汪子堯，賈 娟

（1. 北京市朝陽(yáng)外國(guó)語(yǔ)學(xué)校，北京 100012；2. 北京郵電大學(xué)電子工程學(xué)院，北京 100876）

0 引言

人工智能（Artificial Intelligence，AI）是計(jì)算機(jī)科學(xué)的一個(gè)重要分支，它試圖通過(guò)計(jì)算機(jī)來(lái)模擬人的思維過(guò)程和行為，該領(lǐng)域的研究包括智能機(jī)器人、語(yǔ)言識(shí)別、圖像識(shí)別、自然語(yǔ)言處理和專家系統(tǒng)等。人工智能從誕生以來(lái)，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴(kuò)大，它的出現(xiàn)和發(fā)展已經(jīng)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(nèi)產(chǎn)生了石破天驚式的巨大影響力。隨后，進(jìn)一步演化之后的AlphaGo Master逐一打敗人類當(dāng)前活躍著的所有圍棋高手。

不久之前的2017年10月，DeepMind團(tuán)隊(duì)重磅發(fā)布的新版AlphaGo Zero，再次打破人類對(duì)人工智能的認(rèn)知和想象，它實(shí)現(xiàn)了AI發(fā)展中非常有意義的一步，那就是“無(wú)師自通”，它實(shí)現(xiàn)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(yàn)知識(shí)，完全靠自己通過(guò)增強(qiáng)學(xué)習(xí)（Reinforcement Learning）達(dá)到百戰(zhàn)百勝。

今天的人類不得不敬畏人工智能的成果，并對(duì)最新的成果褒貶不一，甚至分裂成針鋒相對(duì)的多個(gè)陣營(yíng)，我們有必要立足于深度學(xué)習(xí)和增強(qiáng)學(xué)習(xí)的最新進(jìn)展，來(lái)回顧、反思和展望一下人工智能的前生、今世和未來(lái)。

1 人工智能的長(zhǎng)期演進(jìn)歷史回顧

人工智能發(fā)展至今,已經(jīng)有六十余年的歷史，其發(fā)展過(guò)程可大致概括為跌宕起伏的四個(gè)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(jì)算機(jī)科學(xué)家艾倫·圖靈（Alan Turing）發(fā)表了一篇?jiǎng)潟r(shí)代的論文，預(yù)言了創(chuàng)造具有真正智能的機(jī)器的可能性。考慮到“智能”不易衡量，他提出了著名的圖靈測(cè)試，通過(guò)機(jī)器偽裝人類對(duì)話的能力來(lái)衡量機(jī)器的智能水平[1]。

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

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

1.2 人工智能第一次浪潮和寒冬

達(dá)特茅斯會(huì)議推動(dòng)了全球第一次人工智能浪潮的出現(xiàn)，從1956年到1974年,樂(lè)觀的氣氛彌漫在整個(gè)學(xué)術(shù)界和工業(yè)界，在算法方面出現(xiàn)了很多世界級(jí)的發(fā)明，其中包括增強(qiáng)學(xué)習(xí)的雛形（即貝爾曼公式）以及深度學(xué)習(xí)的雛形（感知機(jī)）[3]。這些算法的提出無(wú)疑推動(dòng)了人工智能的發(fā)展，而增強(qiáng)學(xué)習(xí)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(jìn)展外，在第一次浪潮中，科學(xué)家們1964年發(fā)明的名為STUDENT的人工智能系統(tǒng)在那時(shí)候就能實(shí)現(xiàn)應(yīng)用題的證明，更值得一提的是1966年研制的ELIZA已可以實(shí)現(xiàn)簡(jiǎn)單人機(jī)對(duì)話[5]。人們認(rèn)為，按照這樣的發(fā)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(lái)的1974年到1980年間陷入了寒冬，這是因?yàn)槿藗冎饾u發(fā)現(xiàn)邏輯證明器、感知器、增強(qiáng)學(xué)習(xí)等等只能做一些很窄的特定領(lǐng)域的簡(jiǎn)單任務(wù)，稍微超出些范圍就無(wú)法應(yīng)對(duì)。這里面存在兩方面局限：一方面，人工智能所基于的數(shù)學(xué)模型和數(shù)學(xué)手段被發(fā)現(xiàn)有一定的缺陷，例如連最簡(jiǎn)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(jì)算復(fù)雜度以指數(shù)程度增加，所以成為了不可能完成的計(jì)算任務(wù)。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(jiǎn)單規(guī)則的第一次人工智能浪潮不同，第二次人工智能開始走向?qū)I(yè)化，側(cè)重于借用領(lǐng)域?qū)＜业闹R(shí)來(lái)武裝自己。20世紀(jì) 80年代，卡耐基·梅隆大學(xué)為DEC公司制造出了專家系統(tǒng)，這個(gè)專家系統(tǒng)能夠幫助DEC公司每年節(jié)約4000萬(wàn)美元左右的費(fèi)用，特別是在決策支持方面能提供有價(jià)值的內(nèi)容。受此鼓勵(lì)，包括日本、美國(guó)在內(nèi)的很多國(guó)家都再次投入巨資開發(fā)所謂第5代計(jì)算機(jī)，亦稱為人工智能計(jì)算機(jī)[6]。

