|
近期这两年，随着AIGC大模型的崛起，全部社会掀起了一股强劲的AI浪潮。
人们在关注AI，企业在拥抱AI，资本在追逐AI。凡是和AI相关的概念，都会吸引海量的目光。
那样，AI是怎样循序渐进步行到今天的呢？它经历了那些发展周期，又出现过那些精彩的故事？
今天这篇文案，咱们就来仔细回顾一下，人类AI的发展历程。
█ 萌芽周期
人类对人造智能体的追求和畅想，最早能够追溯到古希腊时代。
在古希腊神话中，火与工匠之神赫菲斯托斯，曾经制作了一组金制的女设备人，“有心能解意，有嘴能说话，有手能使力，精通手工制造”。
在中国的古代史籍中，亦显现过“人工智能”的影子。
《列子·汤问篇》中，偃师向周穆王进献了一个机械人，会唱歌、会跳舞，还会挑逗周穆王的嫔妃。周穆王醋意爆发，认为机械人是真人假扮，要杀掉偃师。偃师赶紧将机械人拆散，周穆公才罢休。
上面的这些文字记载，显然都不可靠。在遥远且漫长的古代，以人类当时的技术水平，肯定是造不出智能体的。能造出有些简单的机械（例如诸葛亮的木牛流马），都已然很了不起了。
人们对智能体的寄望，很多都依托于鬼神等宗教信仰——将人的灵魂附身于机械，才可够实现“人工智能”。
到了近现代，随着工业革命的爆发，人类起始逐步进入机械计算、电气计算时代。计算能力的持续增长，使得经过“算力”来驱动“智能”，作为一种可行选项。
17世纪，莱布尼茨、托马斯·霍布斯和笛卡儿等率先提出：是不是能够将人类理性的思考系统，转化为代数学或几何学体系？
莱布尼茨认为：“人类的思想，能够简化成某种运算。”
霍布斯亦提出：“推理便是计算。”
这些伟大的思想，为后来的计算机和人工智能发展指明了方向。
再后面的事情，大众都比较清楚了——
在查尔斯·巴贝奇（Charles Babbage）的分析机、赫尔曼·何乐礼（Herman Hollerith）的制表机、阿兰·图灵（Alan Turing）的图灵机，以及Z3、珍妮机、Mark I、ENIAC等一系列发明的接力推动下，人类最终进入了数字电子计算机时代，亦开启了波涛壮阔的信息技术革命。（不清楚的，看这儿：算力简史）
█ 第1次高潮周期（1950年-1973年） 图灵测试
数字电子计算机正式诞生之后，火速就有专家起始探索，是不是能够经过计算机来实现“智能”。
1950年，阿兰·图灵在《心灵（Mind）》杂志上发布了一篇非常重要的论文，名叫《计算设备与智能（Computing Machinery and Intelligence）》。
 阿兰·图灵（1912-1954）
在论文开头，他就提出了一个灵魂之问：
“I propose to consider the question, ‘Can machines think?’"
“我提议思考这般一个问题：‘设备能够思考吗？’”
图灵在论文中仔细讨论了创造“智能设备”的可能性。因为“智能”一词很难定义，他提出了著名的图灵测试（以下为大致意思）：
“一个人在不接触对方的状况下，经过一种特殊的方式和对方进行一系列的问答。倘若在相当长期内，他没法按照这些问题判断对方是人还是计算机，那样，就能够认为这个计算机是智能的。”
 图灵测试
图灵的论文，在学术界导致了广泛的反响。越来越多的学者被这个专题所吸引，参与到对“设备智能”的科研之中。其中，就包含达特茅斯学院的青年数学助教约翰·麦卡锡（J. McCarthy），以及哈佛大学的青年数学和神经学家马文·明斯基（M. L. Minsky）。 达特茅斯会议
1955年9月，约翰·麦卡锡、马文·明斯基、克劳德·香农（C. E. Shannon）、纳撒尼尔·罗切斯特（N. Rochester）四人，一起提出了一个关于设备智能的科研项目。在项目中，首次引入了“Artificial Intelligence”这个词，亦便是人工智能。
1956年6月，在刚才那4个人的召集下，在洛克菲勒基金会的帮助下，十余位来自区别行业的专家，聚集在美国新罕布什尔州汉诺威镇的达特茅斯学院，召开了一场为期将近两月的学术研讨会，专门讨论设备智能。
这次研讨会，便是著名的达特茅斯会议（Dartmouth workshop）。
 参加会议的部分大佬
达特茅斯会议并无得出什么重要的结论或宣言，然则认可了“人工智能（Artificial Intelligence）”的命名，亦大致知道了后续的科研方向。
这次会议，标志着人工智能做为一个科研行业正式诞生，亦被后人视为现代人工智能的起点。 AI三大学派
