2.1　人工智能的發展歷程

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。

斯圖爾特·羅素（Stuart J. Russell）和彼得·諾維格（Peter Norvig）在《人工智能：現代方法》（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后科學界最想去深入了解的領域之一。人工智能之父艾倫·圖靈認為，機器一旦有了智能，應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。

● 知識表示，用來記住它所學習到的內容。

● 自動推理，用它的知識回答我們問它的問題。

● 機器學習，適應新的環境，檢測和推斷我們需要的模式和結果。

還有一種觀點認為，人工智能理應像人類一樣去思考，為此研究人員試圖通過模擬人類的認知過程來實現人工智能，這也推動了認知科學的發展。認知科學的發展可以追溯到20世紀五六十年代，主要關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和理論支持，對人工智能的發展產生了重要影響。例如，早期的專家系統就是受到認知科學的啟發而開發出來的，旨在通過模擬人類專家的思維過程來解決特定領域的問題。

在人工智能發展早期，研究者大多采用符號主義的方法，即將人類知識轉化成符號和規則，再用計算機程序模擬這些規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雜性存在局限，限制了人工智能系統處理大量數據的能力，使其難以訓練模型來執行復雜的任務。

● 數據匱乏，而且數據質量整體較差，導致人工智能系統在有效學習和歸納方面面臨挑戰。

● 當時的人工智能系統通常執行特定的任務，缺乏歸納或應對新場景的能力，泛化能力較弱。

● 依賴邏輯規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實世界中的應用，但也促進了人工智能新技術和新方法的發展。

20世紀七八十年代，人工智能的發展進入寒冬期。用于人工智能研究的資金大幅減少，研究界和產業界的興趣也在下降。這個期間的現象和特征源于一系列復雜的因素。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展，研究人員在知識整合問題上遭遇了瓶頸。人工智能系統需要有效地整合和使用來自不同領域的知識，但在這方面，研究人員的理解還很有限。這使得開發出能夠處理多領域問題的高級人工智能系統變得極為困難。這些因素帶來的最直觀的表現就是資金缺乏和研究興趣下降。早期人工智能系統的成功有限，導致了公眾和相關投資者的失望，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域的研究人員數量下降，以及獲得資助的人工智能研究項目數量減少。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，人工智能領域經歷了持續的技術變革和突破，尤其是進入21世紀以后，其發展更是日新月異。從初步的神經網絡、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用范圍實現了巨大的進步。首先，算力的飛速發展和數據規模的爆發性增長，為人工智能的研究和應用提供了更為豐富和強大的基礎。借助這些優勢，深度學習等新技術開始嶄露頭角，大幅推動了人工智能在計算機視覺、自然語言處理、機器人技術等領域的研究和應用。我們也看到了強化學習的崛起，如DeepMind的AlphaGo讓機器首次戰勝了圍棋世界冠軍，引發了全世界的關注。同樣，自然語言處理領域也在這個時期取得了重大突破，讓我們看到了GPT等預訓練生成模型的強大力量，多模態大模型的出現更為其加上了“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、自監督學習等新興技術開始引領人工智能領域的研究潮流，人工智能研究更為關注數據利用效率、模型泛化能力和領域適應性等問題，同樣這也是人工智能與合成生物學結合后終將面臨的問題，需要謹慎考慮。