授權轉載自資料派THU
選自：KDnuggets News
作者：決策科學家和資料分析師 Francesco Corea
翻譯：王偉玲
校對：葉龔兵
I．起源
目前人工智能異常火熱，但事實上人工智能并非一個新的研究領域，它誕生于20世紀50年代。如果我們排除了從古希臘到霍布斯、萊布尼茨和Pascal的純哲學推理路徑，人工智能領域的研究正式開始于1956年在達特茅斯學院所舉行的一次會議，當時最著名的專家聚集在一起針對智能仿真進行頭腦風暴。
這次會議僅召開在阿西莫夫提出機器人三定律幾年以後，更貼切地說，是發生在1950年圖靈那篇著名的論文發表以後，論文中他首次提出了有思維的機器的概念和更被接受的圖靈測試來評估這樣的機器是否真的展現了智能的特性。
随着達特茅斯學院的研究小組公開釋出在夏季會議上産生的内容和想法，吸引了一些政府資金予以支援非生物智能的創新研究。
II. 幻影
當時，人工智能似乎很容易實作，但事實證明情況并非如此。在六十年代末，研究人員意識到人工智能确實是一個很難的研究領域，最初的人工智能概念所帶來的支援資金也開始逐漸耗散。
這種沿着人工智能發展曆史所折射出來的現象，通常被稱為“人工智能效應”，并由兩部分組成：
- 總是不斷承諾真正的人工智能在随後十年即将到來；
- 人工智能每次解決了一個需要人類智慧的工作後，大家就說這根本不是用智能來做的，代表不了智能，于是智能的定義在不斷的被重構。
在美國，美國國防部進階研究計劃局資助研究人工智能的主要原因是想創造一個完美的機器翻譯，但連續兩件事破壞了這個想法，并開啟了後來被稱為第一個人工智能寒冬的階段。
事實上，自動語言處理咨詢委員會（ALPAC）于1966在美國進行了相關報道，其次是“光明山報告”（1973）評估了人工智能的可行性，剖析了當時的發展情況，并總結了人工智能并沒有創造可以學習人類智慧的機器的可能性。
這兩個報告是在輸入給算法的資料有限并且機器計算能力有限的背景下起草的，造成整個人工智能領域的研究停止了十年。
III. 專家系統的進擊
雖然在八十年代，英國和日本由于引入專家系統的概念，出現了新一波的資助熱潮以支援人工智能研究，但這和以前論文（http://dwz.cn/5W1QTA）所定義的一樣，基本上屬于狹義人工智能的範疇。
實際上，這些程式隻能模拟特定領域人類專家的技能，但這足以激發新的融資趨勢。這些年來最活躍的是日本政府，意圖創造第五代計算機，這間接迫使美國和英國恢複對人工智能研究的資助。
然而，這個黃金時代并沒有持續太久，當投資目标沒有得到滿足時，一場新的危機随之開始了。1987年，個人電腦變得比人工智能多年的研究成果——Lisp機器更強大。這觸發了人工智能的第二個寒冬，美國國防部進階研究計劃局明确表态反對人工智能研究及其資助。
IV. 人工智能的回歸
幸運的是，1993年，随着麻省理工學院COG項目使用動态分析和規劃工具建立了一個人形機器人，寒冬結束了，這算是對美國政府自1950年以來對人工智能的所有資助有了一個交代。1997年深藍擊敗棋手卡斯帕羅夫，使得人工智能又重回頂峰。
在過去的二十年中，學術研究已經做了很多工作，但人工智能最近才被公認為一個範式的轉變。當然有一系列的原因讓我們明白為什麼現在有這麼多的資金投入到人工智能領域，但是我們認為有一個特定的事件對人工智能過去五年的發展趨勢具有決定性影響。
通過下圖，我們注意到，在2012年年底以前，盡管人工智能取得了很大的發展，但是并未被廣泛認可。這張圖使用CBInsights Trends繪制，主要是通過人工智能和機器學習作為關鍵詞來繪制發展趨勢。
圖 2012–2016年人工智能發展趨勢
更詳細地說，我在真正觸發新一輪人工智能良好形勢的特定日期畫了一條線，即2012年12月4日，那天是星期二，一組研究者在神經資訊處理系統（NIPS）會議上提出了讓他們在幾周前的ImageNet分類競賽中獲得第一名的卷積神經網絡的詳細資訊。他們的工作将分類算法的精确率從72%提升到了85%，并設定采用神經網絡作為人工智能的基礎。
在不到兩年的時間裡，ImageNet競賽分類部分的準确率已經達到了96%，比人的準确率95%略高一點。
這張圖裡的虛線也顯示了人工智能發展的三個重要增長趨勢，主要概述了三大事件：
- 成立三年的人工智能公司DeepMind在2014年1月被谷歌收購；
- 2015年2月未來生命學院8000多人聯合署名的公開信和由DeepMind所釋出的強化學習研究資料（Mnih et al., 2015）；
- DeepMind神經網絡科學家于2016年3月在《自然》所發表的論文（Silver et al., 2016），以及随後3月讓人印象深刻的阿爾法狗大勝李世石（随之而來的是一連串讓人印象深刻的成就，看一下Ed Newton-Rex的文章）。
V. 未來展望
人工智能在本質上非常依賴資金支援，因為這是一個需要長期投入的研究領域，需要耗費大量的人力和資源。
讓人更加關注的是我們目前可能處在下一個高峰階段（Dhar, 2016），但是這注定也将很快停止。
然而，正如其他人一樣，我認為這個新時代有三點不同之處：
- 在大資料方面，我們有了需要輸入到算法中的大量資料；
- 在技術進步方面，随着存儲能力、計算能力、算法了解、更好更快的帶寬、更低的技術成本等方面的技術發展，使得我們能夠真正建構可以提取所需資訊的模型；
- Uber and Airbnb所引入的優化資源配置和提升效率的商業模式，充分展現了雲服務（例如，亞馬遜網絡服務）以及繪圖處理器（GPU）所運作的并行計算的科技魅力。
原文網址：
http://www.kdnuggets.com/2017/04/brief-history-artificial-intelligence.html