达特茅斯会议之后，人工智能进入了一个快速发展周期。参与科研的人变得更加多了，况且，亦逐步形成为了几大学术派系。
在这儿，咱们要说到人工智能最著名的三大学派——符号主义、联结主义（亦叫联接主义、连结主义）、行径主义。
符号主义是当时最主流的一个学派。
她们认为，世界中的实体、概念以及它们之间的关系，都能够用符号来暗示。人类思维的基本单元，亦是符号。倘若计算机能像人脑同样，接收符号输入，对符号进行操作处理，而后产生符号输出，就能够表现出智能。
这个思路，关键在于把知识进行编码，形成一个知识库，而后经过推理引擎和规则系统，进行推断，以此处理繁杂的问题。
符号主义初期的表率性成果，是1955年赫伯特·西蒙（Herbert A. Simon，亦译为司马贺）和艾伦·纽维尔（Allen Newell）研发的一个名为“规律理论家（Logic Theorist）”的程序。
“规律理论家”被认为是人类历史上第1个人工智能程序，并且在达特茅斯会议上进行了演示。它将每一个问题都暗示成一个树形模型，而后选取最可能得到正确结论的那条线，来求解问题。
1957年，赫伯特·西蒙等人在“规律理论家”的基本上，又推出了通用问题处理器（General Problem Solver，GPS），亦是符号主义的初期表率。
进入1960年代，符号主义亦进入了一个鼎盛时期。在自然语言理解、微世界推理、专家系统（重视这个词，后面会再次说到它）等行业，人工智能取得了突破性的发展，亦逐步作为公众关注的对象。
1958年，约翰·麦卡锡正式发布了自己研发的人工智能编程语言——LISP（LIST PROCESSING，意思是"表处理"）。后来的非常多知名AI程序，都是基于LISP研发的。
 约翰·麦卡锡（1927-2011）
1966年，美国麻省理工学院的魏泽鲍姆（Joseph Weizenbaum），发布了世界上第1个聊天设备人——ELIZA。
ELIZA的名字源于萧伯纳戏剧作品《卖花女》中的主角名。它仅有200行程序代码和一个有限的对话库，能够针对提问中的关键词，进行答复。
ELIZA其实无任何智能性可言。它基于规则运作，既不睬解对方的内容，亦不晓得自己在说什么。但即便如此，它还是在当时导致了轰动。ELIZA能够说是此刻Siri、小爱朋友等问答交互工具的鼻祖。
 魏泽鲍姆（坐者）正在与ELIZA对话
再来瞧瞧联结主义。
联结主义，强调模仿人脑的工作原理，创立神经元之间的联结模型，以此实现人工神经运算。
大众可能会有点激动。没错，这便是此刻非常热门的神经网络模型。
神经网络的概念其实诞生得很早。1943年，美国神经生理学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts），基于人类大脑的神经网络，创建了一个形式神经元的计算机模型，并将其取名为MCP（McCulloch& itts）模型。
 沃尔特·皮茨（左）和沃伦·麦卡洛克（右）
 MCP模型
1951年，马文·明斯基（便是前面说到的那个）和他的朋友邓恩·埃德蒙（Dunn Edmund），建造了第1台神经网络机SNARC。
1957年，美国康奈尔大学的心理学家和计算机专家弗兰克·罗森布拉特（Frank Rosenblatt），在一台IBM-704计算机上，模拟实现了一种他发明的叫“感知机 (Perceptron) ”的神经网络模型。
 弗兰克·罗森布拉特和他的感知机
这个“感知器”包含三层结构，一端是400个光探测器，模拟视网膜。光探测器多次连接一组512个电子触发器。当它经过一个特定的可调节的兴奋阀值时，就会像神经元同样激发。这些触发器连接到最后一层，当一个物体与感知器受训见过的对象相互匹配时，它就会发出信号。
 感知机的工作原理
“感知机”是联结主义的一项重要成果，在人工智能发展史上拥有里程碑式的道理。然则，后来的一盆冰水，彻底浇灭了联结主义的热情。
1969年，马文·明斯基和西蒙·派珀特（Seymour Papert）写了一本书《感知机: 计算几何学导论》的书，对罗森布莱特的感知器提出了质疑。马文·明斯基认为：
“神经网络拥有很大的局限性（单层感知机没法处理线性不可分问题），无实质科研价值。”
 马文·明斯基（1927-2016）
来自大神的否定，等于直接宣判了神经网络（联结主义）路线的死刑。于是，这个非常有价值的科研方向，被中止了。
罗森布莱特后来亡于意外（亦有人说是自s），马文·明斯基亦由于这个错误的判断，被有些学者打击。（需要重视，马文·明斯基虽然有误判，但他对人工智能事业的功远大于过，乃至亦被誉为“人工智能之父”。）
