阿里巴巴菜鸟级数据产品经理半年回顾总结篇
干货教程:如何绘制业务流程图(二)
干货教程:如何绘制业务流程图(一)
技术贴:如何在数据库中秘密地查询隐私数据
攻略教程:信息图(infographic)是怎么做出来的?
分析师一定要看!用数据讲故事的五个步骤
技术篇:怎样玩转千万级别的数据?
北漂书生:大数据时代SEO数据如何搜集和分析
干货,从十大问题重新认识并读懂互联网
相似图片搜索、算法、识别的原理解析(下)
相似图片搜索、算法、识别的原理解析(上)
制作信息图时请遵循这10条原则
提高表格可读性的一些技巧,适用于Excel、PPT等数据报表
实用教程:如何让Excel图表更具“商务气质”?
一张数据信息图是这样制作完成的
菜鸟读财报,如何从上市公司财报中挖情报?
北大数据分析老鸟写给学弟们一封信
如何一步一步制作出高品质数据信息图?
总结:海量数据分析处理的十个方法
【实战经验】数据分析师如何了解老板真正想法?
零售业数据分析那些事儿
数据分析时l常用电子表格公式【大全】
用数据来告诉你 上市公司财报的秘密
这12个数据能 帮你搞定淘宝店铺
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(四)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(三)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(二)
首席工程师揭秘:LinkedIn大数据后台是如何运作的?(一)
淘宝网店从激活到挽留,4步走玩转数据营销
文案怎样写才有意思、不空洞、打动人?
入门级扫盲贴:数据分析的步骤有哪些?
关系即数据,论社交媒体的关系转换
数据的力量,苹果教你用数据鄙视竞争对手
谁说文科生不能做数据分析?数据分析入行→技能提升→优势
产品运营数据分析——SPSS数据分组案例
如何追踪iPhone和iPad等移动设备的用户行为数据?
阿里巴巴中国站:用户满意度指标权重计算方法
广告中的AdNetwork、AdExchange、DSP、SSP、RTB和DMP是什么?
信息图制作教程:关于数值的表现
为什么大数据会如此轰动?(值得深度的文章)
多图技术贴:深入浅出解析大数据平台架构
面板数据分析中标准误的估计修正——根据Peterson (2009)的归纳
财务官、投资人、CIO看过来:给企业数据定价
推荐系统中常用算法 以及优点缺点对比
探索Weotta搜索引擎背后的大数据技术
如何识别虚假数据?
为什么我们像驯化小狗那样驯化算法
程序员必须知道的10大基础实用算法及其讲解
电子商务:最影响转化率的九大要素
如何迅速成为一名数据分析师?
想从事大数据、海量数据处理相关的工作,如何自学打基础?
如何用亚马逊弹性MapReduce分析大数据?
译文:机器学习算法基础知识
给hadoop新手的一封信:Hadoop入门自学及对就业的帮助
从入门到精通,我是这样学习算法的
小商家,从老客户身上获取的数据才更有意义
13页PPT讲述:大数据下网站数据分析应用
40页PPT详解:京东大数据基础构架与创新应用
67页PPT解密搜索引擎背后的大技术:知识图谱,大数据语义链接的基石
营销洞察力——10个营销度量指标
技术篇:前端数据之美如何展示?
董飞:美国大数据工程师面试攻略【PPT】
easel:如何制作好的信息图——来自专家的顶级技巧
大数据实操:以3D打印机为例,如何知道卖点有没有市场需求?
大数据建模 需要了解的九大形式
用户画像数据建模方法
从规划开始,公司or企业如何入手和实施大数据?
干货:商品信息数据分析和展现系统的设计与开发
高手教你用Excel制作百度迁徙数据地图
50篇干货:淘宝店/电子商务如何玩转数据分析?
精华索引:大数据实际应用案例50篇
验证最小化可行产品 (MVP) 的 15 种方法
干货:数据分析师的完整知识结构
