人工智能 70 年,AI 十大里程碑

商業

10-04 10:06

本文來自公眾號全媒派(ID:quanmeipai),作者騰訊傳媒,愛范兒經授權發布。

近期,人工智能頻上熱搜:Facebook 直擊現代人「今天穿什么」的痛點,推出 Fashion++,通過算法調整服裝穿搭;美國作家安德魯?卡普蘭則將利用對話 AI 技術和數字助理設備在云上實現「永生」;ZAO 利用 deepfake 技術實現視頻換臉,「以假亂真」……

從 AI 換臉到 AI 試穿,再到 AI 助「數字永生」……如今,人工智能正全方位滲透到我們的生活中,重要且不可忽視。

人工智能是如何走到今天的?本期全媒派(ID:quanmeipai)獨家編譯 Fast Company 文章,盤點與人工智能發展相關的七十余載,看看這些高光與低潮時刻如何推動人工智能不斷「進化」,改變人類生活的世界。

艾薩克·阿西莫夫提出「機器人三大定律」(1942)

1942 年,艾薩克·阿西莫夫(IsaacAsimov)發表了短篇小說《轉圈圈》(Runaround,又譯作《環舞》)。這位著名的科幻作家首次完整地闡述了他的「機器人三大定律」:

第一定律:機器人不得傷害人類,或因不作為而讓人類受到傷害。

第二定律:機器人必須服從人類的命令,除非這些命令違背了第一定律。

第三定律:在不違背第一與第二定律的前提下,機器人必須保護自己。

《轉圈圈》講述的是一個名叫速必敵(Speedy)的機器人,它接受了人類的命令,去危險的硒溶池執行采集任務。當它越來越靠近目的地,危險的程度越來越高,第三定律讓它不得不離開以保護自己;但當它開始遠離目的地,第二定律又讓它必須服從命令前進。因此,它被置于一個前后兩難的矛盾境地,圍繞著硒溶池不停地轉圈圈。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲ 水星上,兩名宇航員尋找不停轉圈圈的速必敵

阿西莫夫的「機器人」系列故事吸引了很多科幻迷,其中的一些科學家開始思考機器擁有思考能力的可能性。直到現在,仍有許多人使用阿西莫夫的三大定律,進行人工智能的智力練習。

艾倫·圖靈提出模仿游戲(1950)

1950 年,艾倫·圖靈(Alan Turing)寫道:「我提議考慮一個問題——‘機器能思考嗎?’」

這句話是其開創性的研究論文《計算機器與智能》的開頭。該論文提出了一個思考機器智能的模型。他反問道,如果一臺機器能夠模仿人類有意識的行為,難道它不會有意識嗎?

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲ 艾倫·圖靈在 1950 年首次提出了判斷機器意識的基準

受到理論性問題的啟發,圖靈經典的「模仿游戲」誕生了。游戲設置了三個角色,人、機器和人類「詢問者」。「詢問者」需要與其余二者在物理空間上分隔開。「詢問者」發起提問,且根據二者的純文本回應(避免聲音回答產生干擾),區分機器和人。如果一臺機器能夠與人類溝通(注:圖靈認為理想情況是使用 Teleprinter,即「電傳打字機」),且讓「詢問者」難以分辨人與機器的分別,那么這臺機器就被認為具有智能。

在圖靈時代,沒有一臺機器能夠通過這樣的測試,直到今天也沒有。但他的測試為區分機器是否具有智能提供了一個簡單的標準。它幫助塑造了人工智能的哲學。

達特茅斯舉辦人工智能大會(1956)

到 1955 年,世界各地的科學家已經開始思考一些概念問題,比如神經網絡和自然語言,但還沒有統一的概念來概括這些與機器智能有關的領域。

達特茅斯學院(Dartmouth College)數學教授約翰·麥卡錫(John McCarthy)創造了「人工智能」這個術語來囊括這一切。

由麥卡錫領導的一個小組申請了撥款,在第二年舉辦了一場人工智能大會。1956 年夏天,他們邀請了許多頂尖科研人員到特茅斯禮堂參加會議。科學家們討論了人工智能研究諸多的潛在發展領域,包括學習和搜索、視覺、推理、語言和認知、游戲(尤其是國際象棋),以及人機交互(比如個人機器人)。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

這場討論達成的普遍共識是,人工智能具有造福人類的巨大潛力。他們得出了一個「機器智能可能產生影響的研究領域」的總體框架。這次會議規范并促進了作為一門研究學科的人工智能在此后多年的發展。

弗蘭克·羅森布拉特創造了感知機?(1957)

神經網絡的基本結構被稱為「感知機」(Perceptron),相當于節點(node),接收一系列輸入并進行計算,對其進行分類和置信水平分析。舉例而言,「輸入」可能會分析一張圖片的不同部分,并對圖像中是否有人臉進行「投票」。節點將會對投票行為和置信水平進行計算,并得出結論。今天,在強大的計算機上運行的人工神經網絡,連接了數十億計這樣的結構。

