制造智能機器一直是人類感興趣的焦點之一。
古埃及人和羅馬人對牧師在幕後操縱的宗教雕像感到敬畏。中世紀的傳說中充滿了物品可以像人類主人一樣移動和說話的故事。有一些中世紀的聖賢的故事，他們接觸到了一個小矮人，這是一個一個小小的人造人，實際卻和真人一樣有知覺，有智慧。
事實上，16世紀的瑞士哲學家泰奧弗拉斯圖斯·邦巴斯特斯說過：
“我們會像神一樣。我們将複制上帝最偉大的奇迹——創造人類。”
人類創造“合成智慧”的最新嘗試現在被稱為人工智能。在這篇文章中，我希望提供一個全面的人工智能曆史，從它鮮為人知的日子（當時它甚至不被稱為AI）到目前的人工智能時代。
人工智能是制造智能機器，特别是智能計算機程式的科學和工程。——約翰·麥卡錫
本文将把人工智能的曆史劃分為9個裡程碑。這些裡程碑并非互不相關。相反，我将讨論它們與人工智能整體曆史的聯系，以及它們從以前的裡程碑之中擷取的經驗以及取得的進步。
以下是我們将介紹的裡程碑：
- 達特茅斯會議
- 感覺器
- 20世紀60年代的人工智能熱潮
- 20世紀80年代的人工智能寒冬
- 專家系統的發展
- NLP的出現與20世紀90年代的計算機視覺
- 大資料的興起
- 深度學習的到來
- 生成式人工智能的發展
達特茅斯會議
達特茅斯會議是人工智能曆史上的一個開創性事件。它是1956年在美國新罕布什爾州達特茅斯學院舉行的一個夏季研究項目。從某種意義上說，這次會議是同類會議中的第一次，它彙集了來自計算機科學、數學、實體和其他看似不同領域的研究人員，唯一的目的是探索人工智能的潛力，盡管當時人工智能這個詞還沒有被創造出來。與會者包括約翰·麥卡錫、馬文·明斯基和其他著名的科學家和學者。
會議期間，與會者讨論了與人工智能相關的廣泛主題，如自然語言處理、問題解決和機器學習。他們還為人工智能研究制定了路線圖，包括開發用于建立智能機器的程式設計語言和算法。
達特茅斯會議被認為是人工智能曆史上的一個開創性時刻，它标志着人工智能領域的誕生，同時也标志着“人工智能”這個名字的誕生。
達特茅斯會議對人工智能的整個曆史産生了重大影響。它有助于将人工智能作為一個研究領域，并鼓勵新技術和工藝的發展。
與會者提出了人工智能的願景，其中包括創造能夠像人類一樣推理、學習和交流的智能機器。這一願景引發了該領域的研究和創新浪潮。
會議結束後，約翰·麥卡錫和他的同僚們便開發了第一個人工智能程式設計語言——LISP。這種語言成為人工智能研究的基礎，至今仍然存在。
這次會議還促成了括麻省理工學院、卡内基梅隆大學和斯坦福大學在内的幾所大學和研究機建構立人工智能研究實驗室。
達特茅斯會議最重要的遺産之一是圖靈測試的發展。英國數學家艾倫·圖靈提出了一個測試的想法，以确定機器是否能表現出與人類無異的智能行為。這一概念在會議上得到了深入讨論，并成為人工智能研究領域的核心思想。圖靈測試至今仍是衡量人工智能研究進展的重要基準。
達特茅斯會議是人工智能曆史上的一個關鍵事件。它将人工智能确立為一個研究領域，制定了研究路線圖，并引發了該領域的創新浪潮。人工智能程式設計語言、研究實驗室和圖靈測試的發展，這些都是這次會議的重要遺産。
感覺機
感覺機是心理學家弗蘭克·羅森布拉特于1958年設計的人工神經網絡架構。它推動了著名的“大腦啟發人工智能方法”，也就是研究人員構模組化拟人類大腦的人工智能系統。
在技術上來說，感覺機是一個二進制分類器，可以學習将輸入模式分為兩類。它的工作原理是擷取一組輸入值并計算這些值的權重和，然後是确定輸出是1還是0的門檻值函數。在訓練過程中可以調整權重以優化分類器的性能。
感覺機被視為人工智能的一個重要裡程碑，因為它展示了機器學習算法模仿人類智能的潛力。它表明機器可以從經驗中學習，并随着時間的推移提高自己的表現，就像人類一樣。
感覺機是達特茅斯會議之後的下一個重要裡程碑。這次會議讓很多人對人工智能的潛力感到興奮，但它在很大程度上仍然是一個理論概念，而感覺機取讓人們實實在在的看到了機器學習的可能性，它是人工智能的一個實際實作，它表明這個概念是可以變成一個工作系統的。
