2.1　人工智能的發(fā)展歷程

雖然人工智能直到21世紀才進入大眾視野并逐漸為人們所了解，但實際上“人工智能”一詞早在20世紀50年代就已經(jīng)被提出、研究并給出了定義。當時，一些研究人員嘗試用計算機來模擬人類的智能行為，并提出了一些基本概念和方法，如邏輯推理、符號計算、機器學習等。這些方法和概念被認為是人工智能的基礎(chǔ)。

斯圖爾特·羅素（Stuart J. Russell）和彼得·諾維格（Peter Norvig）在《人工智能：現(xiàn)代方法》（Artificial Intelligence A Modern Approach）一書中提到，與生物學中的分子生物學一樣，人工智能是第二次世界大戰(zhàn)后科學界最想去深入了解的領(lǐng)域之一。人工智能之父艾倫·圖靈認為，機器一旦有了智能，應(yīng)該能像人類一樣去行動，并于1950年提出了第一個判斷計算機的思維與能力的指標——圖靈測試。如果人類詢問者在提出一些書面問題后，不能分辨書面回答是來自人還是來自計算機，則計算機通過了測試。傳統(tǒng)圖靈測試要求計算機需要具備以下4點功能。

● 自然語言處理，這是它與我們溝通的基礎(chǔ)。

● 知識表示，用來記住它所學習到的內(nèi)容。

● 自動推理，用它的知識回答我們問它的問題。

● 機器學習，適應(yīng)新的環(huán)境，檢測和推斷我們需要的模式和結(jié)果。

還有一種觀點認為，人工智能理應(yīng)像人類一樣去思考，為此研究人員試圖通過模擬人類的認知過程來實現(xiàn)人工智能，這也推動了認知科學的發(fā)展。認知科學的發(fā)展可以追溯到20世紀五六十年代，主要關(guān)注人類認知過程的建模和仿真，研究人類是如何理解和處理信息的，以及如何從感官信息中推斷出結(jié)論。彼時，認知心理學家開始使用信息處理模型來描述人類認知過程，并提出了一些重要的理論，如決策理論、信息理論、記憶理論等，這些理論為人工智能研究提供了靈感和指導。認知科學為早期的人工智能研究提供了重要的思想基礎(chǔ)和理論支持，對人工智能的發(fā)展產(chǎn)生了重要影響。例如，早期的專家系統(tǒng)就是受到認知科學的啟發(fā)而開發(fā)出來的，旨在通過模擬人類專家的思維過程來解決特定領(lǐng)域的問題。

在人工智能發(fā)展早期，研究者大多采用符號主義的方法，即將人類知識轉(zhuǎn)化成符號和規(guī)則，再用計算機程序模擬這些規(guī)則和符號的運算過程。此外，推理也是早期人工智能研究的核心方法之一。通過建立邏輯規(guī)則和推理機制，計算機可以模擬人類的推理過程，如演繹推理、歸納推理等。

早期人工智能的發(fā)展存在如下局限和問題。

● 當時的計算機并不像今天這樣強大，導致人工智能模型的大小和復(fù)雜性存在局限，限制了人工智能系統(tǒng)處理大量數(shù)據(jù)的能力，使其難以訓練模型來執(zhí)行復(fù)雜的任務(wù)。

● 數(shù)據(jù)匱乏，而且數(shù)據(jù)質(zhì)量整體較差，導致人工智能系統(tǒng)在有效學習和歸納方面面臨挑戰(zhàn)。

● 當時的人工智能系統(tǒng)通常執(zhí)行特定的任務(wù)，缺乏歸納或應(yīng)對新場景的能力，泛化能力較弱。

● 依賴邏輯規(guī)則和專家知識做決策，很難以靈活的方式來表示知識。

● 人工智能系統(tǒng)大多是獨立的程序，無法以自然的方式與人類互動。

上述問題限制了人工智能在現(xiàn)實世界中的應(yīng)用，但也促進了人工智能新技術(shù)和新方法的發(fā)展。

20世紀七八十年代，人工智能的發(fā)展進入寒冬期。用于人工智能研究的資金大幅減少，研究界和產(chǎn)業(yè)界的興趣也在下降。這個期間的現(xiàn)象和特征源于一系列復(fù)雜的因素。最重要的是，早期人工智能的局限和問題仍然存在，并且其影響在這個時期變得更為明顯，而這進一步阻礙了對其能力的探索，也削弱了人們的期望。另外，隨著前期人工智能的一些發(fā)展，研究人員在知識整合問題上遭遇了瓶頸。人工智能系統(tǒng)需要有效地整合和使用來自不同領(lǐng)域的知識，但在這方面，研究人員的理解還很有限。這使得開發(fā)出能夠處理多領(lǐng)域問題的高級人工智能系統(tǒng)變得極為困難。這些因素帶來的最直觀的表現(xiàn)就是資金缺乏和研究興趣下降。早期人工智能系統(tǒng)的成功有限，導致了公眾和相關(guān)投資者的失望，使得用于人工智能研究的資金在20世紀七八十年代大幅減少。這種狀況進一步導致人工智能領(lǐng)域的研究人員數(shù)量下降，以及獲得資助的人工智能研究項目數(shù)量減少。然而，它也給了研究人員時間來反思早期人工智能方法的局限性，促使他們探索新的想法和方法，這對于人工智能后來的重新崛起是有積極作用的。

自20世紀80年代以來，人工智能領(lǐng)域經(jīng)歷了持續(xù)的技術(shù)變革和突破，尤其是進入21世紀以后，其發(fā)展更是日新月異。從初步的神經(jīng)網(wǎng)絡(luò)、遺傳算法和模糊邏輯，到近年來的深度學習、強化學習甚至最新的大語言模型如GPT和BERT，人工智能的算法和應(yīng)用范圍實現(xiàn)了巨大的進步。首先，算力的飛速發(fā)展和數(shù)據(jù)規(guī)模的爆發(fā)性增長，為人工智能的研究和應(yīng)用提供了更為豐富和強大的基礎(chǔ)。借助這些優(yōu)勢，深度學習等新技術(shù)開始嶄露頭角，大幅推動了人工智能在計算機視覺、自然語言處理、機器人技術(shù)等領(lǐng)域的研究和應(yīng)用。我們也看到了強化學習的崛起，如DeepMind的AlphaGo讓機器首次戰(zhàn)勝了圍棋世界冠軍，引發(fā)了全世界的關(guān)注。同樣，自然語言處理領(lǐng)域也在這個時期取得了重大突破，讓我們看到了GPT等預(yù)訓練生成模型的強大力量，多模態(tài)大模型的出現(xiàn)更為其加上了“眼睛”和“耳朵”，使人工智能的能力得到進一步提升。最后，遷移學習、自監(jiān)督學習等新興技術(shù)開始引領(lǐng)人工智能領(lǐng)域的研究潮流，人工智能研究更為關(guān)注數(shù)據(jù)利用效率、模型泛化能力和領(lǐng)域適應(yīng)性等問題，同樣這也是人工智能與合成生物學結(jié)合后終將面臨的問題，需要謹慎考慮。