人工智能发展及其应用

人工智能是半个多世纪以来人类科技史上发展最快的重大技术之一，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。人工智能研究的主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作，它在机器人、语言识别、图像识别、自然语言处理和专家系统等领域取得了令人瞩目的成就。[3]

人工智能是20世纪三大尖端技术之一，从它的概念提出到现在已经有六十多年的发展历史。人工智能诞生于1956年的达特茅斯会议，在五十多年发展历程中经历了几起几落。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（Artificial Intelligence，简称AI）”这一概念，标志着人工智能学科的诞生。人工智能的研究目的是促使智能机器会听（语音识别、机器翻译等），会看（图像识别、文字识别等），会说（语音合成、人机对话等），会思考（人机对弈、定理证明等），会学习（机器学习、知识表示等），会行动（机器人、自动驾驶汽车等）。

1957年，罗森布拉特（F.Rosenblatt）发明了感知机（perceptron），第一次将神经网络研究从纯理论变为实践；1982年，美国加州工学院的霍普菲尔德（J.Hopfield）提出了神经网络模型；1984年，黑顿（J.Hiton）等人提出了玻兹曼（Boltzmann）机，它是受统计力学启发的多层学习机；1986年，拉孟哈特（D.E.Rumellhart）和麦克里兰德（J.L.McClelland）提出了BP算法使得大规模神经网络的训练成为可能，它是目前应用最为广泛的神经网络之一。

1997年，由IBM公司研制的超级计算机“Deep Blue”在与国际象棋冠军卡斯帕罗夫的六盘对弈中，取得了三胜二和一负的战绩；2006年，杰夫·辛顿（Geoffrey Hinton）提出“深度学习”神经网络使得人工智能性能获得突破性进展；2013年，深度学习算法在语音和视觉识别上取得成功，识别率分别超过99%和95%，[4]进入感知智能时代；2016年和2017年，谷歌Alpha Go分别以4:1和3:0战胜李世石九段和柯洁九段，揭开人工智能新篇章。

美国加州大学洛杉矶分校的朱松纯教授认为人工智能60多年的发展历史存在分化和断代现象，把人工智能的历史分为逻辑表达与启发式搜索阶段（1956—1974）、专家系统和神经网络阶段（1980—1987），视觉、语言、认知、学习和机器人阶段（1987—2011），深度学习与博弈游戏阶段（2012至今），其中人工智能在70年代有断代现象，也可以说是低谷期，而在80年代人工智能进入分化阶段，从数理基础上说可分为逻辑表达和推理阶段、概率模型学习计算阶段。同时，他认为人工智能是一个非常广泛的领域，涵盖很多大的学科，根据应用场景可以归纳为计算机视觉（包括模式识别、图像处理等）、自然语言理解与交流（包括语音识别合成），认知与推理、机器人学、博弈与伦理（多代理人交互对抗和合作）、机器学习（各种统计建模分析和计算方法）六个方面。

谭铁牛将人工智能的发展历程划分为六个阶段：一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。[5](www.xing528.com)

在人工智能产业化方面，蔡自兴首先回顾国际人工智能产业化的历史发展阶段，接着归纳出人工智能产业化的现状是产业化基础好、起点高、投融资环境空前看好、各国出台政策助推行业发展机遇、感知智能领域相对成熟、人工智能人才紧缺争夺激烈、人工智能的社会和伦理问题引人关注等特征，最后分析人工智能产业化的发展趋势包括人工智能核心技术加速突破、产业强劲发展、智能化应用场景从单一向多元发展、人工智能和实体经济深度融合进程进一步加快、智能服务呈现线下和线上的无缝衔接、逐步实现全产业链布局、重视开发人工智能共享平台和加紧人工智能法律研究与建设等。[6]

目前各种人工智能技术在许多领域都获得了广泛应用，已渗透到人类社会的方方面面，也开发出了许多实用系统，如语言翻译、人脸识别、车牌识别、智慧驾驶、智慧交通等领域出现了大量的软件产品，持续改变着人类的生活、学习和工作，极大地改善和提高了社会生产力。

深度学习是一种层次较深的神经网络模型，其深度网络主要体现为对象特征的多次变换，G.辛顿（Geoffrey Hinton）于2006年提出：常用的深度学习模型为多层神经网络，神经网络的每一层都将输入非线性映射，通过多层非线性映射的堆叠，可以在深层神经网络中计算出非常抽象的特征来帮助分类。深度学习的出现使得人们在很多应用中不再需要单独对特征进行选择与变换，而是将原始数据输入到模型中，由模型通过学习给出适合分类的特征表示。当前，深度学习是机器学习领域最热门的分支，并且有多个高度集成化的方法平台可以让使用者无须对方法原理充分了解就可以搭建程序进行实验和应用。[7]

孙志远等人认为深度学习是机器学习领域一个新兴的研究方向，它通过模仿人脑结构，实现对复杂输入数据的高效处理，智能地学习不同的知识，而且能够有效地解决多类复杂的智能问题。近年来，随着深度学习高效学习算法的出现，机器学习界掀起了研究深度学习理论及应用的热潮。实践表明，深度学习是一种高效的特征提取方法，它能够提取数据中更加抽象的特征，实现对数据更本质的刻画，同时深层模型具有更强的建模和推广能力。鉴于深度学习的优点及其广泛应用，孙志远对深度学习进行了较为系统的介绍，详细阐述了其产生背景、理论依据、典型的深度学习模型、具有代表性的快速学习算法、最新进展及实践应用，最后还探讨了深度学习在未来值得研究的方向。[8]

现在深度学习已经在图像识别、语音识别[9]和围棋对弈[10]方面都超过了人类，伴随着人类探索未知领域的脚步，可以预见，深度学习技术在人类生活中的应用将更加广泛。