第二節　人工智能概述

人工智能是半個多世紀以來人類科技史上發展最快的重大技術之一，它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門技術科學。人工智能研究的主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作，它在機器人、語言識別、圖像識別、自然語言處理和專家系統等領域取得了令人矚目的成就。[3]

人工智能是20世紀三大尖端技術之一，從它的概念提出到現在已經有六十多年的發展歷史。人工智能誕生于1956年的達特茅斯會議，在五十多年發展歷程中經歷了幾起幾落。1956年夏，麥卡錫、明斯基等科學家在美國達特茅斯學院開會研討“如何用機器模擬人的智能”，首次提出“人工智能（Artificial Intelligence，簡稱AI）”這一概念，標志著人工智能學科的誕生。人工智能的研究目的是促使智能機器會聽（語音識別、機器翻譯等），會看（圖像識別、文字識別等），會說（語音合成、人機對話等），會思考（人機對弈、定理證明等），會學習（機器學習、知識表示等），會行動（機器人、自動駕駛汽車等）。

1957年，羅森布拉特（F.Rosenblatt）發明了感知機（perceptron），第一次將神經網絡研究從純理論變為實踐；1982年，美國加州工學院的霍普菲爾德（J.Hopfield）提出了神經網絡模型；1984年，黑頓（J.Hiton）等人提出了玻茲曼（Boltzmann）機，它是受統計力學啟發的多層學習機；1986年，拉孟哈特（D.E.Rumellhart）和麥克里蘭德（J.L.McClelland）提出了BP算法使得大規模神經網絡的訓練成為可能，它是目前應用最為廣泛的神經網絡之一。

1997年，由IBM公司研制的超級計算機“Deep Blue”在與國際象棋冠軍卡斯帕羅夫的六盤對弈中，取得了三勝二和一負的戰績；2006年，杰夫·辛頓（Geoffrey Hinton）提出“深度學習”神經網絡使得人工智能性能獲得突破性進展；2013年，深度學習算法在語音和視覺識別上取得成功，識別率分別超過99%和95%，[4]進入感知智能時代；2016年和2017年，谷歌Alpha Go分別以4:1和3:0戰勝李世石九段和柯潔九段，揭開人工智能新篇章。

美國加州大學洛杉磯分校的朱松純教授認為人工智能60多年的發展歷史存在分化和斷代現象，把人工智能的歷史分為邏輯表達與啟發式搜索階段（1956—1974）、專家系統和神經網絡階段（1980—1987），視覺、語言、認知、學習和機器人階段（1987—2011），深度學習與博弈游戲階段（2012至今），其中人工智能在70年代有斷代現象，也可以說是低谷期，而在80年代人工智能進入分化階段，從數理基礎上說可分為邏輯表達和推理階段、概率模型學習計算階段。同時，他認為人工智能是一個非常廣泛的領域，涵蓋很多大的學科，根據應用場景可以歸納為計算機視覺（包括模式識別、圖像處理等）、自然語言理解與交流（包括語音識別合成），認知與推理、機器人學、博弈與倫理（多代理人交互對抗和合作）、機器學習（各種統計建模分析和計算方法）六個方面。