但在強大的計算機出現前,感知機就已經存在了。20 世紀 50 年代末,一位年輕的心理學家,弗蘭克·羅森布拉特(Frank Rosenblatt),為一臺名為 Mark I 的感知機建立了一個機械模型。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲ 弗蘭克·羅森布拉特在康奈爾航空實驗室建立了一個「神經網絡」

這臺機器是為圖像識別而設計的。它是一個模擬神經網絡,其中的感光單元矩陣通過導線與節點相連。羅森布拉特開發了一種「感知機算法」,引導網絡逐漸調整其輸入強度,直到它們始終正確地識別圖像,從而有效地讓它進行學習。

當時,羅森布拉特受到美國海軍的經費資助,召開了新聞發布會。《紐約時報》抓住了發布會的要點:「海軍透露了一種電子計算機的雛形,希望未來它能夠走、說、寫、看、自我復制并意識到自己的存在。」

如今,這臺最早的感知器存放在美國的史密森尼博物院(Smithsonian)中。

直到 20 世紀 80 年代,科學家們還在激烈地討論感知機的相關問題。這對于創建神經網絡的物理實體非常重要,而在此之前,神經網絡主要是一個學術概念。

人工智能的第一個冬天(20 世紀 70 年代)

人工智能已經將其大部分的歷史投入到研究領域中。在 20 世紀 60 年代的大部分時間里,美國國防部高級研究計劃局(DARPA)等政府機構為研究投入大量資金,但對于最終的回報要求不多。與此同時,為了保證經費充足,人工智能的學者經常夸大他們的研究前景。這一切在 60 年代末 70 年代初發生了改變。

1966 年,語言自動處理咨詢委員會(ALPAC)向美國政府提交了一份報告;1973 年,英國科學研究委員會(SRC)向英國政府提交了一份由知名應用數學家 James Lighthill 爵士帶頭起草的報告。兩份報告都對人工智能研究各個領域的實際進展提出了質疑,它們看待技術前景的態度也非常悲觀。Lighthill 報告認為,用于語音識別等任務的人工智能很難擴展到對政府或軍方有用的規模。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲ 1973 年 BBC 錄制的 AI 擁護者與反對者 James Lighthill 的辯論

因此,美國政府和英國政府都開始削減大學人工智能研究的資金。在上世紀 60 年代的大部分時間里,DARPA 一直慷慨地提供人工智能研究經費。如今,DARPA 要求研究計劃必須有明確的時間表,并且詳細描述項目成果。

當時的人工智能似乎是讓人失望的,它的能力可能永遠達不到人類的水平。人工智能第一個「冬天」一直持續到 70 年代,并且繼續蔓延到 80 年代。

人工智能迎來第二個冬天(1987)

20 世紀 80 年代的人工智能發展,是隨著「專家系統」(Expert Systems)的發展與大獲成功開始的。

專家系統是一種模擬人類專家解決領域問題的計算機程序系統。系統內存儲了大量領域知識,并模仿人類專家來做出決策。

這一系統最初是由卡內基梅隆大學為數字設備公司(Digital Equipment Corporation)開發的,后者迅速采用了這項技術。

但是專家系統需要昂貴的專用硬件支持,這就出現了一個問題:當時,Sun Microsystems 的工作站、Apple 和 IBM 的個人電腦都擁有近似的能力,但價格卻更低。1987 年,專家系統計算機的市場崩潰了,主要供應商黯然離場。

上世紀 80 年代初,專家系統的繁榮讓 DARPA 增加了對人工智能研究的資金投入。但后來情況再次發生了改變,除了少數人為挑選的項目以外,DAPRA 再次切斷對于其他人工智能項目的大部分資助。

「人工智能」一詞再次成為研究領域的禁忌。為了避免被視為不切實際、渴求資助的「夢想家」,科研人員開始為人工智能相關的研究冠上不同的名稱——比如「信息學」、「機器學習」和「分析學」。

第二個「人工智能冬天」延續到了 2000 年代。

IBM 的深藍擊敗卡斯帕羅夫(1997)

1997 年,當 IBM 的深藍國際象棋(Deep Blue chess)電腦在國際象棋比賽中擊敗了當時的世界冠軍加里?卡斯帕羅夫(Garry Kasparov)時,人工智能的公眾形象大幅提升。

在電視直播的六場比賽中,深藍贏了兩場,卡斯帕羅夫贏了一場,其中三場以平局告終。在前一年,卡斯帕羅夫擊敗了早期版本的「深藍」。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲1997 年,IBM 的深藍擊敗了世界上最好的人類棋手加里·卡斯帕羅夫

深藍擁有強大的計算能力,它使用了一種「蠻力」的方法,每秒評估 2 億種可能的走法,從而找到最佳走法。而人類每回合只能檢查大約 50 步。深藍達到的效果就像人工智能一樣,但是計算機此時還并沒有真正地在下棋中思考策略、自主學習。

