2016年3月，人工智能Al-phaGo挑战人类围棋世界冠军李世石。比赛结果却出人意料地几乎一边倒， 围棋高手李世石的智商几乎被 Alpha Go碾压。 曾经被视作人类智慧在棋类游戏上的最后堡垒——围棋，被人工智能彻底攻破，舆论一时哗然，人工智能也成为全世界关注的焦点。

　　人工智能是什么

　　那么问题来了，大家是否知道到底什么是“人工智能”？是计算机？是软件程序？还是机器人？人工智能，全称为 Arti-ficial Intelligence，英文缩写为AI。 其实从字面上我们就可以解读出两层含义：其一是“人工”；其二是“智能”。“人工”非常好理解，指的一定是经过人类活动创造出来的成果。 但是“智能”是什么呢？ 这其实是一个非常难以准确描述的概念。 事实上直至今

　　日，人类对于到底什么是智能还知之甚少。

　　在人类智慧的范畴内，智能涉及到的意识、自我、思维等，仍然是自然科学、哲学乃至神学研究的焦点之一。 因此，对于人工智能我们只能定义为研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门技术科学。 而电子计算机、软件程序及机器人与人工智能之间的确存在着密切的关系。 简单地说，电子计算机为人工智能提供了硬件基础，软件程序是人工智能实现的主要方式，而机器人则是人工智能的应用成果

　　一路走来的人工智能

　　数千年来，人类对于人工智能的研究从未停止过，西方的《荷马史诗》中有关于大型三足机器人的描述， 中国古代也有能工巧匠制造自动设备的记载。 然而直到20世纪40年代，电子计算机的发明提供了硬件基础，真正意义上的人工智能才逐渐出现。

　　第一次高潮

　　20世纪50年代早期，人们开始注意到人工智能与机器之间的联系。 1955年年末，第一个 AI程序“逻辑专家”(Logic Theorist）诞生，对AI研究领域产生巨大影响，成为AI 发展史中一个重要的里程碑。 1956 年，美国达特茅斯学院数学系助理教授麦卡锡(John McCarthy)等一批志同道合的年轻科学家们召开了一个研讨会，这次会议起了一个在当时看来别出心裁的名字——人工智能夏季研讨会。会议持续了一个月，以大范围的集思广益，催生了后来人所共知的人工智能革命，因此被公认为是现代人工智能研究的起源。

　　人工智能夏季研讨会后的1 0年，AI研究开始快速发展，因此这10年也被称为人工智能研究的第一次高潮。 当时的研究多被称为机器学习（machine learning），主要集中在利用统计与概率的方式协助处理数据。

　　1957年，美国计算机科学家罗森布拉特（F. Roseblatt）提出了感知器（Perceptron）概念，这是最早的人工神经网络，具有划时代的意义。单层感知器是一个具有一层神经元，采用阈值激活函数的前向网络。 通过对网络权值的训练，可以使感知器对一组输入矢量的响应达到元素为 0 或1的目标输出，从而实现对输入矢量分类的目的。

　　第一次寒冬

　　但是在第一次高潮之后，人工智能的发展却远远滞后于当年的预测。 一方面，人们发现人工智能所基于的数学模型和数学手段有一定的缺陷, 如逻辑证明器、感知器、增强学习等只能做非常简单、专业且很窄的任务，稍微超出范围就无法应对。另一方面，有很多计算复杂度以指数程度增加，成了不可能完成的计算任务。1973年，《莱特希尔报告》用详实的数据说明，几乎所有的人工智能研究都远未达到早前承诺的水平。 于是在1974年到1980年，人工智能的发展迈入第一次寒冬。　　

　　第二次高潮

　　20世纪80年代，随着第五代计算机的研制成功，人工智能获得了进一步的发展。误差反向传播算法（Error Back Propaga-tion, BP）和 Hopfield 多层神经网络模型的提出，使人工神经网络研究与应用再度出现了欣欣向荣的景象，人工智能走出寒冬迎来第二次高潮。然而，1987年到1993年，个人计算机的出现，却让人工智能的热潮降温。当时苹果、IBM公司开始推广第一代台式机，计算机开始进入寻常百姓家，其费用远远低于人工智能专家系统所使用的Symbolics和Lisp等机器。相比于个人计算机，专家系统被认为古老陈旧且难以维护。20世

