張梓堃

（北京師范大學(xué)第二附屬中學(xué)，北京 100088）

1 引言

人工智能是計(jì)算機(jī)科學(xué)與應(yīng)用的重要研究領(lǐng)域，它集合了信息學(xué)、邏輯學(xué)、生物學(xué)等眾多學(xué)科，以算法、算力與數(shù)據(jù)為基礎(chǔ)，于機(jī)器學(xué)習(xí)、圖像處理、自然語言處理、智能機(jī)器人等領(lǐng)域取得了大量成果[1]。自誕生以來至今的數(shù)十年間，人工智能在理論與應(yīng)用上取得了重大成就。作為“人工智能戰(zhàn)勝人類”的標(biāo)志性事件，2016年的AlphaGo對(duì)戰(zhàn)李世石一役使得人工智能進(jìn)入了大眾的視野，而近幾年人工智能的大量成果也逐步進(jìn)入人們?nèi)粘Ｉ睿喝绺鞔笫謾C(jī)廠商相繼推出的智能語音助手，輸入法中的語音輸入功能，廣泛應(yīng)用于公安追逃、交通驗(yàn)票、酒店入住等場(chǎng)景的人臉識(shí)別技術(shù)，以及2018年6月在谷歌I/O大會(huì)上亮相的能夠“以假亂真”的智能助理Google Duplex等。人工智能的這些應(yīng)用成果令人矚目，為加深對(duì)人工智能的理解，探析人工智能在人類社會(huì)中的重要意義，本文回顧了人工智能的發(fā)展歷史，并就其發(fā)展現(xiàn)狀與未來的發(fā)展前景進(jìn)行了探討，希望使讀者對(duì)這一領(lǐng)域有更深入的了解。

2 人工智能的歷史

2.1 人工智能的第一次浪潮與低谷

1955年，在美國(guó)西部計(jì)算機(jī)聯(lián)合大會(huì)中的在一場(chǎng)名為“學(xué)習(xí)機(jī)器討論會(huì)”的討論會(huì)上，著名的科學(xué)家奧利弗·塞弗里奇和艾倫·紐厄爾分別提出了對(duì)于計(jì)算機(jī)模式識(shí)別與下棋的研究，人工智能的雛形得以出現(xiàn)。但“人工智能”一詞的首次使用，則是在次年的達(dá)特茅斯會(huì)議上。在這次會(huì)議上，除前文提到的兩位科學(xué)家外，約翰·麥卡錫、克勞德·仙農(nóng)、馬文·明斯基、赫伯特·西蒙等當(dāng)時(shí)頂尖的科學(xué)家也參與其中，確定了人工智能發(fā)展的大方向，也確定了人工智能最初的發(fā)展路線與發(fā)展目標(biāo)[2]。此外，這場(chǎng)會(huì)議也標(biāo)志著以符號(hào)主義學(xué)派為主導(dǎo)的第一次人工智能浪潮的開端，隨后符號(hào)主義學(xué)派的代表紐厄爾與赫伯特·西蒙等人率先于上世紀(jì)50年代完成了Logic Theorist程序的編寫，用其成功證明了伯特蘭·羅素與阿爾弗雷德·N·懷特黑德的著作《數(shù)學(xué)原理》中的38個(gè)定理，并提出將解題的過程分為若干步驟的思想，將之推廣至數(shù)學(xué)以外的更多領(lǐng)域，成功編寫出了GPS（General Problem Solving）通用問題求解程序。而在同一時(shí)期，IBM公司的阿瑟·塞繆爾提出了機(jī)器學(xué)習(xí)理論，并制成了能夠挑戰(zhàn)人類的西洋跳棋程序，開創(chuàng)了計(jì)算機(jī)模擬人類學(xué)習(xí)過程的先河，于1962年成功擊敗了美國(guó)的西洋跳棋大師[3-4]。雖然這些人工智能領(lǐng)域的最初成果離大規(guī)模應(yīng)用仍有不小的距離，但這些發(fā)展成就既體現(xiàn)了人工智能這門新興學(xué)科的旺盛生命力，又為日后人工智能領(lǐng)域的進(jìn)一步發(fā)展提供了堅(jiān)實(shí)的理論與實(shí)踐基礎(chǔ)。

