隨著人工智能（artificial intelligent，AI）技術(shù)的不斷發(fā)展，各種AI產(chǎn)品已經(jīng)逐步進入了我們的生活。

現(xiàn)如今，各種AI產(chǎn)品已經(jīng)逐步進入了我們的生活｜Pixabay

19世紀(jì)，作為人工智能和計算機學(xué)科的鼻祖，數(shù)學(xué)家查爾斯·巴貝奇（Charles Babbage）與艾達·洛夫萊斯（Ada Lovelace）嘗試著用連桿、進位齒輪和打孔卡片制造人類最早的可編程數(shù)學(xué)計算機，來模擬人類的數(shù)理邏輯運算能力。

20世紀(jì)初期，隨著西班牙神經(jīng)科學(xué)家拉蒙-卡哈爾（Ramón y Cajal ）使用高爾基染色法對大腦切片進行顯微觀察，人類終于清晰地意識到，我們幾乎全部思維活動的基礎(chǔ)，都是大腦中那些伸出細長神經(jīng)纖維、彼此連接成一張巨大信息網(wǎng)絡(luò)的特殊神經(jīng)細胞——神經(jīng)元。

至此，盡管智能的具體運作方式還依然是個深不見底的迷宮，但搭建這個迷宮的磚瓦本身，對于人類來說已經(jīng)不再神秘。

智能，是一種特殊的物質(zhì)構(gòu)造形式。

就像文字既可以用徽墨寫在宣紙上，也可以用鑿子刻在石碑上，智能，也未必需要拘泥于載體。隨著神經(jīng)科學(xué)的啟迪和數(shù)學(xué)上的進步，20世紀(jì)的計算機科學(xué)先驅(qū)們意識到，巴貝奇和艾達試圖用機械去再現(xiàn)人類智能的思路，在原理上是完全可行的。因此，以艾倫·圖靈（Alan Turing）為代表的新一代學(xué)者開始思考，是否可以用二戰(zhàn)后新興的電子計算機作為載體，構(gòu)建出“人工智能”呢？

圖靈在1950年的論文《計算機器與智能（Computing Machinery and Intelligence）》中，做了一個巧妙的“實驗”，用以說明如何檢驗“人工智能”。

英國數(shù)學(xué)家，計算機學(xué)家圖靈

這個“實驗”也就是后來所說的“圖靈測試（Turing test ）”：一名人類測試者將通過鍵盤和顯示屏這樣不會直接暴露身份的方式，同時與一名人類和一臺計算機進行“網(wǎng)聊”，當(dāng)人類測試者中有七成都無法正確判斷交談的兩個“人”孰真孰假時，就認(rèn)為這個計算機已經(jīng)達到了“人工智能”的標(biāo)準(zhǔn)。

雖然，圖靈測試只是一個啟發(fā)性的思想實驗，而非可以具體執(zhí)行的判斷方法，但他卻通過這個假設(shè)，闡明了“智能”判斷的模糊性與主觀性。而他的判斷手段，則與當(dāng)時心理學(xué)界崛起的斯納金的“行為主義”不謀而合。簡而言之，基于唯物主義的一元論思維，圖靈和斯金納都認(rèn)為，智能——甚至所有思維活動，都只是一套信息處理系統(tǒng)對外部刺激做出反應(yīng)的運算模式。因此，對于其他旁觀者來說，只要兩套系統(tǒng)在面對同樣的輸入時都能夠輸出一樣的反饋，就可以認(rèn)為他們是“同類”。

1956年，人工智能正式成為了一個科學(xué)上的概念，而后涌現(xiàn)了很多新的研究目標(biāo)與方向。比如說，就像人們在走迷宮遇到死胡同時會原路返回尋找新的路線類似，工程師為了使得人工智能達成某種目標(biāo)，編寫出了一種可以進行回溯的算法，即“搜索式推理”。

而工程師為了能用人類語言與計算機進行“交流”，又構(gòu)建出了“語義網(wǎng)”。由此第一個會說英語的聊天機器人ELIZA誕生了，不過ELIZA僅僅只能按照固定套路進行作答。