感覺機最初被吹捧為人工智能的突破，受到了媒體的廣泛關注。但後來發現，該算法特别是在對複雜資料進行分類時有很大的局限性。這導緻20世紀60年代末和70年代人們對感覺機和人工智能研究的興趣下降。
但感覺機項目後來被重新啟動，并被整合到更複雜的神經網絡中，開啟了了深度學習和其他形式的現代機器學習的發展。今天，感覺機被視為人工智能曆史上的一個重要裡程碑，并繼續被研究和用于新的人工智能技術的研究和開發。
20世紀60年代的人工智能熱潮
正如我們前面提到的，由于感覺機人工神經網絡的建立和普及，20世紀50年代對人工智能界來說是一個重要的十年。感覺機被認為是人工智能研究的一個突破，并在該領域引起了極大的興趣。這是一種興奮劑，後來被稱為人工智能熱潮。
20世紀60年代的人工智能熱潮是人工智能（AI）發展取得重大進展，并引起人們興趣的時期。當時，計算機科學家和研究人員正在探索創造智能機器的新方法，并對它們進行程式設計，使其執行傳統上認為隻有人類智能才能完成的任務。
當人們發現感覺機的明顯缺陷後，研究人員開始探索感覺機以外的其他人工智能方法。他們專注于諸如符号推理、自然語言處理和機器學習等領域。
這些研究推動了新的程式設計語言和工具的開發，如 LISP 和 Prolog，這是專門為人工智能應用程式設計的。這些新工具使研究人員更容易用新的人工智能技術進行實驗，并開發更複雜的人工智能系統。
在此期間，美國政府也開始對人工智能感興趣，并開始通過國防進階研究計劃局(DARPA)等機構為研究項目提供資金。這筆資金有助于加快人工智能的發展，并為研究人員提供了解決日益複雜的問題所需的資源。
20世紀60年代的人工智能熱潮最終中，出現了幾個具有裡程碑意義的人工智能系統。其中一個例子就是由赫伯特·西蒙、 J.C. 肖和艾倫·紐厄爾共同創造的通用問題解決器(GPS)。GPS是一個早期的人工智能系統，它可以通過搜尋大量解決方案來最終解決問題。
另一個例子是由約瑟夫·維森鮑姆建立的 ELIZA 程式，這是一個模拟心理治療師的自然語言處理程式。
20世紀60年代的人工智能熱潮是人工智能研究和開發取得重大進展的時期。當時，研究人員正在探索新的人工智能方法，開發專門為人工智能應用而設計的新程式設計語言和工具。這項研究推動了幾個具有裡程碑意義的人工智能系統的發展，為未來人工智能的發展鋪平了道路。
20世紀80年代的人工智能寒冬
20世紀80年代的人工智能冬天是指人工智能領域的研究和發展經曆了一個顯著放緩的時期。這一停滞期發生在1974年至1993年人工智能研究和開發取得重大進展的十年之後。
出現這種情況的部分原因在于，在人工智能熱潮時期開發的許多項目未能兌現承諾。由于人工智能領域缺乏新的進展，人工智能研究界正變得越來越失望。這導緻資金削減，許多人工智能研究人員被迫放棄他們的項目，完全離開了該領域。
根據英國科學研究委員會的萊特希爾報告：
“人工智能未能實作其宏偉的目标，迄今為止，這個領域的任何發現都沒有産生當時承諾的重大影響。”
20世紀80年代的人工智能寒冬的特點是，用于人工智能研究的資金大幅減少，投資者和公衆對人工智能普遍缺乏興趣。這導緻正在開發的人工智能項目數量大幅度下降，許多仍然活躍的研究項目由于缺乏資源而無法取得重大進展。
盡管面臨人工智能寒冬的挑戰，人工智能領域并沒有完全消失。一些研究人員繼續緻力于人工智能項目，并在此期間取得了重大進展，包括神經網絡的發展和機器學習的開始。但進展緩慢，直到上世紀90年代，人們對人工智能的興趣才開始重新擡頭。
總的來說，20世紀80年代的人工智能寒冬是人工智能曆史上的一個重要裡程碑，它展示了人工智能研究和開發的挑戰和局限性。它還為投資者和政策制定者提供了警示，他們意識到，圍繞人工智能的炒作有時可能被誇大，該領域的進展需要持續的投資和承諾。
專家系統的發展
專家系統是20世紀80年代發展起來的一種人工智能技術。專家系統旨在模仿人類專家在特定領域(比如醫學、金融或工程)的決策能力。
在20世紀60年代和70年代初，圍繞人工智能和它變革各行各業的潛力，人們感到非常樂觀和興奮。但正如之前說的，這種熱情受到了人工智能寒冬的影響，寒冬的特點是缺乏進展和研究資金。