人工智能驚人的發(fā)展成就與發(fā)展速度，使得當(dāng)時(shí)人工智能學(xué)界處于過度的樂觀之中，1958 年西蒙和紐厄爾就曾預(yù)測(cè)，人工智能在十年內(nèi)將能夠勝任擊敗國(guó)際象棋大師、完成數(shù)學(xué)理論的發(fā)現(xiàn)與證明、進(jìn)行音樂創(chuàng)作、實(shí)現(xiàn)大多數(shù)心理學(xué)理論這四項(xiàng)任務(wù)，但第一項(xiàng)直至90年代末才得以成真[5]，而計(jì)算機(jī)根據(jù)一定的需求創(chuàng)作音樂，也直至近一兩年來年來才初步有了如DeepMusic等實(shí)驗(yàn)性的成果。此外，在70年代由于人工智能算力上的不足，且符號(hào)主義學(xué)派在算法上存在缺陷，再加之計(jì)算任務(wù)復(fù)雜而巨量，人工智能的前景并不為人看好，隨之而來的經(jīng)費(fèi)削減使得人工智能陷入了第一次低谷。

2.2 人工智能的第二次浪潮與低谷

上世紀(jì)70年代中葉隨著符號(hào)主義學(xué)派的降溫，以仿生學(xué)為主導(dǎo)的連接主義學(xué)派漸漸興起。BP算法的廣泛應(yīng)用使得神經(jīng)網(wǎng)絡(luò)訓(xùn)練擁有了更為先進(jìn)的訓(xùn)練技術(shù)，在之前第一次人工智能浪潮中發(fā)明的感知器算法也一并得到廣泛的接受，并于80年代大放異彩，推動(dòng)了神經(jīng)網(wǎng)絡(luò)在這一時(shí)期的高速發(fā)展[1]。在此背景下，基于已有知識(shí)對(duì)實(shí)際問題進(jìn)行解決的專家系統(tǒng)大量投入使用，并成功地幫助工業(yè)界降低了大量成本，創(chuàng)造了大量收益。例如美國(guó)的DEC公司在上世紀(jì)80年代通過使用諸如XCON/R1等專家系統(tǒng)，每年在電子設(shè)備的生產(chǎn)、組裝等環(huán)節(jié)節(jié)省成本可達(dá)千萬美元量級(jí)；美國(guó)用于地質(zhì)勘探的PROSPECTOR專家系統(tǒng)成功分析出了價(jià)值上億美元的礦藏[6]。值得一提的是，此次浪潮得益于飛速增長(zhǎng)的算力與軟硬件發(fā)展水平，但這些技術(shù)水平終究沒能達(dá)到進(jìn)一步發(fā)展的要求，因此深度學(xué)習(xí)在當(dāng)時(shí)的條件之下仍然無法實(shí)現(xiàn)[5]。此外，針對(duì)專家系統(tǒng)應(yīng)用領(lǐng)域較為單一的問題，人們所嘗試研制的通用于各領(lǐng)域的人工智能程序也遇到了危機(jī)[6]，彼時(shí)日本的第五代計(jì)算機(jī)研制終因不能實(shí)現(xiàn)人機(jī)對(duì)話而宣告失敗，對(duì)當(dāng)時(shí)的學(xué)術(shù)界也是一場(chǎng)打擊，人工智能在上世紀(jì)90年代再一次陷入低谷期。

2.3 人工智能的復(fù)蘇與爆發(fā)

