【導(dǎo)讀】人工智能的發(fā)展曾經(jīng)經(jīng)歷過幾次起起伏伏，近來在深度學(xué)習(xí)技術(shù)的推動下又迎來了一波新的前所未有的高潮。近日，IBM 官網(wǎng)發(fā)表了一篇概述文章，對人工智能技術(shù)的發(fā)展過程進行了簡單梳理，同時還圖文并茂地介紹了感知器、聚類算法、基于規(guī)則的系統(tǒng)、機器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等技術(shù)的概念和原理。

　　人類對如何創(chuàng)造智能機器的思考從來沒有中斷過。期間，人工智能的發(fā)展起起伏伏，有成功，也有失敗，以及其中暗藏的潛力。今天，有太多的新聞報道是關(guān)于機器學(xué)習(xí)算法的應(yīng)用問題，從癌癥檢查預(yù)測到圖像理解、自然語言處理，人工智能正在賦能并改變著這個世界。

　　現(xiàn)代人工智能的歷史具備成為一部偉大戲劇的所有元素。在最開始的 1950 年代，人工智能的發(fā)展緊緊圍繞著思考機器和焦點人物比如艾倫·圖靈、馮·諾伊曼，迎來了其第一次春天。經(jīng)過數(shù)十年的繁榮與衰敗，以及難以置信的高期望，人工智能及其先驅(qū)們再次攜手來到一個新境界。現(xiàn)在，人工智能正展現(xiàn)著其真正的潛力，深度學(xué)習(xí)、認知計算等新技術(shù)不斷涌現(xiàn)，且不乏應(yīng)用指向。

　　本文探討了人工智能及其子領(lǐng)域的一些重要方面。下面就先從人工智能發(fā)展的時間線開始，并逐個剖析其中的所有元素。

現(xiàn)代人工智能的時間線

　　1950 年代初期，人工智能聚焦在所謂的強人工智能，希望機器可以像人一樣完成任何智力任務(wù)。強人工智能的發(fā)展止步不前，導(dǎo)致了弱人工智能的出現(xiàn)，即把人工智能技術(shù)應(yīng)用于更窄領(lǐng)域的問題。1980 年代之前，人工智能的研究一直被這兩種范式分割著，兩營相對。但是，1980 年左右，機器學(xué)習(xí)開始成為主流，它的目的是讓計算機具備學(xué)習(xí)和構(gòu)建模型的能力，從而它們可在特定領(lǐng)域做出預(yù)測等行為。

圖 1：現(xiàn)代人工智能發(fā)展的時間線

　　在人工智能和機器學(xué)習(xí)研究的基礎(chǔ)之上，深度學(xué)習(xí)在 2000 年左右應(yīng)運而生。計算機科學(xué)家在多層神經(jīng)網(wǎng)絡(luò)之中使用了新的拓撲學(xué)和學(xué)習(xí)方法。最終，神經(jīng)網(wǎng)絡(luò)的進化成功解決了多個領(lǐng)域的棘手問題。

　　在過去的十年中，認知計算（Cognitive computing）也出現(xiàn)了，其目標是打造可以學(xué)習(xí)并與人類自然交互的系統(tǒng)。通過成功地擊敗 Jeopardy 游戲的世界級選手，IBM Watson 證明了認知計算的價值。

　　在本文中，我將逐一探索上述的所有領(lǐng)域，并對一些關(guān)鍵算法作出解釋。
基礎(chǔ)性人工智能
1950 年之前的研究提出了大腦是由電脈沖網(wǎng)絡(luò)組成的想法，正是脈沖之間的交互產(chǎn)生了人類思想與意識。艾倫·圖靈表明一切計算皆是數(shù)字，那么，打造一臺能夠模擬人腦的機器也就并非遙不可及。

上文說過，早期的研究很多是強人工智能，但是也提出了一些基本概念，被機器學(xué)習(xí)和深度學(xué)習(xí)沿用至今。

圖 2：1950 - 1980 年間人工智能方法的時間線

人工智能搜索引擎

　　人工智能中的很多問題可以通過強力搜索（brute-force search）得到解決。然而，考慮到中等問題的搜索空間，基本搜索很快就受影響。人工智能搜索的最早期例子之一是跳棋程序的開發(fā)。亞瑟·塞繆爾（Arthur Samuel）在 IBM 701 電子數(shù)據(jù)處理機器上打造了第一款跳棋程序，實現(xiàn)了對搜索樹（alpha-beta 剪枝）的優(yōu)化；這個程序也記錄并獎勵具體行動，允許應(yīng)用學(xué)習(xí)每一個玩過的游戲（這是首個自我學(xué)習(xí)的程序）。為了提升程序的學(xué)習(xí)率，塞繆爾將其編程為自我游戲，以提升其游戲和學(xué)習(xí)的能力。

　　盡管你可以成功地把搜索應(yīng)用到很多簡單問題上，但是當選擇的數(shù)量增加時，這一方法很快就會失效。以簡單的一字棋游戲為例，游戲一開始，有 9 步可能的走棋，每 1 個走棋有 8 個可能的相反走棋，依次類推。一字棋的完整走棋樹包含 362,880 個節(jié)點。如果你繼續(xù)將這一想法擴展到國際象棋或者圍棋，很快你就會發(fā)展搜索的劣勢。

感知器

　　感知器是單層神經(jīng)網(wǎng)絡(luò)的一個早期監(jiān)督學(xué)習(xí)算法。給定一個輸入特征向量，感知器可對輸入進行具體分類。通過使用訓(xùn)練集，網(wǎng)絡(luò)的權(quán)重和偏差可為線性分類而更新。感知器的首次實現(xiàn)是 IBM 704，接著在自定義硬件上用于圖像識別。

圖 3：感知器與線性分類

　　作為一個線性分類器，感知器有能力解決線性分離問題。感知器局限性的典型實例是它無法學(xué)習(xí)專屬的 OR (XOR) 函數(shù)。多層感知器解決了這一問題，并為更復(fù)雜的算法、網(wǎng)絡(luò)拓撲學(xué)、深度學(xué)習(xí)奠定了基礎(chǔ)。

聚類算法

　　使用感知器的方法是有監(jiān)督的。用戶提供數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，然后在新數(shù)據(jù)上對該網(wǎng)絡(luò)進行測試。聚類算法則是一種無監(jiān)督學(xué)習(xí)（unsupervised learning）方法。在這種模型中，算法會根據(jù)數(shù)據(jù)的一個或多個屬性將一組特征向量組織成聚類。

圖 4：在一個二維特征空間中的聚類

　　你可以使用少量代碼就能實現(xiàn)的最簡單的聚類算法是 k-均值（k-means）。其中，k 表示你為樣本分配的聚類的數(shù)量。你可以使用一個隨機特征向量來對一個聚類進行初始化，然后將其它樣本添加到其最近鄰的聚類（假定每個樣本都能表示一個特征向量，并且可以使用 Euclidean distance 來確定「距離」）。隨著你往一個聚類添加的樣本越來越多，其形心（centroid，即聚類的中心）就會重新計算。然后該算法會重新檢查一次樣本，以確保它們都在最近鄰的聚類中，最后直到?jīng)]有樣本需要改變所屬聚類。

盡管 k-均值聚類相對有效，但你必須事先確定 k 的大小。根據(jù)數(shù)據(jù)的不同，其它方法可能會更加有效，比如分層聚類（hierarchical clustering）或基于分布的聚類（distribution-based clustering）。