大数据技术Hadoop面试题,看看你能答对多少?答案在后面
用SPSS做数据分析?先弄懂SPSS的基础知识吧
怎样做出优秀的扁平化设计风格PPT? 扁平化PPT设计手册#3
解答│做大数据过程中遇到的13个问题
40页PPT│社交网络发展的新动力:大数据与众包
以Amazon、豆瓣网为例,探索推荐引擎内部的秘密#1
怎样做出优秀的扁平化设计风格PPT?#2
怎样做出优秀的扁平化设计风格PPT?#1
36页PPT│大数据分析关键技术在腾讯的应用服务创新
如何丰满地做SWOT分析?
【35页PPT】TalkingData研发副总阎志涛:移动互联网大数据处理系统架构
27页PPT|以珍爱网为例,如何构建有业务价值的数据分析系统?
国外数据新闻资源分享
21页PPT重磅发布:Mariana——腾讯深度学习平台的进展与应用
从0到100——知乎架构变迁史
PPT解读:百度大数据质量保障方案探索
45页PPT|大数据环境下实现一个O2O通用推荐引擎的实践
从数据看豆瓣兴衰
深度学习系列:解密最接近人脑的智能学习机器——深度学习及并行化实现(四)
重磅推荐:129页PPT讲述移动时代创业黄金法则 via:腾讯企鹅智酷
重磅推荐:大数据工程师飞林沙的年终总结&算法数据的思考
OpenKN——网络大数据时代的知识计算引擎
大数据下城市计算的典型应用
技术贴:大数据告诉你,如何给微信公众号文章取标题?
你的QQ暴露了你的心——QQ大数据及其应用介绍PPT
如何从企业报表看企业的生存能力?
实用的大数据技巧合集
技术帝揭秘:充电宝是如何盗取你的个人隐私的?
重磅!50页PPT揭秘腾讯大数据平台与推荐应用架构
原创教程:饼图之复合饼图与双层饼图(1)
PPT:大数据时代的设计特点——不了解这个你做不了今天的设计
教程贴:如何用方程式写春联?
原创教程:如何用Excel制作简易动态对比图
深度译文:机器学习那些事
教程帖:数学之美——手把手教你用Excel画心(动态图)
董老师走进斯坦福,聊聊硅谷创业公司和大数据的事儿(附课件PPT下载)
【限时】年度钜献,108个大数据文档PDF开放下载
董飞专栏:大数据入门——大数据相关技术、Hadoop生态、LinkedIn内部实战
亿级用户下的新浪微博平台架构
一张图了解磁盘里的数据结构
浅析数据化设计思维在阿里系产品的应用
美团推荐算法实践
一个P2P创业公司有哪些部门,都是做什么的?
一个P2P平台的详细运营框架是怎样的?
机器学习中的算法——决策树模型组合之随机森林与GBDT
神经网络简史
58页PPT看懂互联网趋势,大数据/物联网/云计算/4G都有了
广点通背后的大数据技术秘密——大规模主题模型建模及其在腾讯业务中的应用(附PPT)
微信红包之CBA实践PPT——移动互联网海量访问系统设计
一文读懂机器学习,大数据/自然语言处理/算法全有了……
搜狐新闻客户端的背后大数据技术原理——推荐系统(PPT)
原创教程:用Excel做动态双层饼图
半小时读懂PMP私有广告交易市场
怎样分析样本调研数据(译)
PPT:支付宝背后的大数据技术——DataLab、Higo的实践及应用
大数据技术人员的工具包——开源大数据处理工具list(限时下载)
计算机视觉:随机森林算法在人体识别中的应用
24页PPT:机器学习——支持向量机SVM简介(附下载)
互联网高手教你如何搜集你想要的信息
深度:对地观测大数据处理、挑战与思考
原创教程:用Excel做饼图之复合饼图与双层饼图(2)
移动大数据时代: 无线网络的挑战与机遇(附pdf下载)
Excel使用技巧——25招必学秘技
【年度热门】加上这些 Excel 技能点,秒杀众人(多图)
原创教程:用Excel做纵向折线图
知识图谱——机器大脑中的知识库
何明科专栏:用数据化的方式解析投资条款
DT时代,如何用大数据分析创造商业价值(23页PPT)
MIT牛人梳理脉络详解宏伟现代数据体系
