AI领域的10大里程碑.doc

《AI领域的10大里程碑.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、AI领域的10大里程碑　　AI领域的10大里程碑　　　　业界媒体TechRadar发表文章，称人工智能（AI）是目前科技界最热门的流行语，经过几十年的研究和发展之后，科幻小说中的许多技术已经在这几年慢慢转化为科学现实。这篇文章总结了AI领域的10大里程碑。以下为原文内容：　　AI技术已经成为我们生活中非常重要的一部分：AI决定了我们的搜索结果，将我们的声音转化为计算机指令，甚至可以帮助我们对黄瓜进行分类（这件事后文中会提到）。在接下来的几年里，我们将用AI驾驶汽车，回应顾客的询问，以及处理其他无数事情。　　但是我们怎么走到这个阶段的？这种强大的新技术是怎么来的？下面就来看看AI技术发

2、展的十大里程碑。　　笛卡尔的理念　　人工智能的概念并不是突然出现的——直到今天，人工智能仍然是哲学辩论的一个主题：机器真的能像人类一样思考吗？机器能成为人类吗？最早想到这个问题的人之一是1637年的笛卡儿。在一本名为《方法论》（DiscourseontheMethod）的书中，笛卡儿竟然总结出了如今的科技人员必须克服的关键问题和挑战：　　“如果为了各种实用性的目的，机器在外形上向人类靠拢，并模仿人类的行为，那么我们仍然应该有两种非常确定的方法来辨识出它们不是真人。”　　笛卡尔表示，在他看来，机器永远无法使用言语，或者“把标识放在一起”来“向别人表达想法”，即使我们能够设想出这样的机器

3、，但是“让一台机器对文字进行组合，对别人的话做出有意义的，即便水平和最愚笨的人差不多的回答，那也是不可想象的。”　　他还提到了我们现在面临的一个挑战：创建一个广义的AI，而不是狭义的AI——以及当前AI的局限性会如何暴露它并非人类：　　“即使有些机器可以在有些事情上可以做得和我们一样好，或者甚至更好，但是其他机器也不可避免地会失败，这就表明它们的行为并非来自于对事物理解，只是一种简单的回应。”　　模仿游戏　　AI的第二个主要的哲学基准来自计算机科学先驱图灵（AlanTuring）。在1950年时，他提出了“图灵测试”，他称之为“模仿游戏”。这个测试衡量的是，我们什么时候可以宣布智能机

4、器出现了。　　这个测试很简单：如果评判者不知道哪一方是人类，哪一方是机器（比如阅读两者之间的文本对话时），那么机器能否骗过评判者，让他以为自己是人类？　　有趣的是，图灵对未来的计算做出了一个大胆的预测——他估计到20世纪末，机器就可以通过图灵测试。他说：　　“我相信，在大约50年的时间内，人们就有可能用上1GB的存储容量的计算机，通过编程让它们玩模仿游戏，玩得足够逼真，以至于一般的评判者在经过5分钟的对话之后，做出正确的判定的可能性低于70％……我相信，到本世纪末，文字的使用和通识教育理念将会发生很大的变化，那时你谈论机器思维，通常不会引发抵触情绪。”　　可惜的是，他的预测不太准确。

5、我们现在确实开始看到一些真正让人眼前一亮的AI系统出现，但是在2000年代，AI技术还处在比较原始的阶段。不过硬盘容量在世纪之交时平均为10GB左右，这倒是远远超过了图灵的预测。　　第一个神经网络的出现　　神经网络其实是一种试错法，它是现代AI的关键概念。从本质上讲，当你训练一个AI系统时，最好的办法就是让系统猜测，接收反馈，然后在继续猜测——不断调整概率，以便让AI系统得出正确答案。　　令人惊奇的是，第一个神经网络实际上是在1951年由马尔文·明斯基（MarvinMinsky）和迪恩·艾德蒙兹（DeanEdmonds）创建的，称为“SNARC”，意思是随机神经模拟增强计算机。它不是

6、由微芯片和晶体管，而是由真空管、电机和离合器制成的。　　这台机器可以帮助一只虚拟老鼠解决迷宫难题。系统发送指令，让虚拟老鼠在迷宫里游走，每一次都将其行为的效果反馈到系统里——用真空管来存储结果。这意味着机器能够学习并调整概率，提高虚拟老鼠通过迷宫的机会。　　本质上，谷歌当前用于识别照片中的对象的相同过程的非常非常简单的版本。　　谷歌目前用来识别照片中的对象也使用了同样的过程，只不过远比它复杂。　　第一辆自动驾驶汽车的出现　　现在我们提到自动驾驶汽车的时候，可能会想到谷歌Waymo等等，但是令人吃惊的是，在1995年，梅赛德斯-奔驰就改装了一辆汽车，从慕尼黑开到哥本哈根，路上大部分时候

7、都是自动驾驶的。　　这段路程共1043英里，改装车上搭载了60个晶体电脑芯片，那是当时并行计算领域最先进的技术，让它可以快速处理大量驾驶数据，为自动驾驶汽车的响应度提供保证。　　这辆车的时速达到了115英里，与当今的自动驾驶汽车相差无几，因为它可以超车并读取路标。　　转向“基于统计”的方法　　虽然神经网络作为一个概念出现已经有一段时间了，但是直到20世纪80年代后期，AI研究人员开始从“基于规则”的方法转向“基于统计”的方法，也就是机器学习。这意味着不要试