等到神经网络（联结主义）重新崛起，已然是十数年后的事情了。咱们待会再仔细说。
最后，说说行径主义。
行径主义，亦叫作为进化主义或掌控论学派。她们认为，经过与环境的互动来学习和适应，从而改进自己行径，便是行径主义认为的智能。智能取决于感知和行动，不需要知识、暗示和推理，只需要将智能行径表现出来就好。
简单来讲，行径主义AI系统基于“感知-动作”的闭环掌控，强调即时反馈和适应性学习。智能体经过感知环境信息，基于这些信息执行动作，并按照动作结果调节后续行径。
行径主义在后来的设备人学、自动化掌控、游戏AI、自动驾驶汽车等行业有着重要应用。
好了，以上是AI三大重要学派的介绍，做为学习AI的知识铺垫，亦有助于阅读后面的文案。
请大众重视，AI的学派和思想路线并不止这三个，还有有些小学派，例如进化计算、模糊逻辑、贝叶斯网络等。它们虽不形成独立的大学派，但在AI的某些子行业内有着重要的应用和影响。况且，AI学派之间，边界亦比较模糊，有时候会互相融合。 其它重要成果
再简单介绍一下当时另一几项重要的科研成果。
首要必须是亚瑟·塞缪尔（Arthur Samuel）的跳棋程序。
1959年，IBM专家亚瑟·塞缪尔在自家首台商用计算机IBM701上，成功编写了一套西洋跳棋程序。这个程序拥有“学习能力”，能够经过对海量棋局的分析，逐步辨识出“好棋”和“坏棋”，从而加强自己的下棋水平。
这个程序火速就下赢了萨缪尔自己，后来，它还战胜了当时的西洋跳棋大师罗伯特尼赖。
由于首次提出了“设备学习（Machine Learning）”的概念，亚瑟·塞缪尔被后人誉为“设备学习之父”。
亚瑟·塞缪尔（1901-1990）
1959年，美国发明家乔治·德沃尔（George Devol）与约瑟夫·英格伯格（Joseph Engelberger）发明了人类首台工业设备人——Unimate。
Unimate重达两吨，安装运行于通用汽车生产线。它能够掌控一台多自由度的机械臂，搬运和堆叠热压铸金属件。
左图为Unimate 右图是约瑟夫·英格伯格（左）、乔治·德沃尔（右）
1966年，查理·罗森（Charlie Rosen）领导的美国斯坦福科研所（SRI），开发成功了首台人工智能设备人——Shakey。
Shakey全面应用了人工智能技术，装备了电子摄像机、三角测距仪、碰撞传感器以及驱动电机，能简单处理感知、运动规划和掌控问题。它是第1个通用移动设备人，亦被叫作为“第1个电子人”。
科研人员正在调测Shakey
█ 第1次低谷周期（1974年-1979年）
刚才说了，1960年代是符号主义的鼎盛时期。其实，在符号主义的带动下，当时全部人工智能科研都进入了一个高速发展的周期，亦被叫作为AI的黄金时代（Golden Time，1960-1973年）。
那时，除了定理证明、人机互动、游戏博弈和设备人之外，人工智能非常多行业都产出了不错的成果。加上暗斗时期，美国政府愿意掏钱帮助，使得AI科研变得反常火热。
在这一背景下，学术界对AI的预期，起始变得茫然阳光。有些科研者认为：
“二十年内，设备将能完成人能做到的一切工作。”
1970年，马文·明斯基乃至放言：
“在将来3-8年内，会诞生和人类智慧相当的设备人，可能咱们人类会作为AI的宠物。”
茫然的阳光，肯定不会有什么好结果。
随着时间的推移，学者们逐步发掘，基于推理规则的“智能”，实质上能力非常有限。加上当时计算机的算力和存力尚处在初期周期，系统基本达不到预期的效果。
之前介绍的哪些AI程序和工具，持续起始显现瓶颈，乃至闹出笑话。
以设备翻译为例。当时美国政府投入了2000多万美元做为设备翻译的经费，结果关联团队开发数年，发掘完全低估了这个项目的难度。
翻译工具经常显现有些低级错误。例如，将“Out of sight，out of mind（眼不见，心不烦）”翻译成“又瞎又疯”，把“The spirit is willing but the flesh is weak（心有余而力不足）”翻译成“酒是好的，但肉变质了”，把“Time flies like an arrow（光阴似箭）”翻译成“苍蝇爱好箭”。
接二连三的失败，慢慢耗尽了政府金主的耐心。加上不久后美国经济显现了有些问题（1974-1975年显现历史上罕见的连续两年GDP负增长），政府起始决定“断粮”。