你的老婆是怎么算出来的?揭秘佳缘用户推荐系统
飞林沙:商品推荐算法&推荐解释
PPT:如何成为真正的数据架构师?(附下载)
开源大数据查询分析引擎现状
董飞专栏:打造数据产品必知秘籍
译文:如何做强大又漂亮的信息图
如何使用Amazon Machine Learning构建机器学习预测模型
如何运用数据协助货架管理(内附26张PPT)
SVM算法
主流大数据系统在后台的层次角色及数据流向
PPT:阿里全息大数据构建与应用
人脸识别技术大总结——Face Detection & Alignment
教程:用Excel制作成对条形图
易观智库:大数据下的用户分析及用户画像(18页PPT附下载)
技术向:如何设计企业级大数据分析平台?
电商数据分析基础指标体系
IBM SPSS Modeler 决策树之银行行销预测应用分析
拓扑数据分析与机器学习的相互促进
基于 R 语言和 SPSS 的决策树算法介绍及应用
用php做爬虫 百万级别知乎用户数据爬取与分析
另类新浪微博基本数据采集方法
以10万+阅读的文章为例 教你做微信公众号的运营数据分析
破解数据三大难题:变现?交易?隐私?
微店的大数据平台建设实践与探讨
阿里巴巴PPT:大数据基础建议及产品应用之道
基于社会媒体的预测技术
人工智能简史
技巧:演讲中怎样用数据说话
马云和小贝选谁做老公?写给非数据人的数据世界入门指南
掘金大数据产业链:上游资源+中游技术+下游应用
原创教程:手把手教你用Excel做多层折线图
销售分析:如何从数据指标发现背后的故事
如何一步步从数据产品菜鸟走到骨干数据产品
也来谈谈微博的用户画像
行走在网格之间:微博用户关系模型
如何拍出和明星一样美爆的自拍照?斯坦福大学用卷积神经网络建模告诉你
运营商如何玩转大数据? 浙江移动云计算和大数据实践(PPT附下载)
大数据分析的集中化之路 建设银行大数据应用实践PPT
腾讯防刷负责人:基于用户画像大数据的电商防刷架构
创业提案的逻辑
友盟分享 | 移动大数据平台架构思想以及实践经验
寻路推荐 豆瓣推荐系统实践之路
“小数据”的统计学
重磅!8大策略让你对抗机器学习数据集里的不均衡数据
小团队撬动大数据——当当推荐团队的机器学习实践
微博推荐架构的演进
科普文 手把手教你微信公众号数据分析
信息图制作的六个注意点
【权利的游戏】剧透新玩法:情理之中?意料之外
推荐系统(Recommender System)的技术基础
核心算法 谷歌如何从网络的大海里捞到针
Quora数据科学家和机器学习工程师是如何合作的
阿里巴巴PPT:大数据下的数据安全
数据建模那点事儿
全民拥抱Docker云–Lhotse系统经验分享
实时股票分析系统的架构与算法
架构师必看 京东咚咚架构演进
什么叫对数据敏感?怎样做数据分析?
推荐系统基础知识储备
刘德寰:数据科学的整合与细分 数据科学的七个危险趋势(视频)
实际工作中,如何做简单的数据分析?
分布式前置机器学习在威胁情报中的应用(附PPT下载)
数据科学 怎样进行大数据的入门级学习?
扛住100亿次请求 如何做一个“有把握”的春晚红包系统?(PPT下载)
从 LinkedIn 的数据处理机制学习数据架构
大数据会如何改变管理咨询公司(I)
优秀大数据GitHub项目一览
生硬的数字和数据新闻:这么近,那么远
经典大数据架构案例:酷狗音乐的大数据平台重构(长文)
揭秘中兴大数据在银行领域的系统部署
基于大数据的用户画像构建(理论篇)
【R】支持向量机模型实现
数据图处处有陷阱?五个例子教你辨真伪
如何用R绘制地图
你确定你真的懂用户画像?
数据模型需要多少训练数据?
【接地气】01 数据报表的颜色怎么配
游戏价值和数据分析新思路
【R】异常值检测
快的打车架构实践
豆瓣还是朋友圈:大数据、新方法和日常问
PPT数据图表,怎么做才好看?
大道至简的数据体系构建方法论
数据的误区及自身业务
新浪微博的用户画像是怎样构建的?
