摘自：KDnuggets 新聞
作者：Francesco Corea，決策科學家和資料分析師
翻譯：王偉玲
校對：葉公兵
本文共3400字，建議閱讀6分鐘
本文簡單介紹了人工智能60年來的發展曆程，通過本文，我們可以回顧一下人工智能的曆史知識。
一、起源
人工智能現在非常火爆，但其實人工智能并不是一個新的研究領域，它誕生于上世紀 50 年代，如果排除從古希臘到霍布斯、萊布尼茨、帕斯卡的純哲學推理路徑，人工智能領域的研究正式開始于 1956 年在達特茅斯學院舉行的一次會議，當時最著名的專家們齊聚一堂，集思廣益，探讨智能模拟。
這次會議召開的時間距離阿西莫夫提出機器人三定律僅僅幾年，更準确地說，距離圖靈1950年發表的著名論文僅幾年，在該論文中，他首次提出了思考機器的概念，以及較為被接受的圖靈測試，以評估這種機器是否真正表現出智能的特征。
随着達特茅斯學院研究團隊公開釋出夏季會議期間産生的内容和想法，它吸引了一些政府資金來支援非生物智能領域的創新研究。
二、幻影
當時，人工智能似乎很容易實作，但事實并非如此。20 世紀 60 年代末，研究人員意識到人工智能确實是一個難以研究的領域，最初支援人工智能概念的資金開始減少。
這一現象在人工智能發展史上有所展現，通常被稱為“人工智能效應”，包括兩部分：
人們總是承諾真正的人工智能将在未來十年内到來；
每當人工智能解決了一個需要人類智能的任務時，人們就會說這根本就不是用智能做的，不代表智能。是以，智能的定義也在不斷被重構。
在美國，DARPA資助人工智能研究的主要原因是為了創造出完美的機器翻譯，但兩起連續發生的事件破壞了這一想法，并帶來了所謂的第一次人工智能寒冬。
事實上，美國自動語言處理咨詢委員會（ALPAC）在1966年就作出了相關報告，随後的《光明山報告》（1973年）也對人工智能的可行性進行了評估，分析了當時的發展情況，并得出結論：人工智能不具備創造出能夠學習人類智能的機器的可能性。
這兩份報告是在算法的資料輸入有限、機器計算能力有限的背景下起草的，導緻整個人工智能領域的研究停滞了十年。
三、專家系統的攻擊
雖然在20世紀80年代，由于專家系統概念的引入，英國和日本出現了新一輪的人工智能研究資金支援熱潮，但這基本上屬于前人論文所定義的狹義人工智能的範疇（）。
事實上，這些程式隻能模拟人類專家在特定領域的技能，但這足以激發新的資助趨勢。這些年最活躍的是日本政府，它打算制造第五代計算機，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多久，當投資目标未能實作時，新的危機就出現了。1987年，個人電腦的性能超過了多年來人工智能研究的成果——Lisp機器。這引發了第二次人工智能寒冬，美國國防部進階研究計劃局明确反對人工智能研究及其資金。
四、人工智能的回歸
幸好，寒冬在 1993 年結束了。當時，麻省理工學院的 COG 項目使用動态分析和規劃工具建造了一個人形機器人，占據了自 1950 年以來美國政府對人工智能的所有資助。1997 年，深藍擊敗了國際象棋選手卡斯帕羅夫，讓人工智能重回巅峰。
過去二十年，學術界已經做了很多研究，但直到最近，人工智能才被認可為一種範式轉變。當然，現在有這麼多資金投入人工智能的原因有很多，但我們認為，有一個特定事件對過去五年人工智能的發展趨勢産生了決定性的影響。
從下圖我們可以看出，人工智能雖然取得了長足的進步，但是在2012年底之前并沒有得到廣泛的認可。此圖是使用CBInsightsTrends繪制的，主要以人工智能和機器學習為關鍵詞，繪制發展趨勢。
圖 2012-2016年人工智能發展趨勢
更具體地說，我把真正引發人工智能新一波好事情的日期畫了一條線，那就是 2012 年 12 月 4 日。那個星期二，一組研究人員在神經資訊處理系統 (NIPS) 會議上展示了卷積神經網絡的細節，該網絡在幾周前的 ImageNet 分類競賽中為他們赢得了第一名。他們的工作将分類算法的準确率從 72% 提高到了 85%，為采用神經網絡作為人工智能的基礎奠定了基礎。
在不到兩年的時間裡，ImageNet比賽分類部分的準确率已經達到96%，略高于人類的95%的準确率。
這張圖中的虛線也展示了人工智能發展的三個重要增長趨勢，主要勾勒出三件大事：
DeepMind是一家成立于三年前的人工智能公司，2014年1月被谷歌收購；
2015年2月，未來生命學院8000餘人簽名的公開信和DeepMind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 Nature 上發表的論文（Silver et al., 2016），以及 AlphaGo 在 3 月份戰勝李世石的令人印象深刻的成績（随後的一系列驕人的成績，參見 Ed Newton-Rex 的文章）。
五、未來展望
人工智能本質上非常依賴資金支援，因為它是一個需要長期投入、耗費大量人力和物力的研究領域。
更令人擔憂的是，我們可能正處于下一個高峰（Dhar，2016），但這也注定很快就會停止。
然而，和其他人一樣，我發現這個新時代有三點不同：
在大資料方面，我們有大量的資料需要輸入到算法中；
在技術進步方面，随着存儲容量、計算能力、算法了解、更好更快的帶寬、更低的技術成本等的發展，我們真正可以建立起能夠提取所需資訊的模型；
Uber、Airbnb等為優化資源配置、提高效率而推出的商業模式，充分展現了雲服務（如Amazon Web Services）和由圖形處理單元（GPU）運作的并行計算的技術魅力。