过去几年来，人工智能在全球爆发式的发展，作为近几年的一大热词，人工智能一直是科技圈不可忽视的一大风口。随着智能硬件的迭代，智能家居产品逐步走进千家万户，语音识别、图像识别等AI相关技术也经历了阶梯式发展，人工智能的飞速发展经历了哪些历程？
人工智能的发展简史
要是从宏观的角度来讲，人工智能的历史按照所使用的方法，可以分为两个阶段，分水岭大概在1986年神经网络的回归
在前半段历史中，我们主要使用的方法和思路是基于规则的方法，也就是我们试图找到人类认知事物的方法，模仿人类智能和思维方法，找到一套方法，模拟出人类思维的过程，解决人工智能的问题。
后半段的历史，也就是我们现在所处的这个时期，我们主要采取的方法是基于统计的方法，也就是我们现在发现，有的时候我们不需要把人类的思维过程模拟出一套规则来教给计算机，我们可以在一个大的数量集里面来训练计算机，让它自己找到规律从而完成人工智能遇到的问题。
人工智能经历了三个主要阶段——兴起、繁盛和萧条。会有这样的过程，一个重要原因是基于规则方法的局限性。
萌芽阶段
人工智能的萌芽时期大概出现在19世纪中叶，第一位需要介绍的人物便是马文·明斯基。明斯基于1946年进入哈佛大学主修物理专业，但他选修的课程相当广泛，从电气工程、数学，到遗传学、心理学等涉及多个学科专业，后来他放弃物理改修数学。
1950年，也就是明斯基本科的最后一年，他和他的同学Dean Edmonds建造了世界上第一台神经网络计算机，并命名其为SNARC（Stochastic Neural Analog Reinforcement Calculator）。这台计算机是由3000个真空管和B-24轰炸机上一个多余的自动指示装置来模拟40个神经元组成的网络的。后来，明斯基又到普林斯顿大学攻读数学博士学位，并以“神经网络和脑模型问题”为题完成博士论文，但是当时的评审委员会并不认为这可以看做是数学。
马文·明斯基
明斯基的这些成果虽然可以被称作人工智能的早期工作，但是鉴于当时的明斯基还是一个青涩的毛头小子，所做的博士论文都不能得到相应的认可，所以影响力有限。
明斯基的这些成果虽然可以被称作人工智能的早期工作，但是鉴于当时的明斯基还是一个青涩的毛头小子，所做的博士论文都不能得到相应的认可，所以影响力有限。
所以第二位重量级人物出现，艾伦·麦席森·图灵计算机科学之父，他是最早提出机器智能设想的人。
图灵在1950年的时候（也就是明斯基还在读本科的时候）在杂志《思想》（Mind）发表了一篇名为“计算机器与智能”的文章，在文章中，图灵并没有提出什么具体的研究方法，但是文章中提到的好多概念，诸如图灵测试、机器学习、遗传算法和强化学习等，至今都是人工智能领域十分重要的分支。
艾伦·麦席森·图灵
人工智能的诞生
1956年的夏天，28岁的约翰·麦卡锡，同龄的马文·明斯基，37岁的罗切斯特和40岁的香农一共四个人，提议在麦卡锡工作的达特茅斯学院开一个头脑风暴式的研讨会，他们称之为“达特茅斯夏季人工智能研究会议”。参加会议的除了以上这四位，还有6位年轻的科学家，其中包括40岁的赫伯特·西蒙和28岁的艾伦·纽维尔。在这次研讨会上，大家讨论了当时计算机科学领域尚未解决的问题，包括人工智能、自然语言处理和神经网络等。人工智能这个提法便是这次会议上提出的，上文也有提到。在这个具有历史意义的会议上，明斯基的SNARC，麦卡锡的α-β搜索法，以及西蒙和纽维尔的“逻辑理论家”是会议的三个亮点。前面已经对明斯基的SNARC，麦卡锡的α-β搜索法有所介绍，下面我们再来看一下西蒙和纽维尔的“逻辑理论家”又是什么。
西蒙和纽维尔均是来自卡内基梅隆大学（当时还叫卡内基技术学院）的研究者，他们的研究成果在这次盛会上十分引人注意。“逻辑理论家”是西蒙和纽维尔研究出来的一个推理程序，他们声称这个程序可以进行非数值的思考。然后在这次研讨会之后不久，他们的程序就能证明罗素和怀特海德的《数学原理》第二章的大部分定理。但是历史往往对新鲜事物总是反应迟缓，他们将一篇与逻辑理论家合著的论文提交到《符号逻辑杂志》的时候，编辑们拒绝了他们。