專家系統的發展标志着人工智能曆史上的一個轉折點。随着人工智能提供實用、可擴充、強大和可量化的應用的需求增加，人工智能社群面臨的壓力也随之變大。
專家系統證明人工智能可以在現實生活中應用，并有可能為企業和工業帶來重大利益。專家系統被用來自動化各個領域的決策過程，從診斷醫療狀況到預測股票價格。
在技術層面說，專家系統通常由一個知識庫和一個推理機組成，知識庫包含特定領域的資訊，後者利用這些資訊對新的輸入進行推理并做出決策。專家系統包括多種形式的推理，如演繹，歸納和誘導，以模拟人類專家的決策過程。
總體而言，專家系統是人工智能曆史上的一個重要裡程碑，它們展示了人工智能技術的實際應用，并為該領域的進一步發展鋪平了道路。
今天，專家系統繼續應用于各個行業，它們的發展導緻了其他人工智能技術的産生，如機器學習和自然語言處理。
20世紀90年代自然語言處理和計算機視覺的出現
在20世紀90年代，人工智能研究的全球化開始由來一些勢頭。這一時期開創了現代人工智能研究的先河。
正如前一節所說的，專家系統大約在1980年代末和1990年代初開始發揮作用。但它們受到限制，因為它們依賴于結構化資料和基于規則的邏輯。他們很難處理非結構化資料，比如自然語言文本或圖像，這些文本本身就含糊不清，并且依賴于上下文。
為了解決這個問題，研究人員開始發展處理自然語言和視覺資訊的技術。
在20世紀70到80年代，基于規則的自然語言處理和計算機視覺系統的開發取得了重大進展。但是，這些系統仍然受到限制，因為它們依賴預先确定的規則，無法從資料中學習。
在20世紀90年代，機器學習算法和計算能力的進步加速了更複雜的自然語言處理和計算機視覺系統的發展。
研究人員開始使用統計方法直接從資料中學習模式和特征，而不是依賴于預先定義的規則。這種被稱為機器學習的方法為處理自然語言和可視化資訊提供了更加精确和靈活的模型。
這個時代最重要的裡程碑之一是隐馬爾可夫模型(hMM)的發展，它允許對自然語言文本進行機率模組化。這推動了語音識别、語言翻譯和文本分類等方面的重大進展。
同樣，在計算機視覺領域，卷積神經網絡(CNN)的出現使得目辨別别和圖像分類更加準确。
這些技術現在被廣泛應用，從自動駕駛汽車到醫學成像。
總的來說，自然語言處理和計算機視覺的出現，是人工智能曆史上的一個重要裡程碑。它們使非結構化資料的處理更加複雜和靈活。
這些技術仍然是當今人工智能研究和開發的重點，因為它們對廣泛的工業和應用具有重大影響。
大資料的崛起
大資料的概念已經存在了幾十年，但它在人工智能（AI）領域的突出地位可以追溯到21世紀初。在我們深入探讨它與人工智能的關系之前，讓我們簡要讨論一下“大資料”這個術語。
對于被定義為大的資料，它需要滿足3個核心屬性: 容量、速度和多樣性。
容量指的是資料集的絕對大小，範圍從 TB 到 PB，甚至更大。
速度是指資料生成和需要處理的速度。例如，來自社交媒體或物聯網裝置的資料可以實時生成，需要快速處理。
多樣性指的是生成不同類型的資料，包括結構化、非結構化和半結構化資料。
在大資料出現之前，人工智能受限于用于訓練和測試機器學習算法的資料的數量和品質。
自然語言處理(NLP)和計算機視覺是人工智能在20世紀90年代取得重大進展的兩個領域，但它們仍然受到可用資料量的限制。
例如，早期的 NLP 系統是基于手工制定的規則，這些規則在處理自然語言的複雜性和可變性方面能力有限。
大資料的興起改變了這種狀況，它提供了從各種來源擷取大量資料的途徑，包括社交媒體、傳感器和其他連接配接裝置。這使得機器學習算法能夠在更大的資料集上進行訓練，這反過來又使得它們能夠學習更複雜的模式并做出更準确的預測。
與此同時，Hadoop和Spark等資料存儲和處理技術的進步使得快速有效地處理和分析這些大型資料內建為可能。這導緻了新的機器學習算法的發展，例如深度學習，它能夠從大量的資料中學習并做出高度精确的預測。
今天，從自動駕駛汽車、個性化醫療到自然語言了解和推薦系統，大資料仍然是人工智能許多最新進展背後的推動力量。