面试干货!21个必知数据科学面试题和答案part1(1-11)
易观智库:中国大数据产业生态图谱2016(附下载)
Airbnb的数据基础架构
50PB海量数据排序,谷歌是这么做的
大数据时代工程师如何应对–今日头条走进硅谷技术讲座
D3.js教学记(下)
D3.js教学记(上)
飞林沙:企业级服务公司如何赚钱?只有平台级产品才有大数据的理论
一个母婴电子商务网站的大数据平台及机器学习实践
7大板块 组成数据分析师的完整知识结构
干货:SaaS领域如何分析收入增长?
学术 | 词嵌入的类比特性有实用意义吗?
6个用好大数据的秘诀
一个数据库外行眼中的微信优化 (附专家补充)
大数据调研,如何实现快全准?
数据大师Olivier Grisel给志向高远的数据科学家的指引
数据堂肖永红:数据交易的是使用权或数据的增值,而不是数据本身(PPT附下载)
淘宝商品详情平台化思考与实践
刘译璟:百分点大数据理念和实践(图文+PPT下载)
如何快速搞定一份看起来还不错的演示文档?
【BABY夜谈大数据】决策树
数据驱动设计:数据处理流程、分析方法和实战案例
美图数据总监:Facebook的法宝,我们在产品中怎么用?
树的内核:量化树结构化数据之间的相似性
拿到用户数据之后,LinkedIn怎么赚钱?
GrowingIO张溪梦:增长黑客的核心 企业应该重视产品留存率(附PPT下载)
[译]Airbnb是如何使用数据理解用户旅行体验的?
微博推荐数据服务代理: hyper_proxy的设计和实现
星图数据谷熠:消费领域DaaS 大数据重构未来商业游戏规则(附PPT下载)
鲍忠铁:TalkingData大数据技术与应用实践(PPT下载)
【干货教材】数据分析VS业务分析需求
九枝兰专访:数字营销的核心—企业如何使用数据管理平台(DMP)进行精准营销
我们的应用系统是如何支撑千万级别用户的
R应用空间数据科学
Excel进行高级数据分析(上)
Excel进行高级数据分析(下)
国内各大互联网公司2.0版技术站点收集
网站数据分析思路导图
大数据分析报表设计开发要素
大数据需要的12个工具 推荐
YARN/MRv2 Resource Manager深入剖析—NM管理
YARN/MRv2 Resource Manager深入剖析—RMApp状态机分析
Hadoop 1.0与Hadoop 2.0资源管理方案对比
Hadoop 2.0中单点故障解决方案总结
Hadoop 2.0 (YARN)中的安全机制概述
Hadoop 新特性、改进、优化和Bug分析系列1:YARN-378
Hadoop 新特性、改进、优化和Bug分析系列2:YARN-45
Hadoop 新特性、改进、优化和Bug分析系列3:YARN-392
Hadoop版本选择探讨
探究提高Hadoop稳定性与性能的方法
《Effective C++》读书笔记(第一部分)
Hadoop分布式环境下的数据抽样
Hadoop计算能力调度器算法解析
如何编写Hadoop调度器
数据结构之红黑树
Hadoop pipes设计原理
《C++ Primer plus》学习笔记之”类”
《C++ Primer plus》学习笔记之”类继承”
《C++ Primer plus》学习笔记之”C++中的代码重用”
《C++ Primer plus》学习笔记之”异常”
《C++ Primer plus》学习笔记之”RTTI”
Hadoop pipes编程
Hadoop Streaming高级编程
《C++ Primer plus》学习笔记之”标准模板库”
《C++ Primer plus》学习笔记之”输入输出库”
Linux Shell 命令总结
算法之图搜索算法(一)
awk使用总结
素数判定算法
《C++ Primer plus》学习笔记之“函数探幽”
使用Thrift RPC编写程序
如何在Hadoop上编写MapReduce程序
怎样从10亿查询词找出出现频率最高的10个