1973年，数学家莱特希尔（Lighthill）向英国政府提交了一份关于人工智能的科研报告（著名的《莱特希尔报告》）。报告对当时的设备人技术、语言处理技术和图像识别技术进行了严厉且猛烈的批评，指出人工智能哪些看上去宏伟的目的基本没法实现，科研已然彻底失败。
火速，英国政府、美国国防部高级科研计划局（DARPA）和美国国家科学委员会等，起始大幅削减乃至终止了对人工智能的投资。
人工智能进入了第1个发展低谷，亦被叫作为“AI Winter（AI之冬）”。
█ 第二次高潮周期（1980年-1987年）
AI之冬的连续时间其实并不是很久。六年后，1980年，第二次AI发展高潮起始了。
第二次浪潮，其实还是符号主义掀起的。这次的主角，是符号主义的一个新周期——专家系统（Expert System）。 专家系统
专家系统，便是一个面向专业行业的超级“知识库+推理库”。
它找来非常多人，对海量的专家知识和经验进行整理，分析并编写出海量的规则，导入系统。而后，系统按照这些基于知识整理出来的规则，进行规律推理，来模拟和延伸人类专家的决策能力，处理繁杂的问题。
大众能看出来，专家系统走的仍然是符号主义的“规则”路线。因此，专家系统，亦叫做规则基本系统。
1968年，美国专家爱德华·费根鲍姆（Edward Feigenbaum）提出了第1个专家系统——DENDRAL，并对知识库给出了初步的定义。这标志着专家系统的诞生。
爱德华·费根鲍姆（坐着的那位）
DENDRAL面向的是化学行业。它能够帮忙化学家判断物质的分子结构。系统推出之后，由于能够减少人力成本并且提高工作效率，受到了化学行业的欢迎和认可。
和DENDRAL差不多时间显现的专家系统，还有威廉·马丁（William A. Martin）研发的Macsyma，以及安东尼·赫恩（Anthony C. Hearn）研发的“Reduce”。
这两套都是数学行业的专家系统（用于求解数学问题），都采用了约翰·麦卡锡的LISP语言进行研发。
1972年，美国大夫兼专家爱德华·H·肖特利夫（Edward H. Shortliffe）创建了能够帮忙进行医学诊断的专家系统——MYCIN。
爱德华·H·肖特利夫
MYCIN亦是基于LISP语言编写，持有500多条规则，能够识别51种病菌，正确地处理23种抗菌素。
它能够帮助大夫诊断、治疗细菌感染性血液病，为病人供给最佳处方。当时，它成功地处理了数百个病例，并经过了严格的测试，表示出了较高的医疗水平。
1977年，爱德华·费根鲍姆在第五届国际人工智能联合会议上，提出了“知识工程（Knowledge Engineering）”的概念，进一步推动了专家系统的普及。
进入1980年代，随着技术的演进，计算机的计算和存储能力增多，专家系统起始在各个行业爆发。
1980年，卡耐基梅隆大学开发的专家系统XCON（eXpertCONfigurer）正式商用，为当时的计算机巨头机构DEC每年省下数千万美金。
1983年，通用电气机构搞出了柴油电力机车维修专家系统（DELTA）。这个系统封装了众多GE资深现场服务工程师的知识和经验，能够指点员工进行故障检修和守护。
当时，美国运通机构亦搞了一个信用卡认证辅助决策专家系统，据述每年可节省2700万美金。
总而言之，那时候的专家系统，是大机构趋之若鹜的神器。它能够带来实实在在的经济效益，因此，行业用户愿意为之投资。这是第二次AI浪潮的基本原由。
咱们亦可以这么说，第1次AI浪潮，是政府投资带动的。第二次AI浪潮，是企业投资带动。AI，起始进入产业化的周期。
企业投资的成效，反过来又让各国政府对AI恢复了有些自信心。
1981年，经济高速增长的日本，率先起始对AI进行投入。
那一年，日本经济产业省拨款8.5亿美元，支持第五代计算机项目。这个项目的最后目的，是造出一台人工智能计算机，能够与人对话、翻译语言、解释图像、完成推理。
美国和英国政府，亦火速采取了行动。
1983年，美国国防部高级科研计划局（DARPA）经过“战略计算促进会（Strategic Computing Initiative）”，重启对人工智能科研的帮助。
同年，英国投资3.5亿英镑，起步了Alvey（阿尔维）计划，全面推进软件工程、人机接口、智能系统和超大规模集成电路等行业的开发。
关于专家系统，还有一个雄心勃勃的项目值得一提。那便是1984年起步的Cyc项目。
Cyc项目由美国微电子与计算机技术机构发起，是一个“超级百科全书”项目。它试图将人类持有的所有通常性知识都输入计算机，创立一个巨型数据库。
