0.AI历史

37 阅读8分钟

1945年:艾伦·图灵

Alan Turing 就已经在考虑如何用计算机来模拟人脑了。他设计了 ACE(Automatic Computing Engine - 自动计算引擎)来模拟大脑工作。在给一位同事的信中写道:"与计算的实际应用相比,我对制作大脑运作的模型可能更感兴趣 ...... 尽管大脑运作机制是通过轴突和树突的生长来计算的复杂神经元回路,但我们还是可以在 ACE 中制作一个模型,允许这种可能性的存在,ACE 的实际构造并没有改变,它只是记住了数据 ......" 这就是 机器智能 的起源。

1956年:感知机模型

1956 年,美国心理学家 Frank Rosenblatt 实现了一个早期的神经网络演示 - 感知器模型(Perceptron Model),该网络通过监督 Learning的方法将简单的图像分类,如三角形和正方形。这是一台只有八个模拟神经元的计算机,这些神经元由马达和转盘制成,与 400 个光探测器连接。

1956年:达特茅斯会议

1956 年的夏天,在 Dartmouth College 的一次会议上,AI 被定义为计算机科学的一个研究领域,Marvin Minsky(明斯基), John McCarthy(麦卡锡), Claude Shannon(香农), 还有 Nathaniel Rochester(罗切斯特)组织了这次会议,他们后来被称为 AI 的 "奠基人"。

1969年:经历低潮

1969 年,Marvin Minsky 和 Seymour Papert 在《感知器:计算几何学导论》一书中阐述了因为硬件的限制,只有几层的神经网络仅能执行最基本的计算,一下子浇灭了这条路线上研发的热情,AI 领域迎来了第一次泡沫破灭。这些先驱们怎么也没想到,计算机的速度能够在随后的几十年里指数级增长,提升了上亿倍。

1960-1970年代:早期专家系统

在这个时期,AI研究主要集中在符号主义,以逻辑推理为中心。此时的AI主要是基于规则的系统,比如早期的专家系统。

1980年代:神经网络

当基于规则的系统弊端在 1980 年代变得明显时,人工智能研究开始关注机器学习,这是该学科的一个分支,采用统计方法让计算机从数据中学习。因此,神经网络是根据人脑的结构和操作创建和建模的。

1990-2000年代:机器学习

在1990年代,AI研究在机器人技术、计算机视觉和自然语言处理等领域取得了显著进展。在21世纪初,深度学习的出现使得语音识别、图像识别和自然语言处理的进步成为可能 —— 深度学习是机器学习的一个分支,它使用深度神经网络。

1997:深蓝赢得国际象棋比赛

IBM 深蓝在 1997 年战胜了国际象棋冠军卡斯帕罗夫后,新的基于概率推论(Probabilistic Reasoning)思路开始被广泛应用在 AI 领域,随后 IBM Watson 的项目使用这种方法在电视游戏节目《Jeopardy》中经常击败参赛的人类。

2012年:深度学习兴起

Deep Learning是一种 Machine Learning 算法,它使用多层神经网络和反向传播(Backpropagation)技术来训练神经网络。该领域是几乎是由 Geoffrey Hinton 开创的,早在 1986 年,Hinton 与他的同事一起发表了关于深度神经网络(DNNs - Deep Neural Networks)的开创性论文,这篇文章引入了 反向传播 的概念,这是一种调整权重的算法,每当你改变权重时,神经网络就会比以前更快接近正确的输出,可以轻松的实现多层的神经网络,突破了 1966 年 Minsky 写的 感知器局限 的魔咒。

2012年:AlexNet赢得ImageNet挑战赛

AlexNet在ImageNet挑战赛上取得了突破性的成果,从而引发了深度学习的热潮。深度学习最重要的数据集之一,就是由 李飞飞 创建的 ImageNet。曾任斯坦福大学人工智能实验室主任,同时也是谷歌云 AI/ML 首席科学家的李飞飞,早在 2009 年就看出数据对 Machine Learning 算法的发展至关重要,同年在计算机视觉和模式识别(CVPR)上发表了相关论文。