1997年，“深藍(lán)”成功戰(zhàn)勝了國(guó)際象棋大師卡斯帕羅夫，驗(yàn)證了西蒙與紐厄爾40年前的預(yù)言。此后，由于互聯(lián)網(wǎng)及分布式計(jì)算的技術(shù)發(fā)展所帶來的算力增加，以及數(shù)據(jù)量的不斷增長(zhǎng)，基于大數(shù)據(jù)的深度學(xué)習(xí)與增強(qiáng)學(xué)習(xí)成為了可能[5]，基于神經(jīng)網(wǎng)絡(luò)下的深度學(xué)習(xí)算法，為人工智能的這一輪爆發(fā)提供了理論基礎(chǔ)。目前，深度學(xué)習(xí)已經(jīng)廣泛運(yùn)用于圖像、語音、文字識(shí)別以及數(shù)據(jù)挖掘等領(lǐng)域并取得一定成果。例如谷歌、百度等公司的拍照翻譯產(chǎn)品運(yùn)用深度學(xué)習(xí)，可以做到即時(shí)識(shí)別文字，并立即給出翻譯；曠視公司等基于深度學(xué)習(xí)推出的人臉識(shí)別技術(shù)，可以實(shí)現(xiàn)即時(shí)的人臉?biāo)阉?、識(shí)別等功能。

GPU的發(fā)展，谷歌TPU、寒武紀(jì)1H8、1H16等定制化處理器的相繼研制成功與使用等科技的進(jìn)步所帶來的算力提升，則成為了此輪人工智能爆發(fā)的科技基礎(chǔ)。除前述的谷歌、寒武紀(jì)等公司之外，百度、阿里巴巴、IBM等國(guó)內(nèi)外科技公司也加入了設(shè)計(jì)、研發(fā)人工智能定制化芯片這一行列。一方面，GPU具有高并發(fā)性計(jì)算方面的優(yōu)勢(shì)，使之更為適合人工智能領(lǐng)域所需的算法，其在全世界個(gè)人與商用計(jì)算機(jī)上的廣泛使用也為人工智能的下一步推廣應(yīng)用提供了兼容性上的可能，而GPU計(jì)算若與互聯(lián)網(wǎng)乃至近期火熱的區(qū)塊鏈技術(shù)所結(jié)合，分布式計(jì)算可以帶來算力上的進(jìn)一步提升，在降低成本的同時(shí)可以推動(dòng)人工智能的進(jìn)一步發(fā)展。另一方面，定制化的芯片使得人工智能得以在更為契合的硬件平臺(tái)上運(yùn)行，相較于傳統(tǒng)的CPU計(jì)算，減少了許多計(jì)算中因硬件廠商追求商業(yè)化所帶來的性能上的浪費(fèi)，使得人工智能的研發(fā)與使用更為高效經(jīng)濟(jì)，有助于人工智能產(chǎn)業(yè)規(guī)?；l(fā)展。人工智能的發(fā)展基礎(chǔ)需要海量的數(shù)據(jù)支持，而移動(dòng)互聯(lián)網(wǎng)的發(fā)展方便了大數(shù)據(jù)的收集與預(yù)處理，拓展了人工智能的應(yīng)用場(chǎng)景，使得諸如Siri、Cortana等語音助手以及如科大訊飛等語音輸入服務(wù)得到了廣泛應(yīng)用。在數(shù)據(jù)的收集上，如地圖、網(wǎng)約車等應(yīng)用可以收集如出行、路況等方面的數(shù)據(jù)，方便在訓(xùn)練人工智能以及進(jìn)行進(jìn)一步的數(shù)據(jù)挖掘等方面進(jìn)行應(yīng)用。

3 人工智能的現(xiàn)狀與展望

3.1 兩條發(fā)展路線之爭(zhēng)

正如1955年皮茨所說，“（一派人）企圖模擬神經(jīng)系統(tǒng)，而紐厄爾則企圖模擬心智（mind）…但殊途同歸”[7]，在“用什么方法發(fā)展人工智能”這個(gè)問題上，學(xué)術(shù)界長(zhǎng)期以來一直有著“結(jié)構(gòu)”與“功能”兩種路線。