这个项目，据述到此刻还在进行之中。
█ 第二次低谷周期（1987年-1993年）
好景不长，到了1980年代的后半段，人工智能又起始走下坡路了。
原由是多方面的。
首要，专家系统（符号主义）基于规则和已有知识的“检索+推理”，面对繁杂的现实世界，显然还是有能力瓶颈。
它的应用行业狭窄、缺乏常识性知识、知识获取困难、推理办法单1、缺乏分布式功能、难以与现有数据库兼容等……所有这些问题，都给它的进一步发展造成为了困惑。
其次，80年代PC（个人电脑）技术革命的爆发，亦给专家系统造成为了冲击。
当时专家系统基本上都是用LISP语言编写的。系统采用的硬件，是Symbolics等厂商生产的人工智能专用计算机（亦叫LISP机）。
LISP系列主机
1987年，苹果和IBM机构生产的台式机，在性能上已然超过了Symbolics的AI计算机，引起AI硬件市场需要土崩瓦解。
专家系统的守护和更新亦存在非常多问题。不仅操作繁杂，价格亦非常昂贵。
结合以上种种原由，市场和用户逐步对专家系统失去了兴趣。
到了80年代晚期，战略计算促进会大幅削减对AI的帮助。DARPA的新任领导亦认为AI并非“下一个浪潮”，削减了对其的投资。
AI，进入了第二次低谷周期。
█ 第三次高潮周期（1994年-此刻）
在进入1990年代之前，小枣君还是要再讲讲1980年代。
1980年代，专家系统掀起了第二次AI浪潮，亦推动了AI技术的发展。但从上帝视角来看，真正对后来的AI发展产生深远影响的，并不是专家系统，而是另一一个被遗忘了二十数年的赛道。
没错，这个赛道，便是当年被马文·明斯基一句话给干废的“神经网络”赛道。 设备学习和神经网络
前文咱们说到，神经网络是联结主义的一个表率性科研方向。然则，由于马文·明斯基的否定，这个方向在1969年被打入冷宫。
1980年，越来越多的专家认识到专家系统存在不足。符号主义这条路，很可能走不通。人们认为，人工智能想要实现真正的智能，就必须持有自己的感知系统，能够自主学习。
于是，倡导让设备“自动地从数据中学习，并经过训练得到更加精细的预测和决策能力”的科研思想，起始逐步活跃起来。这便是前面说到过的设备学习。
设备学习包括多种办法和理论学派。源于联结主义学派的神经网络，就在这一时期起始“复活”。
1982年，约翰·霍普菲尔德（John Hopfield）在自己的论文中重点介绍了Hopfield网络模型（模型原型初期由其他专家提出）。这是一种拥有记忆和优化功能的循环（递归）神经网络。
1986年，戴维·鲁梅尔哈特（David Rumelhart）、杰弗里·辛顿（Geoffrey Hinton，记住这个名字！）和罗纳德·威廉姆斯（Ronald Williams）等人一起发布了一篇名为《Learning representations by back-propagation errors（经过反向传播算法的学习表征）》的论文。
在论文中，她们提出了一种适用于多层感知器（MLP）的算法，叫做反向传播算法（Backpropagation，简叫作BP算法）。
该算法经过在输入层和输出层之间设定一个中间层（隐匿层），以反向传播的方式实现设备的自我学习。
算法咱们以后再科研。大众只需要记住，BP算法不仅为多层神经网络的发展奠定了基本，亦打破了马文·明斯基当年提出的“神经网络拥有局限性”魔咒，道理非常重大。
1980年代是人工智能科研方向出现重大转折的时期。设备学习和神经网络（联结主义）加速崛起，逐步取代专家系统（符号主义），作为人工智能的重点科研方向。
咱们亦能够理解为，人工智能本来由知识驱动的方式，逐步变成为了由数据驱动。
这张图，先剧透一下
设备学习的表率性算法包含决策树、支持向量机、随机森林等。
1995年，克里娜·柯尔特斯（Corinna Cortes）和弗拉基米尔·万普尼克（Vladimir Vapnik）研发了支持向量机（Support Vector Machine，SVM）。支持向量机是一种映射和识别类似数据的系统，能够视为在感知机基本上的改进。
神经网络方面，非常重要的CNN（Convolutional Neural Network，卷积神经网络）和RNN（Recursive Neural Networks，递归神经网络），亦在那一时期崛起了。
