摘自：KDnuggets 新闻
作者：Francesco Corea，决策科学家和数据分析师
翻译：王伟玲
校对：叶公兵
本文共3400字，建议阅读6分钟
本文简单介绍了人工智能60年来的发展历程，通过本文，我们可以回顾一下人工智能的历史知识。
一、起源
人工智能现在非常火爆，但其实人工智能并不是一个新的研究领域，它诞生于上世纪 50 年代，如果排除从古希腊到霍布斯、莱布尼茨、帕斯卡的纯哲学推理路径，人工智能领域的研究正式开始于 1956 年在达特茅斯学院举行的一次会议，当时最著名的专家们齐聚一堂，集思广益，探讨智能模拟。
这次会议召开的时间距离阿西莫夫提出机器人三定律仅仅几年，更准确地说，距离图灵1950年发表的著名论文仅几年，在该论文中，他首次提出了思考机器的概念，以及较为被接受的图灵测试，以评估这种机器是否真正表现出智能的特征。
随着达特茅斯学院研究团队公开发布夏季会议期间产生的内容和想法，它吸引了一些政府资金来支持非生物智能领域的创新研究。
二、幻影
当时，人工智能似乎很容易实现，但事实并非如此。20 世纪 60 年代末，研究人员意识到人工智能确实是一个难以研究的领域，最初支持人工智能概念的资金开始减少。
这一现象在人工智能发展史上有所体现，通常被称为“人工智能效应”，包括两部分：
人们总是承诺真正的人工智能将在未来十年内到来；
每当人工智能解决了一个需要人类智能的任务时，人们就会说这根本就不是用智能做的，不代表智能。因此，智能的定义也在不断被重构。
在美国，DARPA资助人工智能研究的主要原因是为了创造出完美的机器翻译，但两起连续发生的事件破坏了这一想法，并带来了所谓的第一次人工智能寒冬。
事实上，美国自动语言处理咨询委员会（ALPAC）在1966年就作出了相关报告，随后的《光明山报告》（1973年）也对人工智能的可行性进行了评估，分析了当时的发展情况，并得出结论：人工智能不具备创造出能够学习人类智能的机器的可能性。
这两份报告是在算法的数据输入有限、机器计算能力有限的背景下起草的，导致整个人工智能领域的研究停滞了十年。
三、专家系统的攻击
虽然在20世纪80年代，由于专家系统概念的引入，英国和日本出现了新一轮的人工智能研究资金支持热潮，但这基本上属于前人论文所定义的狭义人工智能的范畴（）。
事实上，这些程序只能模拟人类专家在特定领域的技能，但这足以激发新的资助趋势。这些年最活跃的是日本政府，它打算制造第五代计算机，这间接迫使美国和英国恢复对人工智能研究的资助。
然而，这个黄金时代并没有持续多久，当投资目标未能实现时，新的危机就出现了。1987年，个人电脑的性能超过了多年来人工智能研究的成果——Lisp机器。这引发了第二次人工智能寒冬，美国国防部高级研究计划局明确反对人工智能研究及其资金。
四、人工智能的回归
幸好，寒冬在 1993 年结束了。当时，麻省理工学院的 COG 项目使用动态分析和规划工具建造了一个人形机器人，占据了自 1950 年以来美国政府对人工智能的所有资助。1997 年，深蓝击败了国际象棋选手卡斯帕罗夫，让人工智能重回巅峰。
过去二十年，学术界已经做了很多研究，但直到最近，人工智能才被认可为一种范式转变。当然，现在有这么多资金投入人工智能的原因有很多，但我们认为，有一个特定事件对过去五年人工智能的发展趋势产生了决定性的影响。
从下图我们可以看出，人工智能虽然取得了长足的进步，但是在2012年底之前并没有得到广泛的认可。此图是使用CBInsightsTrends绘制的，主要以人工智能和机器学习为关键词，绘制发展趋势。
图 2012-2016年人工智能发展趋势
更具体地说，我把真正引发人工智能新一波好事情的日期画了一条线，那就是 2012 年 12 月 4 日。那个星期二，一组研究人员在神经信息处理系统 (NIPS) 会议上展示了卷积神经网络的细节，该网络在几周前的 ImageNet 分类竞赛中为他们赢得了第一名。他们的工作将分类算法的准确率从 72% 提高到了 85%，为采用神经网络作为人工智能的基础奠定了基础。
在不到两年的时间里，ImageNet比赛分类部分的准确率已经达到96%，略高于人类的95%的准确率。
这张图中的虚线也展示了人工智能发展的三个重要增长趋势，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月被谷歌收购；
2015年2月，未来生命学院8000余人签名的公开信和DeepMind发布的强化学习研究资料（Mnih et al.，2015）；
DeepMind 神经网络科学家于 2016 年 3 月在 Nature 上发表的论文（Silver et al., 2016），以及 AlphaGo 在 3 月份战胜李世石的令人印象深刻的成绩（随后的一系列骄人的成绩，参见 Ed Newton-Rex 的文章）。
五、未来展望
人工智能本质上非常依赖资金支持，因为它是一个需要长期投入、耗费大量人力和物力的研究领域。
更令人担忧的是，我们可能正处于下一个高峰（Dhar，2016），但这也注定很快就会停止。
然而，和其他人一样，我发现这个新时代有三点不同：
在大数据方面，我们有大量的数据需要输入到算法中；
在技术进步方面，随着存储容量、计算能力、算法理解、更好更快的带宽、更低的技术成本等的发展，我们真正可以建立起能够提取所需信息的模型；
Uber、Airbnb等为优化资源配置、提高效率而推出的商业模式，充分展现了云服务（如Amazon Web Services）和由图形处理单元（GPU）运行的并行计算的技术魅力。