智能意味著“獲取和應用知識和技能的能力”。如今，機器可以做到這一點，通過機器學習和深度學習，它們甚至可以通過應用神經網絡學習，但這些并不會使它們像人類一樣，也許它們只擁有人類擁有的無數集合中的一個子集。
人工智能的起源
要找到一個起源絕非易事——歷史上的每一件事都有其誕生的原因。那么人工智能是什么時候開始的呢?是艾倫•圖靈(Alan Turing)定義現在所謂的圖靈測試時開始的嗎?早在1951年，圖靈就在一篇名為“計算機與智能”的論文中設想了三個房間。其中一個是男人，另一個是女人，第三個是法官。男人和女人被問到一系列問題，法官必須從答案中辨別出男人在哪個房間，女人在哪個房間。而這二人其中的一人被計算機取代。那么法官會得出不同的結論嗎?
也許我們可以回溯到古希臘和塔羅斯(Talos)的神話，這是一個巨大的機械人形機器人，也許是第一個配備了我們現在稱之為人工智能的機器人。
但是為了找到第一次使用這個術語的起源，我們需要將時間回溯到1956年，在新罕布什爾州的達特茅斯學院。這是由美國著名計算機和認知科學家約翰•麥卡錫組織的達特茅斯研討會的舉辦地。正是在這個長達八周的活動中，麥卡錫創造了這樣一個術語：“人工智能”。
有趣的是，麥卡錫最初并沒有在創始人的名單中，最終出現的名單是一些人工智能故事中偉大而優秀的人物：Marvin Minsky，Allen Newell和Herbert A Simon。這些人一起被稱為“人工智能的創始人”。順便說一下，以博弈論著稱的數學家、諾貝爾經濟學獎得主、影片《美麗心靈》的主角約翰•納什也出席了這次會議。
麥卡錫后來說：“我們的最終目標是讓項目像人類一樣有效地從他們的經驗中學習。”
如今，許多人認為人工智能和機器學習是可以互換的，在嚴格意義上來說這并不確切，可能更確切地說機器學習是人工智能的一個子集，例如超級智能的兄弟——“深度學習”。
機器學習和深度學習
人工智能的早期版本，例如IBM公司的深藍(Deep Blue)在一系列的比賽中擊敗了世界頂級國際象棋選手加里•卡斯帕羅夫，最終在1997年取得了決定性的勝利。深藍可以分析每一個動作和所有潛在的排列和組合。
行業媒體采訪了IBM公司的一名員工Murray Campbell，他曾經參與深藍的開發與應用工作。
他說：“1997年版的深藍可以快速搜索棋盤的落點位置，具體取決于位置的類型。在某些情況下，深藍系統可以搜索六到八對棋子移動的步驟，其中一對白子，一對黑子，最多可達20對甚至更多對。”
很多專家參與了深藍的開發計劃，例如國際象棋大師，以幫助開發該計劃。
相比之下，機器學習和深度學習的共同之處在于，他們按照自己的含義行事，也就是學習。其差異在很大程度上與人類參與的數量有關，人類程序員和設計師在定義機器學習中的參數方面發揮了更積極的作用。而通過深度學習，計算機通常從多個數據源中學習，從非常不相關的區域推斷數據。
像人類一樣學習
機器學習和傳統形式的人工智能之間的一個很好的類比可能與體育運動有關。如果你參加一項體育運動，比如網球或壁球，你的大腦就不會使用先進的數學公式計算球的運動軌跡，或應用幾何規則。大腦會了解到如果以某種方式擊球，那么它會以某種方式作出反應。如果你以稍微不同的方式回擊它，它的反應會有所不同。然后，如果你以一種介于這兩個練習之間的方式擊球，那么可以從中推斷球將如何發生近似反應。總之，我們一直在學習。如果一臺計算機將數學應用于計算球的軌跡，這取決于它被擊中的角度、擊球的速度，用來計算彈跳的表面紋理以及無數其他不同的變量，那么所需的計算能力將是巨大的。相反，如果它是從研究先前的鏡頭(并從數據構建預測模型)中學到的，那么所需的處理能力將會少得多。
棋類高手