1988年，贝尔实验室的Yann LeCun（他是法国人，网上翻译的中文名有非常多：杨立昆、杨乐春、燕乐存、扬·勒丘恩）等人，提出了卷积神经网络。大众应该比较熟练，这是一种专门用于处理图像数据的神经网络模型。
Yann LeCun
1990年，美国认知专家、心理语言学家杰弗里·艾尔曼（Jeffrey Elman）提出了首个递归神经网络——艾尔曼网络模型。递归神经网络能够在训练时维持数据本身的先后次序性质，非常适合于自然语言处理行业的应用。
1997年，德国计算机专家瑟普·霍克赖特（Sepp Hochreiter）及其导师于尔根·施密德胡伯（Jürgen Schmidhuber）研发了用于递归神经网络的LSTM（长短期记忆网络）。
1998年，Yann LeCun等人提出了LeNet，一个用于手写数字识别的卷积神经网络，初步展示了神经网络在图像识别行业的潜能。
总而言之，20世纪90年代，神经网络在起始商用于文字图像识别、语音识别、数据挖掘以及金融预测。在模式识别、信号处理、掌控工程等行业，亦有尝试应用，尽管当时受到计算资源限制，应用范围和规模有限。
想要推动人工智能技术的进一步爆发，既需要算法模型的连续演进，亦需要算力的深入加强。另外，还有一个短板，亦需要弥补，那便是数据。
大众应该看出来了，AI的三要素，便是算法、算力和数据。 深蓝
1990年代最重要的AI事件，当然是1997年IBM超级电脑“深蓝（DEEP BLUE）”与国际象棋大师卡斯帕洛夫（KASPAROV）的世纪之战。
此前的1996年2月，深蓝已然向卡斯帕洛夫发起过一次挑战，结果以2-4败北。
1997年5月3日至11日，“深蓝”再次挑战卡斯帕罗夫。在经过六盘大战后，最后“深蓝”以2胜1负3平的成绩，险胜卡斯帕罗夫，震惊了世界。
这是AI发展史上，人工智能首次战胜人类。
做为80后的小枣君，对这件事情亦印象深刻。当时“深蓝”所导致的热潮，丝毫不亚于后来的ChatGPT。几乎所有的人都在想——人工智能时代是不是真的到来了？人工智能，到底会不会取代人类？ 深度学习
进入21世纪，得益于计算机算力的进一步飞跃，以及云计算、大数据的爆发，人工智能起始进入一个更加波涛壮阔的发展周期。
2006年，多伦多大学的杰弗里·辛顿（便是1986年发布论文的那个大神）在science期刊上，发布了重要的论文《Reducing the dimensionality of data with neural networks（用神经网络降低数据维数）》，提出深度信念网络（Deep Belief Networks，DBNs）。
杰弗里·辛顿
深度学习（Deeping Learning），正式诞生了。
2006年被后人叫作为深度学习元年，杰弗里·辛顿亦因此呢被叫作为“深度学习之父”。
深度学习是设备学习的一个重要分支。更准确来讲，设备学习底下有一条“神经网络”路线，而深度学习，是加强版的“神经网络”学习。
经典设备学习算法运用的神经网络，拥有输入层、一个或两个“隐匿”层和一个输出层。数据需要由人类专家进行结构化或标记（监督学习），以便算法能够从数据中提取特征。
深度学习算法运用“隐匿”层更加多（数百个）的深度神经网络。它的能力更强，能够自动从海量的数据集中提取特征，不需要人工干涉（无监督学习）。
2006年，在斯坦福任教的华裔专家李飞飞，认识到了业界在科研AI算法的过程中，无一个强大的照片数据样本库供给支撑。于是，2007年，她发起创建了ImageNet项目，号召民众上传图像并标注图像内容。
2009年，大型图像数据集——ImageNet，正式发布。这个数据库包含了1400万张照片数据，超过2万个类别，为全世界AI科研（神经网络训练）供给了强大支持。
李飞飞和ImageNet
从2010年起始，ImageNet每年举行大规模视觉识别挑战赛，邀请全世界研发者和科研公司参加，进行人工智能图像识别算法评比。
2012年，杰弗里·辛顿和他的学生伊利亚·苏茨克沃（Ilya Sutskever）和亚历克斯·克里切夫斯基（Alex Krizhevsky）参加了这个比赛。
师徒三人
她们设计的深度神经网络模型AlexNet在这次竞赛中大获全胜，以压倒性优良得到第1名（将Top-5错误率降到了15.3%，比第二名低10.8%），导致了业界轰动，乃至一度被可疑是作坏处。
值得一提的是，她们三人用于训练模型的，只是2张英伟达GTX 580显卡。GPU在深度神经网络训练上表现出的惊人能力，不仅让她们自己吓了一跳，亦让黄仁勋和英伟达机构吓了一跳。
