1950年 图灵测试

1950年的图灵发表了一篇划时代的论文，文中提出了著名的图灵测试：“如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。”

但是智能一词本就模糊不清，对此图灵使用了替换的概念:"计算机在智力行为上表现得和人无法区分"

著名的图灵测试，吸引着一批批对此着迷的尝试者。

2014年6月7日发生了一件事情：聊天程序“尤金·古斯特曼”（Eugene Goostman）在英国皇家学会举行的2014图灵测试大会上冒充一个13岁乌克兰男孩而骗过了33%的评委，从而“通过”了图灵测试。

但是随之而来的不是通过图灵测试的欢呼和掌声，而是对图灵测试是否能有效判别“机器是否能思考，是否具有智能”络绎不绝的质疑。

因为尤金实际是一台能在5分钟内尽可能骗过人类的机器，而不是一台和人类一样表现出相同智能的机器。

其中最著名的质疑来自约翰·希尔勒的论文《心灵、大脑和程序》提出的思想实验：

一个对中文一窍不通，只说英文的人关在一间只有一个开口的封闭房间中。房间里有一本用英文写成的手册，指示该如何处理收到的汉语讯息及如何以汉语相应地回复。房外的人不断向房间内递进用中文写成的问题。房内的人便按照手册的说明，查找到合适的指示，将相应的中文字符组合成对问题的解答，并将答案递出房间。

约翰·希尔勒认为，尽管房里的人可以以假乱真，让房外的人以为他确确实实说汉语，他却压根不懂汉语。在上述过程中，房外人的角色相当于程序猿，房中人相当与计算机，而手册则相当于计算机程序：每当房外人给出一个输入，房内的人便依照手册给出一个答复（输出）。而正如房中人不可能通过手册理解中文一样，计算机也不可能通过程序来获得理解力。既然计算机没有理解能力，所谓“计算机于是便有智能”便更无从谈起了。

1956年 AI的诞生和发展

在图灵提出图灵测试之后，AI（Artificial Intelligence）才第一次正式在达特茅斯会议中诞生，会议的参加者在接下来的数十年间是AI研究的领军人物。他们中有许多人预言，经过一代人的努力，与人类具有同等智能水平的机器将会出现。同时，上千万美元被投入到AI研究中，以期实现这一目标。

而在随后的20年的时间里，科学家们为创造与人类具有同等智能水平的机器，创造出“符号主义”、“早期推理系统”、“联结主义”、“专家系统"等分支。

其中最值得一提的要数“联结主义”和“专家系统”这两大主宰后世研究的派别。

1.“联结主义”

统合认知心理学、人工智能等领域的一种理论。联结主义建立了心理或行为现象模型的显现模型—单纯元件的互相连结网络。

可以说，目前最流行的神经网络便是起源于此。

2.“专家系统”

Terry·Winograd 希望能让人工智能去建造一个可思考的机器。他说作为一个人，或一个机器，要去理解世界，需要去感知。感知以后，需要做的第一件事是对这个世界的结构进行理解。在Terry看来 ，要实现人工智能，需要有这3个要素：语法、语义、推导。Terry写了一篇在人工智能历史上非常重要的论文，它用积木搭建了一个世界，在这个世界里，使用语法、语义、推导这样的循环

在机器学习这个领域崛起之前，人工智能的系统都是手动设计规则，这个规则十分复杂，而且都完全是用手工。但是这些规则还是有3个比较大的致命问题：

1、不可扩展的。天下的规则无穷无尽，把天下所有的规则，都写进一个程序显然是不行的。

2、不可适应的。规则与规则之间很难适应和转换，类比与中文和英文的语法。环境一变，规则便必须重新设计。

3、它是一个封闭的世界，无法向外部拓展。

所以说，手工设计规则在 AI 这个领域发展的早期，给我们带来了一些曙光，但是它并没有把我们带进真正的光明。

1970 第一次退潮

70年代初，AI遭遇了瓶颈。即使是最杰出的AI程序也只能解决它们尝试解决的问题中最简单的一部分，也就是说所有的AI程序都只是“玩具”。AI研究者们遭遇了无法克服的基础性障碍。比如：

此前的过于乐观使人们期望过高，AI开始遭遇批评，随之而来的还有资金上的困难。AI研究者们对其课题的难度未能作出正确判断：当承诺无法兑现时，对AI的资助就缩减或取消了。

1980年 - 2000年 第二次发展热潮

在专家系统的有限世界被外界无限的世界和繁复的挑战摧毁后，AI科学家不得不寻找新的方向以求突破。

这时候在语音识别领域，统计学派开始出现，并取代专家系统。而随之而来还有在如今大放异彩的两个重要分支——“机器学习”和“神经网络”。

1.机器学习

专门研究计算机怎样模拟和实现人类的学习行为，以获得新的知识和技能。并借此不断强化自身的性能。

2.神经网络

联结主义的重获新生，这要归功于物理学家John Hopfield证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。大约在同时（早于Paul Werbos），David Rumelhart推广了反向传播算法，一种神经网络训练方法。

这两个重要的研究分支出现后，算法和理论不断被优化，但是因为计算机硬件和计算资源的匮乏。人工智能依然没有发挥出人们期待看到的能力。

2006年 冉冉升起的新星

得益于大数据技术的广泛发展和互联网获取到的海量真实数据。人工智能逐渐从一个科学家手中的“玩具”蜕变成出色处理某件单一事务的好帮手。

而2007年前后，和杰弗里 辛顿和鲁斯兰·萨拉赫丁诺夫（Ruslan Salakhutdinov）提出了一种在前馈神经网络中进行有效训练的算法。这一算法将网络中的每一层视为无监督的受限玻尔兹曼机，再使用有监督的反向传播算法进行调优。

而深度学习通过组合底层特征行程更加抽象的高层表示特征，以发现数据的分布式特征表示。

深度学习的出现大大提升了机器视觉、语言识别、机器翻译等领域应用的准确率。从而让人工智能逐渐出现在如今人们的视野里。

结语

而2016年，Alphgo强势击败李世石，亚马逊推出人工智能音箱echo一炮走红，无人驾驶汽车似乎也踏着坚定的步伐向我们走来。

这一切，好像在告诉我们，人工智能时代的到来。

新的时代来临，将掀起强所未闻的机遇和挑战，你想试试吗？

下一期预告：

这期讲讲人工智能的过去，下一期将为大家讲讲人工智能的未来。

本专栏尽量不涉及专业、晦涩的数理知识，为大家直白地讲讲人工智能之美。