在深藍擊敗卡斯帕羅夫多年之后，IBM Watson在美國測驗游戲Jeopardy中擊敗了世界上最好的游戲玩家，那是在2011年。令人印象深刻的是，這些參賽者所問的問題是游戲的一部分，其問題通常很模糊。這是Watson的一次著名的勝利(這是以IBM公司首席執行官Thomas Watson的名字命名)。但顯然，Watson并不理解其答案。事實上，“風格元素”是一本描述寫作指南的書，美國詩人多蘿西•帕克(Dorothy Parker)曾經推薦它。
Watson在Jeopardy游戲中的勝利令人印象深刻，但是Alpha成為一臺可以戰勝圍棋冠軍的計算機更是令人激動，這是一個2×10170次方排列的抽象棋盤游戲，其步數遠遠超出了已知宇宙中的原子數量，而Watson 贏得Jeopardy的勝利似乎更像小孩子的游戲。這就是Alpha的成就，這是由Alphabet的子公司DeepMind公司創建的計算機程序。
雖然Watson采用了機器學習，但AlphaGo應用了深度學習。 2016年3月，AlphaGo在一系列五場比賽中擊敗了曾經18次獲得世界冠軍的Lee Sedol。
在取得勝利的過程中，AlphaGo評估的棋盤位置比深藍在擊敗卡斯帕羅夫時的位置減少了大約一千倍。它通過評估游戲玩法獲得了勝利。
令人印象深刻的是，盡管如此，AlphaGo Zero在2017年也取得了令人印象深刻的成就。這一次，該計劃沒有通過評估人類競爭對手的游戲來學習游戲，而是從頭開始學習游戲，就是與自己對抗，所需要的只是規則。最初的游戲玩法是隨機選擇的，通過反復試驗和選擇最適合的游戲玩法，在三天內它可以超越AlphaGo。在21天內，它就達到了AlphaGo大師級的水平，后來的版本在線擊敗了60名圍棋專業人士和世界冠軍，并且在40天內成為了可以說是世界上最好的圍棋棋手。
神經網絡
深度學習和機器學習都適用于神經網絡。神經網絡一直都很流行。來自芝加哥大學的Warren McCullough和Walter Pitts在1944年首次提出了這個概念。它們在20世紀80年代開始流行，之后又變得過時，但現在又重新得到了人們的關注。
人工智能的復興可歸功于Alex Krizhevsky，他在2012年設計了一個人工神經網絡，作為ImageNet挑戰的一部分。
可能直到最近，計算能力還不足以使神經網絡正義化，可能是因為人們對它們如何工作還不夠了解。
與人類大腦一樣，神經網絡由數千甚至數百萬個形成節點的處理器組成，而人類大腦擁有超過1000億個節點。神經網絡中的節點傾向于以層的形式組織，使得每個節點層可以被賦予特定任務。因此，可以說神經網絡是人類大腦的不太先進的版本。
人工智能的應用
人工智能可以提供多種應用，其中包括自動駕駛汽車、語音輔助、語音識別、圖像/人臉識別、個性化健康監測、廣告，以及網上購物等。例如根據數據分析識別客戶可能感興趣的產品、進行搜索、實施金融交易，以及開展反網絡安全的戰爭。
人工智能還有以下應用程序：
•人工智能分析
•人工智能業務流程
•人工智能數據管理。
根據麥肯錫公司最近發布的一份調查報告，到2030年，人工智能有可能在全球帶來約13萬億美元的價值，或者是當今全球GDP的16%。
科幻小說能否成為現實?
科幻小說和人工智能的領域似乎在媒體的想象中得以滿足。但人們是否需要擔心科幻小說中更可怕的預測，那就是如果人工智能獲得意識那該怎么辦?就如斯蒂芬•霍金和伊隆•馬斯克所說，人工智能是對人類的威脅嗎?
大多數人工智能的專家都在嘲笑這個想法。但也許，當詢問人工智能是否有一天具有自己的意識，并且比人類更聰明時，人們可能會認為大多數人是錯誤的。而隨著技術的進步發展，在數字環境中，人工智能的能力將以數量級升級和進化。
京公網安備 11010502049343號