盡管如此,深藍的勝利還是將人工智能非常高調地帶回了公眾視野。有人很著迷,也有人則對機器打敗頂尖的人類棋手這件事感到很不自在。令投資者難以忘懷的是:深藍的勝利推動 IBM 股價上漲了 10 美元,創下了歷史新高。

神經網絡看到貓(2011)

到 2011 年,世界各地的科學家都在討論并創造神經網絡。那一年,谷歌工程師杰夫·迪恩(Jeff Dean)遇到了斯坦福大學計算機科學教授吳恩達(Andrew Ng)。兩人萌生了建立一個大型神經網絡的想法,利用谷歌的服務器資源為其提供強大的計算能力,并向它輸送海量的圖像數據集。

他們建立的神經網絡在 16000 個服務處理器上運行。他們隨機上傳了 1000 萬張沒有標簽的來自 YouTube 的截圖。杰夫和吳恩達并沒有要求神經網絡提供任何特定信息,或標記圖像。當神經網絡在「無監督」的狀態下運行時,它們自然會試圖在數據找到模式,并形成分類。

神經網絡對圖像數據進行了為期三天的處理。然后,它返回了一個輸出,該輸出包含了三個模糊圖像,這些圖像描述了它在測試圖像中一次又一次看到的「圖案」——人臉、人體和貓。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲ 神經網絡對圖像數據的處理

在計算機視覺任務中使用神經網絡和無監督學習,該研究是一個重大突破。這個事件也標志著「谷歌大腦項目」(Google Brain Project)的開始。

杰弗里·辛頓解放了深層神經網絡(2012)

在杰夫和吳恩達取得突破性進展之后的一年,多倫多大學教授杰弗里·辛頓(Geoffrey Hinton)和他的兩個學生建立了名為 AlexNet 的計算機視覺神經網絡模型。2012 年,在著名的 ImageNet 的圖像識別大賽當中,AlexNet 一舉奪冠。參賽者必須使用自己的系統來處理數百萬的測試圖像,并且以盡可能高的準確率進行識別。AlexNet 贏得了比賽,錯誤率不到亞軍的一半。AlexNet 的 Top-5 錯誤率是 15.3%;而在 2012 年以前,最好成績是 26% 的錯誤率。

注:Top-5 錯誤率是 ImageNet 大賽的評價標準之一。簡而言之,大賽給圖片類別設置了近千項「分類」,而模型識別圖片時,會給出其預測的「分類」概率排名。對于某個圖片,如果該模型預測結果中,預測概率最大的前 5 項都不吻合實際結果,則算「錯誤」。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲「深度學習教父」——杰弗里·辛頓

這一成功有力地證明,深度神經網絡在對圖像進行準確識別和分類方面遠遠優于其他系統。這次奪冠影響極其深遠,使深度神經網絡得以復興,也為辛頓贏得了「深度學習教父」的綽號。

辛頓和他的同事約舒亞·本喬(Yoshua Bengio)、揚·勒昆(Yann LeCun)一起獲得了 2018 年圖靈獎。

AlphaGo 打敗人類圍棋冠軍(2016)

早在 2013 年,一家名為 DeepMind 的英國初創公司的研究人員發表了一篇論文,展示了他們如何使用神經網絡來贏得 50 種老式的雅達利游戲(Atari)。令人印象深刻的是,谷歌以 4 億美元的價格收購了這家公司。

不過,DeepMind 的光輝歲月還未到來。

幾年后,DeepMind 的科學家們(現屬于谷歌)從雅達利游戲轉向人工智能的長期挑戰之一——圍棋。他們開發了一個名為 AlphaGo 的神經網絡模型用于玩圍棋,并通過玩來學習。該模型與其他版本的 AlphaGo 進行了數千場比賽,學習 AlphaGo 的輸贏策略。

它居然成功了。2016 年 3 月,AlphaGo 在一系列比賽中以 4 比 1 擊敗了世界上最偉大的韓國棋手李世石(Lee Sedol)。整個事件被拍成了紀錄片。

人工智能七十年 | AI十大里程碑:光影雙面,相伴前行

▲人類頂尖棋手與 AlphaGo 的交戰

觀看這部片子的時候,我們很難忘記李世石被擊敗時的悲傷。看起來就好像人類——而不僅僅是一個人——被打敗了。

在深度學習產生了廣泛影響的同時,人工智能的故事只是剛剛開始。

我們已經進入一個嶄新的時代。人工智能仍將充滿希望,裹挾著炒作與浮躁。它所帶來的,也許將遠遠超過個人計算和互聯網在過去 30 年對世界造成的改變。帶著對未來的期許,讓我們回到圖靈一開始提的問題:「機器能思考嗎?」

可能不需要再次歷經 70 年的求索,答案也許就在這個十年。

登錄,參與討論前請先登錄

評論在審核通過后將對所有人可見

正在加載中

騰訊全媒體智庫,捕捉全球內容風向,聚焦前沿傳媒研究,鏈接行業先鋒人士,發布重磅峰會、報告、招聘信息。在這里,定位未來。

本篇來自欄目

解鎖訂閱模式,獲得更多專屬優質內容
香港金吊桶论坛