2016年:AlphaGO战胜围棋世界冠军

DeepMind 在 2014 年被 Google 以 5.25 亿美元收购的。它专注游戏算法,其使命是 "解决智能问题",然后用这种智能来 "解决其他一切问题"。DeepMind的AlphaGo在2016年战胜了围棋世界冠军李世石。这是一个历史性的时刻,它标志着人工智能在围棋这个历史悠久且复杂度极高的游戏中超越了人类,对人类对于机器智能和未来可能性的理解产生了深远影响。

2022年:ChatGPT横空出世

OpenAI 是一个由 Elon Musk, Sam Altman, Peter Thiel, 还有 Reid Hoffman 在 2015 年共同出资十亿美金创立的科研机构,其使命是 通用人工智能(AGI),即一种高度自主且在大多数具有经济价值的工作上超越人类的系统。在2022年,OpenAI发布了名为ChatGPT的语言模型。这个模型基于GPT-3框架,其能力在于生成和理解自然语言,甚至能与人类进行深度交谈。ChatGPT的问世是人工智能在自然语言处理领域的一大里程碑,它开启了人工智能的新纪元。通过深度学习和大规模数据训练,ChatGPT能理解复杂的人类语言,并生成具有连贯性和创造性的回应。

推荐书籍:
延伸阅读:《深度学习革命》

作者: 凯德·梅茨(Cade Metz),这是一本讲述人工智能,尤其是深度学习的历史与未来的书。在这本书中,作者讲述了一群将深度学习带给全世界的企业家和科学家的故事,从谷歌、Facebook、百度等大公司的决策者讲到学术界的领军人物——“深度学习三巨头”,再讲到DeepMind、OpenAI等知名实验室的开创者。读者可以通过这些人的故事,跟随现代人工智能的发展脚步,从人工智能研究的萌芽阶段开始,穿过两次人工智能的寒冬,一直了解到当下全新的前沿进展。通过描绘人工智能的发展脉络和各大科技公司在前沿趋势方面的布局,这本书阐释了人工智能如何走到了今天,以及它在未来将如何发展。

延伸阅读:《智慧的疆界》

这是一部对人工智能充满敬畏之心的匠心之作,由《深入理解Java虚拟机》作者耗时一年完成,它将带你从奠基人物、历史事件、学术理论、研究成果、技术应用等5个维度全面读懂人工智能。
本书以时间为主线,用专业的知识、通俗的语言、巧妙的内容组织方式,详细讲解了人工智能这个学科的全貌、能解决什么问题、面临怎样的困难、尝试过哪些努力、取得过多少成绩、未来将向何方发展,尽可能消除人工智能的神秘感,把阳春白雪的人工智能从科学的殿堂推向公众面前。

延伸阅读:《人工智能(第4版)》

本书全面、深入地探讨了人工智能(AI)领域的理论和实践,以统一的风格将当今流行的人工智能思想和术语融合到引起广泛关注的应用中,真正做到理论和实践相结合。

全书分7个部分,共28章,理论部分介绍了人工智能研究的主要理论和方法并追溯了两千多年前的相关思想,内容主要包括逻辑、概率和连续数学,感知、推理、学习和行动,公平、信任、社会公益和安全;实践部分完美地践行了“现代”理念,实际应用选择当下热度较高的微电子设备、机器人行星探测器、拥有几十亿用户的在线服务、AlphaZero、人形机器人、自动驾驶、人工智能辅助医疗等。

延伸阅读:《人工智能简史》(第2版)

作者尼克,本书全面讲述人工智能的发展史,几乎覆盖人工智能学科的所有领域,包括人工智能的起源。、自动定理证明、专家系统、神经网络、自然语言处理、遗传算法、深度学习、强化学习、超级智能、哲学问题和未来趋势等,以宏阔的视野和生动的语言,对人工智能进行了全面回顾和深度点评。

延伸阅读:《人工智能简史》

作者:约翰·马尔科夫,从多个维度描绘了人工智能从爆发到遭遇寒冬再到野蛮生长的发展历程,直击了工业机器人、救援机器人、无人驾驶汽车、语音助手Siri等前沿领域,进而深入探讨了人工智能(AI)与智能增强(IA)的密切关系,而马尔科夫也会剖析“人与机器谁将拥有未来”这一机器时代的核心伦理问题。

延伸阅读:一图看懂 AI 简史

这张图片是一张时间线,概述了人工智能(AI)历史上的重要事件和里程碑。

image.png

若有收获,就点个赞吧