做为对比，2012年的早些时候，谷歌“Google Brain”项目的科研人员吴恩达（华裔美国人，1976年生于伦敦）、杰夫·迪恩（Jeff Dean）等人，亦捣鼓了一个神经网络（10亿参数），用来训练对猫的识别。
她们的训练数据是来自youtube的1000万个猫脸照片，用了1.6万个CPU，整整训练了3天。
吴恩达
“深度神经网络+GPU”的优良，显露无疑。非常多人和非常多机构的命运，从此改变了。
2013年，辛顿师徒三人一起成立了一家名为DNNresearch的机构。后来，这个仅有三个人且无任何制品和计划的机构，被谷歌以几千万美元的价格竞购（百度亦跑去买，和谷歌争到最后，没成功）。 AlphaGo
2013年-2018年，谷歌是人工智能行业最活跃的机构。
2014年，谷歌机构收购了专注于深度学习和强化学习技术的人工智能机构——DeepMind机构。
2016年3月，DeepMind研发的人工智能围棋程序AlphaGo（阿尔法狗），对战世界围棋冠军、职业九段选手李世石，并以4:1的总比分获胜，震惊了全世界。
AlphaGo拥有很强的自我学习能力，能够搜集海量围棋对弈数据和名人棋谱，学习并模仿人类下棋。
一年后，AlphaGo的第四代版本AlphaGoZero面世。在无任何数据输入的状况下，仅用了3天时间自学围棋，就以100:0的巨大优良，横扫了第二代版本AlphaGo。学习40天后，AlphaGoZero又战胜了第三代版本AlphaGo。
当时，全世界都在热榜AlphaGoZero的强悍自学能力，乃至一度导致了人类的恐慌心情。
谷歌在AI圈出尽风头，但她们估计亦无想到，一家在2015年悄然成立的机构（确切说，当时是非营利性组织），会火速取代她们的主角地位。这家机构（组织），便是如今大红大紫的OpenAI。
OpenAI的创始人，除了埃隆·马斯克（Elon Musk）之外，还有萨姆·奥尔特曼（Sam Altman）、彼得·泰尔（Peter Thiel）、里德·霍夫曼（Reid Hoffman）。辛顿的那个徒弟，伊利亚·苏茨克沃，亦跑去当了开发主管。 AIGC
深度学习崛起之后，大众应该重视到，都是用于有些判别类的场景，判断猫、狗之类的。那样，深度学习，是不是能够创造（生成）有些什么呢？
2014 年，蒙特利尔大学博士生伊恩· 古德费洛（Ian Goodfellow），从博弈论中的“二人零和博弈”得到启发，提出了生成对抗网络（GANs，Generative Adversarial Networks）。
生成对抗网络用两个神经网络即生成器（Generator）和判别器（Discriminator）进行对抗。在两个神经网络的对抗和自我迭代中，GAN会逐步演化出强大的能力。
生成对抗网络的显现，对无监督学习、图片生成等行业的科研，起到极重的促进功效，后来亦拓展到计算机视觉的各个行业。
2017年12月，Google设备翻译团队在行业顶级会议NIPS上，丢下了一颗重磅炸弹。她们发布了一篇里程碑式的论文，名字叫做《Attention is all you need（你所需要的，便是重视力）》。
论文提出只运用“自我重视力（Self Attention）”机制来训练自然语言模型，并给这种架构起了个霸气的名字——Transformer（转换器、变压器，和“变形金刚”是一个词）。
所说"自我重视力"机制，便是只关心输入信息之间的关系，而再也不关注输入和对应输出的关系，无需再进行昂贵的人工标注。这是一个革命性的变化。
Transformer的显现，彻底改变了深度学习的发展方向。它不仅对序列到序列任务、设备翻译和其它自然语言处理任务产生了深远的影响，亦为后来AIGC的崛起打下了坚实的基本。
最终，AIGC的时代，要到来了。
2018年6月，青年的OpenAI，发布了第1版的GPT系列模型——GPT-1。同期，她们还发布了论文《Improving Language Understanding by Generative Pre-training（经过生成式预训练改进语言理解）》。
GPT，便是Generative Pre.trained Transfommer的缩写，生成式预训练变换器。
Generative（生成式），暗示该模型能够生成连续的、有规律的文本内容，例如完成对话、创作故事、编写代码或写诗写歌等。
Pre.trained（预训练），暗示该模型会先在一个大规模未标注文本语料库上进行训练，学习语言的统计规律和潜在结构。