人工智能简史

于2017-04-01由小牛君创建

分享到:


在这段简史里,人工智能的起源可以追溯到哲学、虚构和想象。电子、工程和其他许多领域里的早期发明都影响了人工智能的发展。(人工智能研究史)的早期里程碑包括如何解决问题,对知识的习得与表示,以及对语言的理解、翻译,对定理的证明,关联记忆,以及基于知识的系统等。这篇文章的结尾回顾了一些有影响力的机构和组织,以及目前的热点领域。

人工智能的历史是一部关于幻想、可能性、实证和希望的历史。自从荷马写下机械“三足鼎”等候众神晚餐开始,想象利用机械来协助生活已成为人类文化的一部分。然而,仅仅从上半个世纪开始,人类才开始在人工智能领域制造机器,用于测试关于思考和智能行为的假说,并造出此前仅仅是理论上可能存在的机械装置。尽管目前来看,成熟的人工智能仍属于遥远的未来,我们依旧需要为了实现希望而保持沟通和努力。

神经网络简史

机器学习简史

译文:机器学习ML简史

专稿:大数据简史

期权“简史”

人工智能的历史

哲学家们曾提出一种可能存在的智能机器,帮助我们从文献角度上定义了它对人类的意义。例如,笛卡尔对“机械人”的兴趣更多的在于其隐喻意义,而不是它能否现实的可能性。另一方面,莱布尼兹预见过机器人实现的可能,即发明一种机械逻辑装置,用纯粹的逻辑帮助人们消除争论。莱布尼兹和帕斯卡都曾设计过计算机器,用来解决算术题,这成了后来学者发明“计算器”的有力证据,但是两人从未宣称这种机器本身会进行思考。康底拉克(法国哲学家)曾在隐喻中提到一座雕像,人们往它的脑中倒入各种有价值的知识碎块,最后作者提问,到什么程度这座雕像会拥有足够多的知识而使它看起来就像人一样富有智慧。

科幻小说作家们用可能实现的智能机器推动着人们对非人类智慧的想象,同时令我们思考自己作为人类本身的特质。十九世纪的儒勒·凡尔纳和二十世纪的艾萨克·阿西莫夫是个中翘楚,此外还有写出绿野仙踪的莱曼·弗兰克·鲍姆。鲍姆写过好几个机器人角色,在1907年出版的绿野仙踪里,他把机器人“铁皮人”(Tiktok)形容为一个“非常有责任感,能想出各种点子,并能完美会话的机器人。它能思考、说话、行动,以及做一切事情,除了活着。”这些作家激发了许多人工智能学家的灵感。人工智能

鲍姆这样形容铁皮人:“非常有责任感,能想出各种点子,并能完美会话的机器人。它能思考、说话、行动,以及做一切事情,除了活着。”

机器人和人工创造的生物,如,犹太传说中的哥勒姆(希伯来传说中有生命的假人)和玛丽·雪莱的弗莱肯斯坦,总是捕获了大众的想象,这其中不乏利用了人类的恐惧。机械动物和玩偶——包括一种机械小号手,贝多芬曾为其写过管弦乐作品——其实是由十七世纪的钟表匠们制作而成。尽管他们所能完成的表演极其有限,并且制造他们的初衷也是好奇多于制造一种真正可以思考的机器,它们依然提供了一些原始的以机械学角度对行为的观点以及这些行为无需令人惧怕。随着工业界的机械化程度进一步提高,机器也变得更加精巧和普及。但从本质来看,它们依然只是简单的发条装置。

十八、十九世纪流行的国际象棋游戏机器被当做一种智能机器展示,其中最引人注意的是一个叫“土耳其”(the Turk)的机器,这些机器甚至让一些人相信它们是通过自主思考来下棋的。国际象棋毫无疑问是一种需要思考的活动,人们作此联想也就毫不奇怪了。比如,塞姆·朗赫恩·克列门斯(即马克吐温)在报纸专栏里曾经写道,“土耳其”的象棋下得太好了,可见它一定是机器。象棋在早期的人工智能领域被广泛使用,用以学习推理和表达机制是如何运作的。(其中一个重要里程碑就是1997年深蓝机器人打败了国际象棋冠军盖里·卡斯帕罗夫。)

人工智能

“土耳其人”,来自于Freiherr Joseph Friedrich zu Rachnitz于1789年所制的雕版画。

随着二十世纪电子领域的诸多发明,以及二战后曼彻斯特阿兰·图灵实验室,宾州大学电子系摩尔学院,哈佛霍华德.艾肯德实验室,IBM和贝尔实验室,以及各地现代计算机的出现,曾经提出的可能性得到了进一步证实。因为现代计算机惊人的计算能力,20世纪40年代计算机常常被称为“巨脑”。

尽管在公众认知里,机器人一直是智能计算机的一部分,早期的机器人研究更多聚焦于机械工程层面上的而不是智能控制层面。不过最近,机器人已经发展成一种强有力的工具,可以用来印证我们对智能行为的诸多猜想。此外,让机器人对生活中的对象(现象和物件)拥有足够多的知识,从而使它们能在日常环境中正常运作却成为一个令人头疼的任务。这一点是显而易见的,例如,一个行动中的机器人却无法分辨阴影中的楼梯丼(就会产生问题)。尽管如此,一些最卓越的人工智能方案和认知方法依然来自于NASA的太空机器人。最近,在美国国防先进项目研究局(DARPA)的太空机器人挑战赛里,23辆参赛小车中有5辆完成了全程,其中斯坦福大学队赢得了比赛的胜利。

人工智能

2005年10月8日,斯坦福竞赛队的自动驾驶车,斯坦利(Stanley),赢得了美国国防部先进项目(DARPA)的年度总决赛。小车在拉斯维加斯西南部偏离公路的沙漠里行驶了不到七个小时。

