

ELIZA與人機(jī)對(duì)話

約瑟夫·魏岑鮑姆（Joseph Weizenbaum）在1964年開(kāi)發(fā)了一個(gè)名為ELIZA的機(jī)器人，是第一個(gè)聊天機(jī)器人。它實(shí)現(xiàn)了計(jì)算機(jī)與人通過(guò)文本進(jìn)行交流，這也是人工智能研究的一個(gè)重要方面。用戶與ELIZA的溝通，看起來(lái)像是兩個(gè)人在對(duì)話，但是實(shí)際上ELIZA根本不知道自己在說(shuō)什么。它只是按固定套路作答，或者用符合語(yǔ)法的方式將問(wèn)題復(fù)述一遍。例如，用戶輸入：“我的頭很疼?！彼鼤?huì)反問(wèn)：“你為什么會(huì)頭疼呢？”它還能用“這個(gè)問(wèn)題很有趣嗎”、“說(shuō)點(diǎn)兒其他的吧”等方式達(dá)到展開(kāi)話題的效果。

SHRDLU與模塊世界

SHRDLU是由斯坦福大學(xué)的計(jì)算機(jī)教授T.威諾格拉德（T.Winograd）在1970年開(kāi)發(fā)的系統(tǒng)。這種程序能分析命令，并通過(guò)對(duì)虛擬方塊進(jìn)行操作來(lái)完成任務(wù)。在運(yùn)行過(guò)程中，遇到疑問(wèn)還會(huì)向使用者發(fā)問(wèn)。它還能分析語(yǔ)義、解釋不明確的句子，例如完成“找出比你的手中那塊積木更高的積木塊，并把它放在盒子里面”等指令。盡管它的運(yùn)用還只限于模塊世界當(dāng)中，但該系統(tǒng)已經(jīng)能夠正確地理解語(yǔ)言，因此它也被視為是人工智能研究的一次巨大成功。

DENDRAL和MYCIN：專家系統(tǒng)

專家系統(tǒng)是基于專家的專業(yè)知識(shí)和工作經(jīng)驗(yàn)，用于求解專門(mén)問(wèn)題的計(jì)算機(jī)系統(tǒng)。美國(guó)科學(xué)家愛(ài)德華·費(fèi)根鮑姆（Edward Feigenbaum）等人于1965年成功研制出化學(xué)分析專家系統(tǒng)DENDRAL，這是第一套有效進(jìn)行工作的專家系統(tǒng)。它能夠進(jìn)行實(shí)驗(yàn)數(shù)據(jù)分析，從而判斷未知化合物的分子結(jié)構(gòu)。MYCIN則是20世紀(jì)70年代初期由斯坦福大學(xué)的肖特利夫（Shortliffe）等人于1976年發(fā)表的醫(yī)療咨詢系統(tǒng)，可用于對(duì)傳染性血液病患進(jìn)行診斷。在它內(nèi)部一共備有500條規(guī)則，只需要按順序依次回答其提問(wèn)，系統(tǒng)就能夠判斷病人所感染細(xì)菌的類(lèi)別，并開(kāi)出對(duì)癥的藥方。在這一時(shí)期，還陸續(xù)研制出了用于生產(chǎn)、會(huì)計(jì)、人事、金融等各種領(lǐng)域的專家系統(tǒng)。

Cyc項(xiàng)目

在道格拉斯·萊納特（Douglas Lenat）的帶領(lǐng)下，Cyc（大百科全書(shū)）項(xiàng)目于1984年啟動(dòng)。這一項(xiàng)目代表人工智能領(lǐng)域的一個(gè)全新的研究方向。它試圖將人類(lèi)擁有的所有一般性知識(shí)都輸入到計(jì)算機(jī)里面，建立一個(gè)巨型數(shù)據(jù)庫(kù)，并在此基礎(chǔ)上實(shí)現(xiàn)知識(shí)推理。其目標(biāo)是使人工智能的應(yīng)用能夠以類(lèi)似人類(lèi)推理的方式工作。2006年，該項(xiàng)目已免費(fèi)提供“資源開(kāi)放”版本給公眾使用。