Transfommer，刚才说过了，便是那个很厉害的转换器模型。
谷歌紧随其后。2018年10月，她们发布了有3亿参数的BERT（Bidirectional Encoder Representation from Transformers）模型，意思是“来自Transformers的双向编码暗示”模型。
GPT-1和BERT都运用了深度学习和重视力机制，具备较强的自然语言理解能力。两者的区别是，BERT运用文本的上下文来训练模型。而专注于“文本生成”的GPT-1，运用的是上文。基于“双向编码”的能力，BERT的性能在当时显著优异于GPT-1。
谷歌的领先是暂时的。2019年和2020年，OpenAI接连发布了GPT-2和GPT-3。2022年11月，OpenAI发布了基于GPT模型的人工智能对话应用服务——ChatGPT（亦能够理解为GPT-3.5），彻底引爆了全世界。
ChatGPT结合了人类生成的对话数据进行训练，展现出丰富的世界知识、繁杂问题求解能力、多轮对话上下文跟踪与建模能力，以及与人类价值观对齐的能力。
它在人机对话方面的出色表现，诱发了社会的高度关注，在全世界范围内掀起了一股AI巨浪。
后面的事情，大众都比较清楚了。
继ChatGPT后，OpenAI又发布了GPT-4、GPT-4V、GPT-4 Turbo、GPT-4o，形成为了如今难以撼动的领导者地位。谷歌虽然亦发布号叫作最强AI大模型的Gemini，但仍然难以在风头上盖过OpenAI。
除了文本生成，生成式AI亦积极向多模态发展，能够处理图像、音频、视频等多种媒介形式。
例如DALL-E、Stable Diffusion、Midjourney等图像生成模型，Suno、Jukebox音乐生成模型，以及SoRa视频生成模型。
全世界面向各个垂直行业的“大模型之战”，仍在硝烟弥漫地进行之中。。。
█ 结语
写到这儿，这篇洋洋洒洒一万多字的文案，最终要结束了。
我总结一下：
人工智能起步于1950年代，初期重点是符号主义占主流，并诱发了第1次（政府投资）和第二次AI浪潮（企业投资）。
到1980年代，符号主义逐步走弱，设备学习和神经网络起始崛起，作为主流。
1994-此刻，虽然叫做第三次AI浪潮，但亦分两个周期。1994-2006（其实是1980-2006），是设备学习、神经网络的初期累积周期，打基本。
2006年，神经网络进入深度学习周期，就彻底起始了AI的爆发。
从2018年起始，人工智能逐步进入了Transformer和大模型时代，能力有了巨大的提高，亦掀起了AI巨浪。
如今的人工智能，已然是全世界关注的焦点，亦处在一个前所未有的白金发展周期。
随着深度学习、神经网络、生成式AI等技术的持续突破，人工智能已然在工业、教育、医疗、金融、交通、娱乐等几乎所有行业实现了落地。人工智能在计算机视觉、自然语言处理、设备人等方面所具备的能力，已然被应用到海量的垂直场景，并产生了可观的经济效益。
在人工智能热潮的带动下，软件、半导体、通信等ICT产业，都得到了不错的商场机会。围绕人工智能的几家大机构，包含英伟达、微软、苹果、Alphabet（谷歌母机构）、亚马逊、Meta、特斯拉，日前在股票市场被誉为“七巨头”，市值屡破纪录。
当然了，这股热潮到底会走向何方，咱们还不得而知。亦许，它会继续增长一段时间，乃至长时间连续下去，将人类彻底带入智能时代。亦许，咱们会进入第三次AI低谷，泡泡破碎，一地鸡毛，又进入一个新的周期。
将来怎样，就让时间来告诉咱们答案吧。
参考文献：
1、《人工智能简史》，尼克；
2、《人工智能发展简史》孙凌云、孟辰烨、李泽健；
3、《人工智能 60 年技术简史》，李理；
4、《深度学习简史》，Keith D. Foote；
5、《AI是什么 将带咱们去哪里？》，李开复；
6、《人工智能的五个定义：哪个最不可取？》，李开复；
7、《一文读懂人工智能发展史：从诞生，到实现产业化》，李弯弯；
8、《你必定爱读的人工智能简史》，山本一成；
9、《AlphaGo背面：深度学习的胜利》，曹玲；
十、《三张图讲述一部AI进化史》，制品二姐（知乎）；
11、《GPT的背面，从命运多舛到颠覆世界，人工神经网络的跌宕80年》，孙睿晨；
12、百度百科、维基百科等。返回外链论坛： http://www.fok120.com，查看更加多
责任编辑：网友投稿
| 
发表于 2024-9-28 12:27:48