人工智能

NASA火星探测机器人

然而人工智能并非仅仅是关于机器人的,它同时也是对智能思考属性的探索,以及利用计算机进行相关实验的操作。1944年,赫伯·西蒙(Herb Simon)在心理学方面提出了基础的信息处理和符号操纵理论:“任何理性的决定都可以被认为是在一些假设和前提下的结论……因此,如果定义了一个人用以作出决定的相关条件和前提,那么他的行为是可以被操控的。”(摘自纽厄尔和西蒙1972 年合著的论文附录)。

人工智能

赫伯·西蒙

人工智能在其壮大阶段受到许多其他学科的影响。它们分别来自工程学(例如,研究控制论的诺伯特·维纳(Norbert Wiener)提出的反馈和控制理论),生物学(如,威廉·罗兹·阿什比(W. Ross Ashby),沃伦·麦卡洛克(Warren McCulloch)和沃尔特·皮茨(Walter Pitts)对简单有机体上神经网络的研究),实验心理学(参见纽厄尔和西蒙1972年的论文),通讯理论(例如克劳德·香农(Claude Shannon)的理论),博弈论(最著名的有约翰·冯·诺依曼(John Von Neumann)和奥斯卡·摩根斯特恩(Oskar Morgenstern)),数学和统计学(例如,欧文·约翰·古德(Irving J. Good)),逻辑学和哲学(例如,阿兰·图灵(Alan Turning),阿隆佐·邱奇(Alonzo Church)和卡尔·亨佩尔(Carl Hempel)),以及语言学(例如诺姆·乔姆斯基(Noam Chomsky)对语法的研究)。这些研究在人工智能领域里留下了痕迹,并将持续影响着这个学科,这些影响巨大而深远。在吸收这些学科知识的同时,人工智能进一步发展,超出了它们的范畴,并且反过来也偶尔影响了这些学科本身。

仅仅直到最近半个世纪,我们的计算工具和编程语言才强大到足以支撑我们对智能探索的理论进行实验证明。图灵1950年在哲学期刊《思想》(Mind)上提交的一篇学会论文正是人工智能领域的巨大转折点。这篇论文对如何制造一台可以进行智能行为的机器提出了一个明确可行的观点,其中包括了一个里程碑式的想法,即对模仿游戏的描述——这正是我们熟知的图灵测试。万尼瓦尔·布什(Vannevar Bush)曾于1945年在亚特兰大月刊上发表论文,对类似测试的可能性提出过富有预见性的见解,但是图灵则是实实在在地为计算机写了一段程序——例如,像香农在1950年的提议中计划的那样,下国际象棋。

早期的计算机程序不可避免地受到了存储器大小,处理器速度,以及笨拙的操作系统和语言本身的制约。(比如,在垃圾回收机制发明以前,内存管理都是程序员头疼的问题)。直到20世纪50年代至60年代,硬件里处理器和存储器的发展,以及符号操作语言,如Lisp,IPL和POP,以及分时系统的出现才赋予了程序员更强大的力量。尽管如此,在此期间依然出现了许多令人惊叹的程序,让计算机解决了许多从前只有智能人类才能解决的问题。

早期的学会包含了许多对此类程序的具体描述,第一本综合描述人工智能领域研究的著作是爱德华·费根鲍姆(Edward Feigenbaum)和朱利安·费尔德曼(Julian Feldman)于1963年的著作,计算机与思考(Computers and Thought)。

书中描述了亚瑟·塞缪尔(Arthur Samuel)写的西洋棋程序,这个程序完成于20世纪50年代,使用了IBM704和汇编语言。从IBM704的硬件条件,和汇编语言的简陋程度来看,这个程序完成得精巧至极。理解西洋棋的玩法只需要普通的智能,而完全掌握则需要比之稍高的智能。塞缪尔的程序(后来在性能上被切努克的程序打败)之所以更加出色,则是因为它能通过实验——也就是和人或其他程序的对战,来提高自己下棋的能力。当我们试着探讨智慧的核心是什么时,学习能力必然是其中之一(参见马文·明斯基1961年所著论文“通往人工智能的阶梯”(Steps Toward Artificial Intelligence))。

艾伦·纽厄尔(Allen Newell),约翰·克里弗·肖(J. Clifford Shaw),和赫伯·西蒙在20世纪50年代也写出了富有超越时代洞见却又受制于时代工具的程序。他们的LT程序是另一件令人惊叹的巧作。这个程序通过发明对逻辑定理的证明令整个世界瞠目结舌——而这无疑是需要创意和智能的。这个程序在1956年达特茅斯人工智能学会上被展示,也正是这场学会确立了“人工智能”这个名字。