而在20世紀(jì)60年代后期，有學(xué)者指出人工智能應(yīng)該簡化自己的模型，讓人工智能更好的學(xué)習(xí)一些基本原則。在這一思潮的影響下，人工智能開始了新一輪的發(fā)展，麻省理工學(xué)院開發(fā)了一種早期的自然語言理解計算機程序，名為SHRDLU。工程師對SHRDLU的程序積木世界進行了極大的簡化，里面所有物體和位置的集合可以用大約50個單詞進行描述。模型極簡化的成果，就是其內(nèi)部語言組合數(shù)量少，程序基本能夠完全理解用戶的指令意義。在外部表現(xiàn)上，就是用戶可以與裝載了SHRDLU程序的電腦進行簡單的對話，并可以用語言指令查詢、移動程序中的虛擬積木。SHRDLU一度被認(rèn)為是人工智能的成功范例，但當(dāng)工程師試圖將這個系統(tǒng)用來處理現(xiàn)實生活中的一些問題時，卻慘遭滑鐵盧。

而這之后，人工智能的發(fā)展也與圖靈的想象有所不同。

現(xiàn)實中的人工智能發(fā)展，并未在模仿人類的“通用人工智能（也稱強人工智能）”上集中太多資源。相反，人工智能研究自正式誕生起，就專注于讓計算機通過“機器學(xué)習(xí)”來自我優(yōu)化算法，最后形成可以高效率解決特定問題的“專家系統(tǒng)”。由于這些人工智能只會在限定好的狹窄領(lǐng)域中發(fā)揮作用，不具備、也不追求全面復(fù)雜的認(rèn)知能力，因此也被稱為“弱人工智能”。

但是無論如何，這些可以高效率解決特定問題的人工智能，在解放勞動力，推動現(xiàn)代工廠、組織智能化管理上都起到了關(guān)鍵作用。而隨著大數(shù)據(jù)、云計算以及其他先進技術(shù)的發(fā)展，人工智能正在朝著更加多遠，更加開放的方向發(fā)展。隨著系統(tǒng)收集的數(shù)據(jù)量增加，AI算法的完善，以及相關(guān)芯片處理能力的提升，人工智能的應(yīng)用也將逐漸從特定的碎片場景轉(zhuǎn)變?yōu)楦由疃?、更加多元的?yīng)用場景。

人工智能讓芯片的處理能力得以提升｜Pixabay

從小的方面來看，人工智能其實已經(jīng)漸漸滲透進了我們生活的方方面面。比如喊一聲就能回應(yīng)你的智能語音系統(tǒng)，例如siri，小愛同學(xué)；再比如在超市付款時使用的人臉識別；抑或穿梭在餐廳抑或酒店的智能送餐機器人，這些其實都是人工智能的應(yīng)用實例。而從大的方面來看，人工智能在制造、交通、能源及互聯(lián)網(wǎng)行業(yè)的應(yīng)用正在逐步加深，推動了數(shù)字經(jīng)濟生態(tài)鏈的構(gòu)建與發(fā)展。

雖然腦科學(xué)與人工智能之間仍然存在巨大的鴻溝，通用人工智能仍然像個科幻夢，但就像蕭伯納所說的那樣“科學(xué)始終是不公道的，如果它不提出十個問題，也永遠無法解決一個問題。”科學(xué)總是在曲折中前進，而我們只要保持在不斷探索中，雖無法預(yù)測是否能達到既定的目的地，但途中終歸會有收獲。

參考文獻

[1] 王永慶. 人工智能原理與方法[M]. 西安交通大學(xué)出版社, 1998.

[2] Russell, Stuart J . Artificial Intelligence: A Modern Approach[J]. 人民郵電出版社, 2002.

[3] Gabbay D M , Hogger C J , Robinson J A , et al. Handbook of logic in artificial intelligence and logic programming. Vol. 1: Logical foundations. , 1995.

[4] 胡寶潔,趙忠文,曾巒,張永繼. 圖靈機和圖靈測試[J]. 電腦知識與技術(shù)：學(xué)術(shù)版, 2006(8):2.

[5] 趙楠, 缐珊珊. 人工智能應(yīng)用現(xiàn)狀及關(guān)鍵技術(shù)研究[J]. 中國電子科學(xué)研究院學(xué)報, 2017, 12(6):3.

[6] Genesereth M R , Nilsson N J . Logical Foundation of Artificial Intelligence[J]. brain broad research in artificial intelligence & neuroscience, 1987