　　纪90年代中后期，人工智能走入一个平缓发展的时期。

　　近年来，随着科技的不断进步，特别是互联网的蓬勃发展与大数据概念的出现，极大地加速了人工智能的发展。不过，任何智能的发展都需要一个学习的过程，依赖于大量数据的训练。由于各类感应器和数据采集技术的发展，我们开始拥有以往难以想象的海量数据。同时，也开始在某一领域拥有深度、细致的数据。如果把人工智能看成一个婴儿，某一领域专业、海量、深度的数据就是喂养这个婴儿的奶粉。那么，奶粉的数量决定了婴儿是否能长大，而奶粉的质量则决定了婴儿后续的智力发育水平。

　　避免下一个寒冬

　　很多从事人工智能领域开发的科学家均乐观地认为，我们已经处于人工智能的第三次高潮期，且在未来相当长的一段时间内，人工智能的发展不会再遭遇新的寒冬。 然而，在乐观预期的同时，困境和挑战也始终存在。

　　中国科学院副院长、中国科学院院士谭铁牛就提出，要警惕人工智能进入下一个寒冬。 因为一方面，人工智能热门技术目前正处于“期望膨胀期”，接下来可能进入“幻灭期”；另一方面，当前的研究热点过于集中在深度学习，但是深度学习不等于 AI，它只是人工智能领域机器学习方向的一种方法，也存在明显的局限性。 如果不能找到新的更优模型的研究方向，那么将来必定会成为人工智能研发的新瓶颈。

　　人工智能走向未来

　　毋庸置疑，研发技术突飞猛进中的人工智能，正逐渐被应用于人类生产、生活的方方面面。从Windows10 自带的人工智能小娜，到 Google无人驾驶汽车，拜人工智能所赐， 曾经科幻电影中的场景正在一步步走入我们的生活。

　　那么,将来人工智能的发展方向是什么呢？ 简单地说，就是人工智能会逐渐向人类的智慧水平看齐。 而想实现这个目的，人工智能就需要从目前比较成熟的监督学习，更多地向无监督学习发展。

　　这两者有什么区别呢？ 学习的过程，用一个成语来概括就是举一反三。 以高考为例，高考的题目在上考场前我们从来没有做过，但在高中我们做过很多题目，懂得解题方法，因此在考场上面对陌生问题也能获解。 人工智能的学习思路也类似：利用一些训练数据，找到方法分析未知数据。 最简单也是最普遍的一类人工智能学习算法，就是分类。

　　对于分类，输入的训练数据有特征，有标签。 所谓的学习，其本质就是找到特征和标签间的关系。 这样，当有特征而无标签的未知数据输入时，我们就可以通过已有的关系得到未知数据的标签。 在上述的分类过程中，如果所有训练数据都有标签，则为有监督学习。 如果数据没有标签，显然就是非监督学习了，即聚类。 目前，分类算法的效果还是不错的，但相对而言，聚类算法就有些惨不忍睹了。 正如我们做题时，答案（标签）是非常重要的。 假设两个智力完全相同的人参加高考，一人正常答题，另一人做的所有题目都没有答案，那么想必第一个人会取得较好的高考成绩，第二个人则会发疯。

　　因此，在监督学习的模式下，人工智能会表现出很好的分类与预测能力。 而非监督学习本身的特点使其难以得到如分类一样近乎完美的结果。但是对人工智能来说，只有在非监督学习下，才有可能实现如人类一样自主思考，实现知识的表示与推理。

　　误差反向传播算法

　　这是一种用于多层神经网络训练的著名算法。 其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成，具有理论依据坚实、推导过程严谨、物理概念清楚、通用性强等优点。 直到今天，BP算法仍然是自动控制上最重要、应用最多的有效算法。 但是人们在使用过程中发现， BP算法存在收敛速度缓慢、易陷入局部极小等缺点。

　　多层Hopfield神经网络

　　这是一种结合存储系统和二元系统的循环神经网络。 它采用反馈连接，考虑输出与输入在时间上的传输延迟，所表示的是一个动态过程，需要用差分或微分方程来描述，保证了向局部极小的收敛，但收敛到错误的局部极小值，而非全局极小的情况也可能发生。 即便如此， Hopfield神经网络毕竟提供了模拟人类记忆的模型，是神经网络发展历史上的一个重要的里程碑。