纽厄尔和西蒙肯定了早期奥利弗·赛弗里奇(Oliver Selfridge)对利用符号操作程序进行模式识别的演示(见费根鲍姆和费尔德曼1963年论文)。赛弗里奇对学习和利用多主体方式解决问题(后称黑板模型)的研究,以及20世纪50年代早期的其他研究,都被认为是启发法研究里令人惊叹的演示。这些初步演示逐渐确立了人工智能领域的一个基本准则,西蒙称之为“满意”准则:即当缺乏一种有效的方法可以确保找到问题的解决方案时,在合理的时间内,启发法可以引导决策者找到一个令人满意的解决方案,尽管此方案不一定是最优解。

人工智能

奥利弗·赛弗里奇

明斯基(1968)在对1950年后20年间研究工作的总结里写到:

“1962年以前,人工智能领域最核心的课题在于找到一种启发机制,可以用来控制探索法的边界。次核心的课题在于找到让机器学习的方法。而1962年后,对学习的思考减少了,更多的变成了对知识表示的研究以及对陈旧知识体系的破除。如何有效使用启发法进行搜索依然是潜在的制约条件,但它已不是人们关注和思考的重点,我们沉浸在对更精巧细小问题的探索中,比如,对已有方案的表示和修改。”

明斯基自己对知识表示体系的研究,以及被他称之为 “思维的社会”(Society of Mind)的概念,为此后的大量研究指明了方向。知识表示(Knowledge Representation)——无论正式和非正式方面——都已成为所有人工智能程序的奠基石。约翰·麦卡锡(John McCarthy)于1958年发表的重要论文“具有常识的程序”(Programs with Common Sense)(该论文在明斯基1968年论文中再版)中,举例证明了对陈述性知识的表示是可以被轻易操控的。自此,麦卡锡力主采用正规的知识表示体系,尤其在谓词演算方面。麦卡锡和其他学者在非单调逻辑和缺省推理所做的研究,如在变化的条件下进行决策,对智能行为的要求是什么,以及对人工智能的真正定义提供了重要意见。

人工智能

马文·明斯基

人工智能

约翰·麦卡锡

GPS(纽厄尔,肖和香农)和其他早期研究受到了心理学课题和试验方法(纽厄尔和香农1972)的启发。比如,费根鲍姆于1959年完成的EPAM,在程序中探索了组合记忆和遗忘,模拟了心理学实验中的行为(1963年费根鲍姆和费尔德曼)。卡耐基梅隆大学(当时为卡耐基理工学院)的其他早期程序,有意试图模拟真人在尝试解决问题,例如解答算式谜题或为投资组合选择股票,的推理过程中的步骤,包括其中的犯下的错误。生产系统,以及其后的基于规则的系统,都诞生于模仿人脑在长期和短期记忆中操纵符号的过程。唐纳德·沃特曼(Donald Waterman)于1970年在斯坦福的毕业论文中用生产系统来玩抽牌扑克游戏,用另一个程序来学习如何玩得更好。

托马斯·伊万斯(Thomas Evans)1963年的论文解决了类似一般智商(IQ)测试中的分类测试,这是第一次就如何在程序中使用类比推理法进行的探索。詹姆斯·斯莱格尔(James Slagle)在论文中用协同启发法解决了初等微积分问题中的符号集合问题。此外,麻省理工学院1960年初,丹尼·布朗(Danny Brown),博特·拉斐尔(Bert Raphael),罗斯·奎利恩(Ross Quillian)和费雪·布莱克(Fischer Black)都写出了令人印象深刻的论文,这些在明斯基的集合《语义信息处理》(Semantic Information Processing)里都有所提及(明斯基 1968)。