這一時(shí)期，人工智能數(shù)學(xué)模型方面有了新的突破，其中包括著名的多層神經(jīng)網(wǎng)絡(luò)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(shí)際問(wèn)題，再一次喚起了人們研究的熱情，于是，人工智能迎來(lái)了第二次熱潮。

但從80年代末到90年代初，專家系統(tǒng)所存在的應(yīng)用領(lǐng)域狹窄、知識(shí)獲取困難、維護(hù)費(fèi)用居高不下等問(wèn)題逐漸暴露出來(lái)，日本人宏偉的第五代計(jì)算機(jī)計(jì)劃也宣告失敗。AI遭遇了一系列財(cái)政問(wèn)題，進(jìn)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(jì)算機(jī)性能的高速發(fā)展、海量數(shù)據(jù)的不斷積累以及 AI研究者的不懈努力，人工智能在許多領(lǐng)域不斷取得突破性成果，掀起新一輪高潮[8]。1997年，IBM的國(guó)際象棋機(jī)器人深藍(lán)（Deep Blue）戰(zhàn)勝國(guó)際象棋世界冠軍卡斯帕羅夫，引起世界范圍內(nèi)轟動(dòng)。2006年，Geoffrey Hinton提出深度學(xué)習(xí)[9]。在接下來(lái)的若干年，借助深度學(xué)習(xí)技術(shù)，包括語(yǔ)音識(shí)別、計(jì)算機(jī)視覺等在內(nèi)的諸多領(lǐng)域都取得了突破性的進(jìn)展。2016年3月，Google的圍棋人工智能系統(tǒng)AlphaGo與圍棋世界冠軍李世石進(jìn)行人機(jī)大戰(zhàn)，并以4:1的總比分獲勝。2017年5月AlphaGo Master對(duì)陣當(dāng)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(dāng)下炙手可熱的研究領(lǐng)域。

人工智能之所以能在近年來(lái)掀起新一輪高潮，主要?dú)w功于三大驅(qū)動(dòng)要素：算法、大數(shù)據(jù)、計(jì)算力。

首先，機(jī)器學(xué)習(xí)算法一直是人工智能發(fā)展的核心推動(dòng)力。尤其是深度學(xué)習(xí)首先在語(yǔ)音識(shí)別、圖像識(shí)別領(lǐng)域取得了突破性進(jìn)展，隨后在自然語(yǔ)言理解的諸多領(lǐng)域都取得了可喜成果，直接推動(dòng)了本輪人工智能高潮。

其次，深度學(xué)習(xí)的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、參數(shù)眾多，需要大規(guī)模的數(shù)據(jù)才能訓(xùn)練生成有效的模型。得益于互聯(lián)網(wǎng)、社交媒體的發(fā)展，全世界的數(shù)據(jù)規(guī)模呈現(xiàn)爆發(fā)式增長(zhǎng)，人類進(jìn)入大數(shù)據(jù)時(shí)代。如此海量的數(shù)據(jù)，為人工智能的發(fā)展提供了源源不斷的訓(xùn)練和測(cè)試樣本。

此外，深度學(xué)習(xí)使用海量數(shù)據(jù)訓(xùn)練復(fù)雜的多層神經(jīng)網(wǎng)絡(luò)模型，需要強(qiáng)大的計(jì)算能力支撐。之前業(yè)界采用傳統(tǒng)的 CPU進(jìn)行模型訓(xùn)練，花費(fèi)的時(shí)間漫長(zhǎng)。GPU的應(yīng)用，將深度學(xué)習(xí)的效率提高了數(shù)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(xué)習(xí)。再加上分布式并行計(jì)算技術(shù)的進(jìn)步，使大量芯片可以同時(shí)用于模型訓(xùn)練。由此形成的強(qiáng)大計(jì)算能力，強(qiáng)有力地推動(dòng)著人工智能向前高速發(fā)展。

2 當(dāng)前人工智能的兩條技術(shù)路線之爭(zhēng)