随着生成的資料量繼續呈指數級增長，大資料在人工智能中的作用隻會在未來幾年變得更加重要。
深度學習的來臨
深度學習的出現是現代人工智能全球化的一個重要裡程碑。
自20世紀50年代達特茅斯會議以來，人工智能一直被認為是一個合法的研究領域，早期的人工智能研究側重于符号邏輯和基于規則的系統。這涉及到手工編寫機器程式，以根據一組預先确定的規則做出決策。雖然這些系統在某些應用中很有用，但它們學習和适應新資料的能力有限。
直到大資料的興起，深度學習才成為人工智能曆史上的一個重要裡程碑。随着可用資料量的增長，研究人員需要新的方法來處理和從大量資訊中提取見解。
深度學習算法為這個問題提供了一個解決方案，它使機器能夠自動從大型資料集中學習，并根據學習做出預測或決策。
深度學習是一種利用人工神經網絡進行機器學習的方法，它模拟了人腦的結構和功能。這些網絡由互相連接配接的節點層組成，每個節點對輸入資料執行特定的數學函數。一層的輸出作為下一層的輸入，允許網絡從資料中提取越來越複雜的特征。
深度學習的一個關鍵優勢是它能夠學習資料的分層表達。這意味着網絡可以自動學習識别不同抽象層次的模式和特征。
例如，一個深度學習網絡可能學會識别單個字母的形狀，然後是單詞的結構，最後是句子的意思。
深度學習的發展在計算機視覺、語音識别和自然語言處理等領域取得了重大突破。例如，深度學習算法現在能夠準确地分類圖像，識别語音，甚至生成逼真的類人語言。
深度學習是人工智能曆史上的一個重要裡程碑，大資料的興起使其成為可能。它從大量資訊中自動學習的能力已經在廣泛的應用中取得了重大進展，并且很可能在未來幾年繼續成為研究和開發的關鍵領域。
生成式人工智能的發展
這就是我們在目前人工智能時間線中的位置。生成式人工智能是人工智能的一個子領域，它涉及建立能夠生成新資料或内容的人工智能系統，這些生成的資料或内容與它所受訓練的資料相似。它可以生成圖像、文本、音樂，甚至視訊。
在人工智能的曆史背景下，生成式人工智能可以被看作是深度學習興起之後的一個重要裡程碑。深度學習是機器學習的一個子集，它涉及使用多層次的神經網絡來分析和學習大量的資料。它在圖像和語音識别、自然語言處理甚至圍棋等複雜遊戲中都取得了令人難以置信的成功。
Transformers是一種神經網絡結構，已經徹底改變了生成式人工智能的現狀。Vaswani 等人在2017年發表的一篇論文中介紹了這些方法，之後它們被用于各種任務，包括自然語言處理、圖像識别和語音合成。
Transformers使用自我注意機制來分析序列中不同元素之間的關系，使它們能夠産生更加連貫和微妙的輸出。這導緻了大型語言模型的開發，例如 GPT-4（ChatGPT) ，它可以在廣泛的主題上生成類似于人類的文本。
人工智能藝術是生成式人工智能産生重大影響的另一個領域。通過在大型藝術品資料集上訓練深度學習模型，生成式人工智能可以建立新穎獨特的藝術作品。
生成式人工智能在藝術中的應用引發了關于創造性和作者本質的争論，以及利用人工智能創造藝術的倫理問題。有人認為，人工智能産生的藝術并非真正具有創造性，因為它缺乏人造藝術的意向性和情感共鳴。其他人則認為，人工智能藝術有其自身的價值，可以用來探索新的創造形式。
像 GPT-4這樣的大型語言模型也用于創造性寫作領域，一些作者使用它們來生成新的文本或作為靈感的工具。
這就提出了關于寫作的未來和人工智能在創作過程中的作用的問題。一些人認為人工智能生成的文本缺乏人類寫作的深度和細微差别，而另一些人則認為它是一種工具，可以通過提供新的想法和視角來增強人類的創造力。
生成式人工智能，尤其是在Transformers和大型語言模型的幫助下，有可能徹底改變從藝術到寫作到模拟的許多領域。盡管在這些領域，關于創造性的本質和使用人工智能的道德規範仍存在争論，但顯然，生成式人工智能是一個強大的工具，将繼續塑造技術和藝術的未來。
結語
人工智能的曆史既有趣又發人深省，它曾經讓人失望，也有過非凡的突破。
但是對于像 ChatGPT、 Dalle.E 等應用程式，我們隻是觸及了人工智能可能應用的皮毛。
未來有挑戰，而且肯定會是更多更難挑戰。