基于计算机对海量词典的存储和词汇提取能力,使用计算机对语言进行理解和翻译的想法因其直观性被率先提出。人们尝试使用查询表进行翻译的方法最终失败,并闹出不少滑稽笑话,因此受到学界猛烈批评,许多年里学界停止了为机器翻译提供科研经费。丹尼·布朗的研究展示了计算机可以在有限语境下使用数学词汇理解并解决许多成年人都感到棘手的问题。此外,罗伯特·F·西蒙斯(Rober F. Simmons),罗伯特·林赛(Robert Lindsay),罗杰·尚克(Roger Schank)的研究,也证实了理解语言——甚至翻译语言——在有限领域里是可以实现的。尽管原本提出的基于查询表对语言进行理解和翻译的方法并未有所改进,近年来对语言理解上的进展使我们离可对话的机器助手更近了一步。用于翻译、文本理解和语音理解的商用系统,已经可以做到对语言,语境和语义都有一定程度的理解。
人工智能发展的另一个转折点来自于20世纪60年代到70年代早期基于知识的系统的发展。20世纪60年代中期,艾拉·戈尔斯坦(Ira Goldstein)和塞默·佩帕特(Seymour Papert)(1977)描述的树图算法程序的演示过程(1980年林赛及其他人合作发表)被认识是人工智能领域里基于知识的系统分支上的一次“范式转换”。而在此之前,基于逻辑的推理和解决问题的理论被认为是更为显著的。“麦辛”(Mycin)(布坎南和舒特列夫发表于1984年)和其他成百上千的专家系统在数个领域证明了少量知识对决策行为的重要性。尽管依然有诸多制约,部分因为获取知识积累所需的努力,他们在提供专家级助理上的成功印证了古老的寓言“知识就是力量”。

人工智能

原树图程序小组成员25年后合影

20世纪60年代也是由学术机构支持的人工智能产业化形成的年代。最初的两大主要学术机构是麻省理工学院和卡耐基梅隆大学(当时为卡耐基理工学院,和兰德公司合作),其后斯坦福和爱丁堡也相继诞生了人工智能实验室。曾与图灵合作过的唐纳德·米基(Donald Michie),组织了第一个,或最早之一的,人工智能年会。机器智能研讨会于1965年在爱丁堡首先举行。差不多同时,60年代中期,计算机协会人工智能特别兴趣组开设了论坛,让来自不同学科的人们分享关于人工智能的想法。国际学会组织——国际人工智能联合会(IJCAI),于1969年开设了两年一期的学会。美国人工智能协会(AAAI)在此基础上孕育而生,成立于1980年,为北美人工智能社区提供一年一度的学会。其他许多国家也逐渐成立了类似的组织。

人工智能

唐纳德·米基

20世纪60年代后的数十年间,研究成果越发显著。我们理解智能机制的能力也随之增加。我们了解到推理模式并不是严格的演绎法推理,其他的有例如,基于范例的推理法、类比法、归纳法、不确定性推理法,和缺省推理法。当代关于智能中介和全自动驾驶车辆,以及其他方面的研究表明,许多方法需要和成功的系统相集成。

在人工智能领域里,我们还有许多需要学习的地方。比如学科发展初期提出的,对知识的展示和推理,依然是需要明确的两大领域。目前正在进行的关于学习、基于图形的推理,以及和多种方法和系统的集成的研究,将有可能向我们展示下一代人工智能的雏形。

然而,我们在人工智能领域所取得的成功,也让我们有义务思考技术的成功对社会带来的影响,以及如何教导决策者和普罗大众规划他们的未来。我们应该审慎地看待批评者提出的观点。其中包括社会工种的变换,自动机器人失败的后果,隐私的丧失,以及我们在全文开始提出的观点:人类在宇宙中所处的位置。另一方面,我们不希望放弃人工智能所能带来的诸多好处,其中包括减少重复操作的工作,更安全的生产环境和旅行环境,更好的安全设施,以及为了保护宜居的地球而做出更优化的决定。

即使已逐渐了解到智慧本身的复杂性,我们对智能机器人的幻想依然存在。它之所以存在,一部分是因为我们是梦想家。现有的程序和我们获得的有限成功不仅证明了我们的无知,更证明了利用某些(正确的)方法和机械我们确实可以创造出真正的具有智慧的人工智能。然而,我们,就像那些在生物实验室里试图创造人工生命的研究人员一样,应该对我们试图理解和模拟的东西怀有虔诚的敬意。

感谢

感谢Haym Hirsch,David Leake,Ed Feigenbaum,Jon Glick对初期草稿提出的意见,他们无需为我在文中所犯错误负任何责任。

其他

缩减后的历史必然会遗漏许多关键人物和重要里程碑。我为那些没有在此提及的人们表示歉意。AAAI网站和书中的内容将对这里的许多缺漏进行补充。

DARPA在一些基础课题和机器人领域对人工智能研究的支持让数十年来美国人工智能研究得以维继。

译者: jeynnecool  via:yeeyan.org

End.