“深藍(lán)”與國(guó)際象棋

1997年5月11日，IBM公司的國(guó)際象棋電腦深藍(lán)（Deep Blue）戰(zhàn)勝國(guó)際象棋世界冠軍卡斯帕羅夫（Kasparov），成為首個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗國(guó)際象棋世界冠軍的電腦系統(tǒng)?！吧钏{(lán)”擁有30個(gè)并行處理器，運(yùn)算速度為每秒2億步棋，并存有70萬(wàn)份大師對(duì)戰(zhàn)的棋局?jǐn)?shù)據(jù)。強(qiáng)大的計(jì)算能力使其能夠依靠窮舉來(lái)選擇最佳策略，“深藍(lán)”可搜尋及估計(jì)隨后的12步棋，而一名人類(lèi)象棋好手大約可估計(jì)隨后的10步棋。賽后，IBM宣布“深藍(lán)”退役。

沃森與智力問(wèn)答

沃森（Watson）是IBM公司開(kāi)發(fā)的能使用自然語(yǔ)言回答問(wèn)題的人工智能程序。2011年，沃森參加美國(guó)老牌智力問(wèn)答節(jié)目“危險(xiǎn)邊緣”，打敗兩位人類(lèi)冠軍，贏得了100萬(wàn)美元的獎(jiǎng)金，得到了社會(huì)的廣泛關(guān)注。沃森存儲(chǔ)了2億頁(yè)的數(shù)據(jù)，答題時(shí)還能辨別問(wèn)題中的隱晦含義、口吻的差別等。然而，沃森并非在理解問(wèn)題的基礎(chǔ)上進(jìn)行回答，而是將與問(wèn)題所含關(guān)鍵詞看似相關(guān)的答案快速抽取出來(lái)。這一人工智能可被應(yīng)用于醫(yī)療診斷領(lǐng)域，通過(guò)對(duì)自身龐大數(shù)據(jù)的分析，它能夠準(zhǔn)確地給出對(duì)患者的治療方案。例如，在癌癥治療方面，沃森內(nèi)部載入了42種專業(yè)醫(yī)學(xué)雜志和大量的臨床治療數(shù)據(jù)，以及150萬(wàn)份病例。除此之外，它還在廚藝方面有所涉獵。

深度學(xué)習(xí)與AlphaGo

深度學(xué)習(xí)是一種多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，通過(guò)組合低層特征形成更加抽象的高層表示（屬性類(lèi)別或特征），以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。此前，計(jì)算機(jī)并不能做出選擇特征量的判斷，提高機(jī)器學(xué)習(xí)精度的關(guān)鍵在于人類(lèi)輸入何種特征量。深度學(xué)習(xí)則為模擬人腦提供了可能，它使計(jì)算機(jī)自動(dòng)找出簡(jiǎn)單的特征量，然后以此為基礎(chǔ)找到高層特征量。這就解決了在獲取某特征量表示的概念后，再使用這種概念來(lái)描述知識(shí)的難題。

AlphaGo是由Google DeepMind開(kāi)發(fā)的人工智能?chē)宄绦?，具有自我學(xué)習(xí)能力。它能夠搜集大量圍棋對(duì)弈數(shù)據(jù)和名人棋譜，學(xué)習(xí)并模仿人類(lèi)下棋。在達(dá)到一定熟練程度之后，還可以通過(guò)與自己對(duì)弈來(lái)提升棋力。在對(duì)弈時(shí)，它還可以使用蒙特卡洛樹(shù)搜索，通過(guò)價(jià)值網(wǎng)絡(luò)來(lái)計(jì)算局面，評(píng)估大量選點(diǎn)，并通過(guò)策略網(wǎng)絡(luò)選擇落點(diǎn)。截至發(fā)稿，李世石與AlphaGo戰(zhàn)成1∶3。這背后的原因，AlphaGo的學(xué)習(xí)能力該是關(guān)鍵要素之一。（劉彭媛/整理）

[主要參考資料：《人工智能狂潮——機(jī)器人會(huì)超越人類(lèi)嗎？》，（日）松尾豐著，趙函宏、高華彬譯;《人工智能——大腦的鏡子》，（美）哈里·亨德森著，侯然譯]