譚鐵牛將人工智能的發展歷程劃分為六個階段：一是起步發展期：1956年—20世紀60年代初。人工智能概念提出后，相繼取得了一批令人矚目的研究成果，如機器定理證明、跳棋程序等，掀起人工智能發展的第一個高潮。二是反思發展期：20世紀60年代—70年代初。人工智能發展初期的突破性進展大大提升了人們對人工智能的期望，人們開始嘗試更具挑戰性的任務，并提出了一些不切實際的研發目標。然而，接二連三的失敗和預期目標的落空（例如，無法用機器證明兩個連續函數之和還是連續函數、機器翻譯鬧出笑話等），使人工智能的發展走入低谷。三是應用發展期：20世紀70年代初—80年代中。20世紀70年代出現的專家系統模擬人類專家的知識和經驗解決特定領域的問題，實現了人工智能從理論研究走向實際應用、從一般推理策略探討轉向運用專門知識的重大突破。專家系統在醫療、化學、地質等領域取得成功，推動人工智能走入應用發展的新高潮。四是低迷發展期：20世紀80年代中—90年代中。隨著人工智能的應用規模不斷擴大，專家系統存在的應用領域狹窄、缺乏常識性知識、知識獲取困難、推理方法單一、缺乏分布式功能、難以與現有數據庫兼容等問題逐漸暴露出來。五是穩步發展期：20世紀90年代中—2010年。由于網絡技術特別是互聯網技術的發展，加速了人工智能的創新研究，促使人工智能技術進一步走向實用化。1997年國際商業機器公司（簡稱IBM）深藍超級計算機戰勝了國際象棋世界冠軍卡斯帕羅夫，2008年IBM提出“智慧地球”的概念。六是蓬勃發展期：2011年至今。隨著大數據、云計算、互聯網、物聯網等信息技術的發展，在感知數據和圖形處理器等計算平臺推動以深度神經網絡為代表的人工智能技術飛速發展，大幅跨越了科學與應用之間的“技術鴻溝”，諸如圖像分類、語音識別、知識問答、人機對弈、無人駕駛等人工智能技術實現了從“不能用、不好用”到“可以用”的技術突破，迎來爆發式增長的新高潮。[5]

在人工智能產業化方面，蔡自興首先回顧國際人工智能產業化的歷史發展階段，接著歸納出人工智能產業化的現狀是產業化基礎好、起點高、投融資環境空前看好、各國出臺政策助推行業發展機遇、感知智能領域相對成熟、人工智能人才緊缺爭奪激烈、人工智能的社會和倫理問題引人關注等特征，最后分析人工智能產業化的發展趨勢包括人工智能核心技術加速突破、產業強勁發展、智能化應用場景從單一向多元發展、人工智能和實體經濟深度融合進程進一步加快、智能服務呈現線下和線上的無縫銜接、逐步實現全產業鏈布局、重視開發人工智能共享平臺和加緊人工智能法律研究與建設等。[6]

目前各種人工智能技術在許多領域都獲得了廣泛應用，已滲透到人類社會的方方面面，也開發出了許多實用系統，如語言翻譯、人臉識別、車牌識別、智慧駕駛、智慧交通等領域出現了大量的軟件產品，持續改變著人類的生活、學習和工作，極大地改善和提高了社會生產力。

深度學習是一種層次較深的神經網絡模型，其深度網絡主要體現為對象特征的多次變換，G.辛頓（Geoffrey Hinton）于2006年提出：常用的深度學習模型為多層神經網絡，神經網絡的每一層都將輸入非線性映射，通過多層非線性映射的堆疊，可以在深層神經網絡中計算出非常抽象的特征來幫助分類。深度學習的出現使得人們在很多應用中不再需要單獨對特征進行選擇與變換，而是將原始數據輸入到模型中，由模型通過學習給出適合分類的特征表示。當前，深度學習是機器學習領域最熱門的分支，并且有多個高度集成化的方法平臺可以讓使用者無須對方法原理充分了解就可以搭建程序進行實驗和應用。[7]

孫志遠等人認為深度學習是機器學習領域一個新興的研究方向，它通過模仿人腦結構，實現對復雜輸入數據的高效處理，智能地學習不同的知識，而且能夠有效地解決多類復雜的智能問題。近年來，隨著深度學習高效學習算法的出現，機器學習界掀起了研究深度學習理論及應用的熱潮。實踐表明，深度學習是一種高效的特征提取方法，它能夠提取數據中更加抽象的特征，實現對數據更本質的刻畫，同時深層模型具有更強的建模和推廣能力。鑒于深度學習的優點及其廣泛應用，孫志遠對深度學習進行了較為系統的介紹，詳細闡述了其產生背景、理論依據、典型的深度學習模型、具有代表性的快速學習算法、最新進展及實踐應用，最后還探討了深度學習在未來值得研究的方向。[8]

現在深度學習已經在圖像識別、語音識別[9]和圍棋對弈[10]方面都超過了人類，伴隨著人類探索未知領域的腳步，可以預見，深度學習技術在人類生活中的應用將更加廣泛。