由生物學(xué)、醫(yī)學(xué)與神經(jīng)科學(xué)主導(dǎo)的一派試圖去模擬大腦結(jié)構(gòu)，從而理清智能產(chǎn)生的過程。眾所周知，人類的智慧來源于大腦。這一派學(xué)者通過模擬大腦皮層中神經(jīng)元的結(jié)構(gòu)與功能來復(fù)刻出與大腦結(jié)構(gòu)相似的機(jī)器，從而造出人工智能[3]。然而人腦的神經(jīng)元有數(shù)百萬，模擬這么多神經(jīng)元并使它們協(xié)調(diào)工作具有極大挑戰(zhàn)性，需要人們對(duì)大腦及神經(jīng)工作原理的透徹理解，但迄今為止，科學(xué)家仍未真正弄清人腦智能的產(chǎn)生機(jī)理[8]。此外，現(xiàn)有的神經(jīng)網(wǎng)絡(luò)只能模擬較為簡(jiǎn)單的主干神經(jīng)元及其功能，相較于人類復(fù)雜的神經(jīng)網(wǎng)甚至是人類的末梢神經(jīng)都還有很大差距[9]，這些障礙使得這一派的研究工作變得十分困難。而由計(jì)算機(jī)科學(xué)家主導(dǎo)的一派則更傾向于跳過對(duì)神經(jīng)結(jié)構(gòu)的模擬，直接復(fù)制大腦思考的功能，他們通過利用深度學(xué)習(xí)對(duì)算法進(jìn)行改進(jìn)，以達(dá)到具有分析、預(yù)測(cè)和識(shí)別等能力的效果。相較于結(jié)構(gòu)路線，他們的研究更適合于實(shí)際應(yīng)用，且研究難度更低，因此也獲得了更多青睞。但無論如何，兩條路線終究殊途同歸：它們都是為建造更為智能、功能更為強(qiáng)大、應(yīng)用價(jià)值更高的人工智能而努力。

3.2 發(fā)展趨勢(shì)與挑戰(zhàn)

今日，人工智能已經(jīng)大量應(yīng)用于各行各業(yè)。例如，在智慧網(wǎng)絡(luò)方面，人工智能進(jìn)行網(wǎng)絡(luò)維護(hù)與需求預(yù)測(cè)；在醫(yī)學(xué)方面，人工智能可以進(jìn)行基于圖片分析的檢驗(yàn)結(jié)果分析，從而實(shí)現(xiàn)輔助診斷，且在部分診斷領(lǐng)域可達(dá)到90%以上；在智能金融方面，人工智能可以通過大數(shù)據(jù)分析，定制理財(cái)方案[10]；在人臉識(shí)別方面，人工智能也實(shí)現(xiàn)了準(zhǔn)確率超過99%等一系列的研究成果[11]。

雖然人工智能產(chǎn)業(yè)正在蓬勃發(fā)展，但人工智能技術(shù)上的挑戰(zhàn)更值得我們重視。目前基于人工智能的計(jì)算機(jī)視覺已能夠在一些情況下準(zhǔn)確提取出圖片中的內(nèi)容，分辨其中的物體，然而在面對(duì)針對(duì)性的攻擊時(shí)，人工智能卻十分脆弱。一個(gè)典型的例子則是2015年Ian Goodfellow 等研究者對(duì)一幅置信度57.7%的熊貓圖片加入針對(duì)性的干擾，生成的圖片人類可以無障礙地正確辨別，然而AI則給出了置信度99.3%為長(zhǎng)臂猿的識(shí)別結(jié)果[12]。人工智能面對(duì)針對(duì)性的攻擊所體現(xiàn)的脆弱一面，恰恰說明了人工智能在未來還有廣闊的發(fā)展空間，并且其未來發(fā)展方向不僅要著重于任務(wù)的復(fù)雜性，更要著重于完成任務(wù)的可靠性。在自然語言處理方面，現(xiàn)有的人工智能只能夠進(jìn)行語義分析，卻不能真正理解文本中所傳遞的信息，而這也體現(xiàn)在機(jī)器翻譯上。翻譯真正的要旨，是真正理解語言表達(dá)的內(nèi)容、情感，并以另一種語言表達(dá)。但現(xiàn)有的機(jī)器翻譯原理是將原文分塊后逐塊翻譯并重新組合，這不可避免地會(huì)帶來譯文表述不自然，以及語法、語義上的錯(cuò)誤，此外，人工智能在基于常識(shí)的邏輯推斷上相較于人類也有著較大的不足，從而導(dǎo)致難以處理語言歧義等問題。因此，建造能夠基于常識(shí)進(jìn)行邏輯推斷的算法也是人工智能未來的發(fā)展方向之一。