人工智能雖然取得了輝煌成就，但是仍然有許多問(wèn)題值得我們?nèi)ダ潇o思考和回答。

關(guān)于人工智能，長(zhǎng)期存在兩種不同的目標(biāo)或者理念。一種被稱為“弱人工智能”，類似于“高級(jí)仿生學(xué)”，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(dòng)。另一種被稱為“強(qiáng)人工智能”，實(shí)則可謂“人造智能”，是希望研制出達(dá)到甚至超越人類智慧水平的人造物，具有心智和意識(shí)，能根據(jù)自己的意圖開展行動(dòng)。

人類與動(dòng)物之間的差別，在于人類有發(fā)現(xiàn)問(wèn)題、定義問(wèn)題、解決問(wèn)題的能力。發(fā)現(xiàn)問(wèn)題和定義問(wèn)題，稱為隱性智慧，解決問(wèn)題被稱為顯性智慧。隱性智慧，例如意識(shí)、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(shí)、實(shí)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(nèi)，在目標(biāo)的引導(dǎo)下，去解決問(wèn)題。弱人工智能本身不能發(fā)現(xiàn)問(wèn)題，也不能定義問(wèn)題，而是由人來(lái)做這兩件事，并由人教人工智能去解決問(wèn)題，人告訴人工智能問(wèn)題是什么，還要給人工智能提供必要的知識(shí)。所以人工智能沒有可能超越人類，機(jī)器沒有意識(shí)沒有靈感，沒有想象力沒有審美，缺乏這些基本的隱性知識(shí)。

AlphaGo能打敗李世石，是因?yàn)橛忻鞔_的規(guī)則，狀態(tài)也有限，但它可以利用人給他定義的規(guī)則、知識(shí)，然后利用大量的案例，和超強(qiáng)的計(jì)算能力打敗人類。凡是基于確定的算法規(guī)則的東西，擁有超級(jí)計(jì)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(guī)則掌握在人類手中的話，那人仍然處于有優(yōu)勢(shì)的一方。

強(qiáng)人工智能，便是互聯(lián)網(wǎng)上流傳甚廣、完全智能化的有自我意識(shí)的人工智能，是對(duì)腦科學(xué)、神經(jīng)科學(xué)的研究，通過(guò)對(duì)人腦的高級(jí)神經(jīng)活動(dòng)規(guī)律的研究，去分析創(chuàng)意、靈感、想象力、情感這些東西到底從何而來(lái)。物理學(xué)家霍金也發(fā)表言論稱“必須警惕人工智能”[10]。但大多數(shù)業(yè)界專家認(rèn)為，這項(xiàng)全民關(guān)注的技術(shù)目前還處于初級(jí)階段[11]，尚未形成體系化的理論科學(xué)[12]，仍有很多難以理論化解決的難題[13]，因此強(qiáng)人工智能在幾百年以內(nèi)不會(huì)發(fā)生。人工智能技術(shù)現(xiàn)在所取得的進(jìn)展和成功，是緣于“弱人工智能”而不是“強(qiáng)人工智能”的研究。強(qiáng)人工智能這一技術(shù)路線在過(guò)去幾十年里投入很大，但是突破十分有限，未來(lái)的演進(jìn)路線仍然十分漫長(zhǎng)。

3 人工智能在不同應(yīng)用領(lǐng)域表現(xiàn)出來(lái)的優(yōu)勢(shì)和短板

人工智能的應(yīng)用領(lǐng)域十分廣泛，主要有計(jì)算機(jī)視覺、自然語(yǔ)言處理和機(jī)器人科學(xué)、專家咨詢系統(tǒng)、語(yǔ)音識(shí)別和機(jī)器翻譯等等[14]。

計(jì)算機(jī)視覺從 2010年之后由于深度學(xué)習(xí)的興起及運(yùn)用，已經(jīng)取得了一系列突破，經(jīng)過(guò)大量數(shù)據(jù)訓(xùn)練之后，在辨識(shí)物體方面，一部分的機(jī)器算法甚至已經(jīng)可以超過(guò)人類的辨識(shí)度[15,16]。而在語(yǔ)音識(shí)別方面，從語(yǔ)音到文字的相互轉(zhuǎn)化也已經(jīng)在多種語(yǔ)言中得到了成功運(yùn)用。相比于計(jì)算機(jī)視覺和語(yǔ)音處理問(wèn)題，當(dāng)前的機(jī)器翻譯盡管已經(jīng)取得了很大進(jìn)展，但仍然會(huì)錯(cuò)漏許多語(yǔ)言中的細(xì)節(jié)[17]。當(dāng)前機(jī)器人科學(xué)發(fā)展迅速，不過(guò)生產(chǎn)出的只是能完成特定任務(wù)的專用工業(yè)機(jī)器人，與人工智能最終目標(biāo)——有完全智能的機(jī)器人仍有較大差距。