短暂的繁荣与困境
从这次会议之后，人工智能迎来了它的一个春天，因为鉴于计算机一直被认为是只能进行数值计算的机器，所以，它稍微做一点看起来有智能的事情，人们都惊讶不已。
因为鉴于当时简单的计算机与编程工具，研究者们主要着眼于一些比较特定的问题。例如Herbert Gelernter建造了一个几何定理证明器，可以证明一些学生会感到棘手的几何定理；阿瑟·萨缪尔编写了西洋跳棋程序，水平能达到业余高手；James Slagle的SAINT程序能求解大学一年级的闭合式微积分问题；还有就是结合了多项技术的积木世界问题，它可以使用一只每次能拿起一块积木的机器手按照某种方式调整这些木块
虽然这些早期的人工智能项目看起来拥有着巨大的热情和期望，但是由于方法的局限性，人工智能领域的研究者越来越意识到他们所遇到的瓶颈和困难，再加上没有真正令人振奋人心的项目出来而导致资助的停止，人工智能陷入了一个低潮。
产生这些现实困难的原因主要有三点。
第一点是大部分早期程序对要完成的任务的主题一无所知。就拿机器翻译来说，给程序一个句子，会用的方法只是进行句法分割然后对分割后的成分进行词典翻译，那这样就很容易产生歧义。例如I went to the bank，bank既有银行也有河岸的意思，如果只是单纯的分割加单词翻译，这句话根本没法解释。
第二点是问题的难解性。上面我已经提到，早期的人工智能程序主要解决特定的问题，因为特定的问题对象少，复杂度低啊，但是一旦问题的维度上来了，程序立马就捉襟见肘了。
第三点就是程序本身的结构就有问题。例如明斯基在1969年证明了两输入的感知机连何时输入是相同的都判断不了。
综上，由于种种困难，再加上资助的减少，人工智能步入了寒冬。这便是人工智能历史的上半段。
人工智能的重生
上个世纪80年代中期，当初于1969年由Bryson和Ho建立的反传学习算法被重新发明，然后统计学在人工智能领域的使用以及良好的效果也让科学界为之一振。于是在新的结构和新的方法下，人工智能又重获新生。
首先兴起的是语音识别领域，在这个方面的成就一个重要的原因是隐马尔可夫模型的方法开始主导这个领域。隐马尔可夫模型包含“隐含”和“马尔可夫链”两个概念，马尔可夫链是具有这样一种特性的链条，就是现在的状态只和前一个状态有关，而和再往前的状态没有关系。所以我们遇到这样一个链条的时候，我们可以随机选择一个状态作为初始状态，然后按照上述规则随机选择后续状态。“隐含”的意思则是在这个马尔可夫链上再加一个限制就是，任意时刻的状态我们是不可知的，但是这个状态会输出一个结果，这个结果只和这个状态相关，所以这个也称为独立输出假设。
通过这么一解释我们就能看出，隐马尔可夫模型是基于严格的数学理论基础，这允许语音研究者以其他领域中发展数十年的数学成果为依据。其次这个模型的这种随机性可以通过大量的真实语音进行训练，这就保证了性能的鲁棒性。
隐马尔可夫模型简图
在马尔可夫链的基础上还诞生了一个以对不确定性知识进行有效表示和严格推理的形式化方法——贝叶斯网络。贝叶斯网络是一个加权的有向图，是马尔可夫链的拓展。马尔可夫链保证了网络中的每一个状态只跟与其直接相连的状态有关，而跟与它间接相连的状态没有关系，那么这就是贝叶斯网络。在这个网络中，每个节点的概率，都可以用贝叶斯公式来计算，贝叶斯网络因此得名。
贝叶斯网络极大地克服了20世纪60年代和70年代概率推理系统的很多问题，它目前主导着不确定推理和专家系统中的人工智能研究。而且这种方法允许根据经验进行学习，并且结合了经典人工智能和神经网络最好的部分。所以极大的推动的人工智能领域走向现在我们正处的这个巅峰时代。
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/252949.html