3.3 在道德在社會(huì)層面的挑戰(zhàn)

人工智能的發(fā)展為社會(huì)帶來的新挑戰(zhàn)主要集中在就業(yè)與人工智能技術(shù)的不當(dāng)使用等方面。人工智能的發(fā)展在達(dá)到一定程度后，將不可避免地以其低成本、高效率的優(yōu)勢(shì)取代該領(lǐng)域中的絕大多數(shù)高重復(fù)性、創(chuàng)新性低的職位，從而造成該行業(yè)內(nèi)大規(guī)模失業(yè)。對(duì)于這些問題，政府方面要加強(qiáng)社會(huì)保障，實(shí)行基本收入制度[13]；勞動(dòng)者也要注意關(guān)注前沿科技變化，終身學(xué)習(xí)，以應(yīng)對(duì)潛在的失業(yè)風(fēng)險(xiǎn)。人工智能由于研發(fā)成本較高，因此相關(guān)前沿研究主要由少數(shù)公司或大學(xué)等科研機(jī)構(gòu)進(jìn)行，而許多大公司在形成技術(shù)壟斷后，由于商業(yè)競(jìng)爭(zhēng)等原因不將算法進(jìn)行公開，由此帶來的算法上的不透明將會(huì)導(dǎo)致社會(huì)力量難以對(duì)其監(jiān)督，產(chǎn)生技術(shù)不當(dāng)使用、算法惡意利用或不當(dāng)?shù)美葐栴}。這方面的先例有YouTube智能推薦算法引發(fā)的“艾莎門”事件，滴滴出行等網(wǎng)絡(luò)平臺(tái)的“大數(shù)據(jù)殺熟”事件等，這些都體現(xiàn)了算法上的不透明使得消費(fèi)者乃至公眾利益受到侵犯時(shí)人們不能及時(shí)有效地作出應(yīng)對(duì)。因此，未來的人工智能發(fā)展應(yīng)在技術(shù)的開源與透明化上下功夫。區(qū)塊鏈技術(shù)或許可成為備選方案，其擁有去中心化、開放等優(yōu)點(diǎn)，能夠更好地保障算法的透明度。目前，基于區(qū)塊鏈的人工智能處于探索階段，已有不少專業(yè)人士提出了此類設(shè)想[14]。

4 結(jié)束語

作為一門新興學(xué)科，人工智能在發(fā)展歷程中歷經(jīng)坎坷，并在不斷的失敗中找尋未來的發(fā)展方向。人工智能在算法、算力與數(shù)據(jù)的帶動(dòng)下正在高速發(fā)展并不斷取得新的突破，并在未來會(huì)變得更加強(qiáng)大，其影響也將更具革命性。因此，我們應(yīng)在道德與法律的指引下不斷推動(dòng)人工智能發(fā)展，并使人工智能技術(shù)真正起到助力經(jīng)濟(jì)建設(shè)、推動(dòng)社會(huì)發(fā)展的作用，從而使之更好地造福人類社會(huì)。