1846年夏，麻雀山下的莫斯科大学掩映在一片葱绿之中。此刻，学术报告厅内，25岁的切比雪夫正向台下的教授们阐释着他的硕士论文——《试论概率论的基础分析》。
那时，他应该不会想到，这篇论文及后续研究成果在若干年后会被称作“切比雪夫大数定律”；他更不会想到，以他的名字命名的定律会影响100多年后人工智能的发展方向。
历史是前人的“百科全书”，是后人的“知识宝库”，是最好的老师。有时候，科技的飞跃缘于一次回眸。几百年前发现的数学定理、物理定律可能在当时并没有什么实用价值，却可能会成为当今科技发展的动力源。
牛顿曾说，“我看得远，是因为我站在巨人的肩膀上。”人工智能发展如此迅猛的原因也是找到了巨人的肩膀。但科学之路向来布满荆棘，人们对人工智能的探索同样是雄关漫道，几经浮沉。今天，就让我们沿着时间的脉络，看一看人工智能的前世今生。
追寻人工智能的起源，就不得不提1956年的“达特茅斯”会议。
同样是夏天，在计算机科学领域颇具盛名的约翰·麦卡锡、马文·明斯基和信息论创始人克劳德·香农等科学家相聚在达特茅斯大学，进行了为期两个月的学术讨论。
虽然在这次会议上，人工智能先驱者们只是制定了一个极其宏大的目标——在机器上搭建人工智能，但却激发了人们探索人工智能的热情。
因此，1956年也被称为人工智能元年。
随后，人工智能迎来了第一波发展浪潮。1964年，一架名为“STUDENT”的机器向世界展示了它做应用题的本领；1966年，“ELIZA”实现了与人类的对话；1968年，世界第一台智能机器人Shakey在美国诞生，遍布全身的传感器让它具备了感知这个世界的能力。除此之外，在算法和方法论上也有了重大进展，科学家设计出了人工神经网络算法，即目前被广泛应用的基于人工神经网络的深度学习算法的雏形。
但很快，人们发现聚光灯下的机器人除了博人眼球外并没有什么“特异功能”，人工神经网络算法也解决不了纷繁复杂的实际问题。有人戏称，当时的机器人之于人工智能就如同《钢铁是怎样炼成的》之于炼钢技术。人工智能领域迎来了第一个寒冬。
一山飞峙大江边，跃上葱茏四百旋。事物的发展大多遵从着螺旋式上升的轨迹。20世纪80年代人工智能迎来了第二波发展浪潮。与此同时，神经网络算法取得了新的进展。1986年，人工智能科学家李开复因设计Sphinx语音识别系统登上了《纽约时报》封面；1989年燕乐存在贝尔实验室验证了能识别手写数字的人工智能系统。
但这并没有改变人工智能再度失宠的命运，第二个寒冬还是来了，而且持续了整个20世纪90年代。不仅是应用领域，此时的人工智能在学术领域也相当狼狈，以神经网络为主题的论文被拒成了家常便饭。
透视这两场寒冬，人们渐渐发现了使人工智能发展受挫的因素：受硬件制约的运算能力、有限的数据来源、带有缺陷的算法模型。
改头换面，东山再起。进入21世纪，“人工智能教父”杰弗里·辛顿找到了有效训练人工神经网络中新增神经元层的方法，这仿佛给旧的神经网络打了一针强心剂。为避免成果被埋没，辛顿和他的小组为这一方法起了个新名字——“深度学习”。2012年，辛顿的团队利用一场国际计算机视觉竞赛让人工神经网络重新回到了聚光灯下，“深度学习”从此走进了大众的视野。
2017年5月，浙江乌镇，谷歌人工智能围棋软件AlphaGo3：0完胜世界围棋第一人柯洁。这一次，人类没能守住围棋这块“棋类中最后的阵地”。意外的是，这场对决在人工智能领域点燃了一把火。与20年前“深蓝”战胜卡斯帕罗夫的意义不同，AlphaGo使用的深度学习算法在悄然影响着人类的生产生活。
人工智能的发展史可以说是硬件的更新史、数据的积累史、算法的迭代史。计算机技术的发展带动了硬件的革新：现在我们手中智能手机的运算能力，比1969年美国国家航空航天局在登月计划中使用的计算机运算能力高出几万倍。互联网技术的发展则为人工智能带来了大量的数据：点的每一个赞、浏览的每一个网页、扫描的每一个二维码都成了人工智能的“数据养料”。杰弗里·辛顿、吴恩达、吴军、李开复等人工智能专家和百度、谷歌等高科技公司一次次革新人工智能算法：让无人驾驶车辆、无人工厂变为可能。
现在看回“切比雪夫大数定律”——只要数据量足够大，契合度就能接近100%。在深度学习中有时用“契合”来形容算法模型描述的情况和真实情况的接近程度，数据量越大，契合度越高，误差也就越小。人工智能领域离不开大数据的原因或许就在于此。
弄清楚从哪儿来、往哪儿去，很多问题才能看得深、把得准。对于人工智能来说同样如此，了解它的历史会帮助我们看清它的未来。
网友评论