現(xiàn)在的人工智能盡管在各個(gè)領(lǐng)域都取得了重大成果，但對(duì)現(xiàn)在的人工智能和機(jī)器人而言，關(guān)鍵問(wèn)題是缺乏物理的常識(shí)和社會(huì)的常識(shí)[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(duì)于人類來(lái)說(shuō)極易獲得，而機(jī)器獲取起來(lái)就極為復(fù)雜，目前的計(jì)算機(jī)視覺也只能簡(jiǎn)單地分辨一些圖片，而不能真正理解圖片。而在自然語(yǔ)言處理方面，人類將一種語(yǔ)言翻譯成另一種語(yǔ)言建立在對(duì)語(yǔ)言內(nèi)容的理解上，然后用另一種語(yǔ)言去表達(dá)理解的內(nèi)容，而機(jī)器則用了截然不同的方法，大多是取決于語(yǔ)料庫(kù)的豐富程度，將語(yǔ)句分塊進(jìn)行轉(zhuǎn)換，所以經(jīng)常出現(xiàn)很低級(jí)的語(yǔ)法錯(cuò)誤。對(duì)于人類來(lái)說(shuō)，我們?cè)趶男〉酱蟮膶W(xué)習(xí)過(guò)程中學(xué)會(huì)了如何辨別這些復(fù)雜的語(yǔ)境，但計(jì)算機(jī)目前還遠(yuǎn)不能做到這一點(diǎn)。

4 人工智能的未來(lái)愿景

人工智能在專業(yè)應(yīng)用領(lǐng)域發(fā)展迅速，許多技術(shù)盡管現(xiàn)在距離實(shí)用差距很大，但在未來(lái)十到十五年極有可能實(shí)現(xiàn)。例如未來(lái)十到十五年，自動(dòng)駕駛汽車甚至無(wú)人駕駛的空中出租車都有可能實(shí)現(xiàn)[19]，業(yè)界有許多公司和機(jī)構(gòu)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(shù)盡快為人們所用[20]。

預(yù)期在未來(lái)的十到十五年，人工智能仍將會(huì)是弱人工智能，只能夠在某一專一領(lǐng)域發(fā)揮作用，還不能像人類一樣有很高的創(chuàng)造性和理解能力。要想創(chuàng)造出可以和人類進(jìn)行人機(jī)互動(dòng)的具有真正智能的AI系統(tǒng)，讓機(jī)器人具備自我學(xué)習(xí)能力，并且發(fā)展出自我意識(shí)，或許將要花上幾十年甚至數(shù)百年的時(shí)間。

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

[2] 張?bào)w德, 郭燕, 呂國(guó)娜, 劉樹俊, 楊濤. 人工智能的發(fā)展和現(xiàn)狀綜述[J]. 福建質(zhì)量管理, 2017, (4).

[3] 夏之初. 人工智能技術(shù)發(fā)展及應(yīng)用現(xiàn)狀綜述[J]. 數(shù)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(shí)與技術(shù): 學(xué)術(shù)交流, 2010,(13).

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

[7] 林堯瑞, 馬少平編著. 人工智能導(dǎo)論. 北京: 清華大學(xué)出版社, 1989. 05.

[8] 李紅霞. 人工智能的發(fā)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(chuàng)新, 2017, (20).

[11] 鐘義信. 從“機(jī)械還原方法論”到“信息生態(tài)方法論”——人工智能理論源頭創(chuàng)新的成功路[J]. 哲學(xué)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(jì)算機(jī)教育, 2012, (18).

[13] 鐘義信. 人工智能理論:從分立到統(tǒng)一的奧秘[J]. 北京郵電大學(xué)學(xué)報(bào), 2006, (3).

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

[15] 李彥冬, 基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺關(guān)鍵技術(shù)研究[D], 電子科技大學(xué), 2017.

[16] 艾瑞咨詢系列研究報(bào)告[R]. 2017 (12).

[17] 張國(guó)英, 何元嬌. 人工智能知識(shí)體系及學(xué)科綜述[J]. 計(jì)算機(jī)教育, 2010, (8).

[18] 肖斌, 薛麗敏, 李照順. 對(duì)人工智能發(fā)展新方向的思考[J].信息技術(shù), 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?？茖W(xué)技術(shù)出版社, 2017.08.

[20] 冉夢(mèng)琦. 人工智能技術(shù)發(fā)展及應(yīng)用研究綜述[J]. 青春歲月,2016, (6).