机器学习Python 运维Python语言与信息数据获取和机器学习

AI 简史系列:1956-1980

2017-11-06  本文已影响18人  Jake_张江

前言:

10月24日开始,集智AI学园陆续推送“人工智能简史”系列文章,本文是《人工智能之梦》的第二部分,讲述人工智能从孕育、诞生到坎坷成长的百年历程。原文收录于集智俱乐部第一本实体图书《科学的极致:漫谈人工智能》。

前情概要:人工智能之梦——梦的开始(1900-1956)为什么计算机和人工智能会在二十世纪中叶开始出现?在1900年的数学家大会上,希尔伯特提出两个和人工智能密切相关的问题。年轻人哥德尔在试图解答的过程中,发现了惊人的秘密。而图灵在探索另一个问题时,形成了图灵机的设想,奠定了计算机科学的基础……1956年盛夏,在美国新罕布什尔州的小镇上,十几位科学家相聚一堂,迎接一位新生儿——人工智能(Artificial Intelligence)。

人工智能之梦

——梦的延续(1956-1980)

在数学大师们铺平了理论道路,工程师们踏平了技术坎坷,计算机已呱呱落地的时候,人工智能终于横空出世了。而这一历史时刻的到来却是从一个不起眼的会议开始的。

达特茅斯会议

1956年8月,在美国汉诺斯小镇宁静的达特茅斯学院中,约翰•麦卡锡(John McCarthy)、马文•闵斯基(Marvin Minsky,人工智能与认知学专家)、克劳德•香农(Claude Shannon,信息论的创始人)、艾伦•纽厄尔(Allen Newell,计算机科学家)、赫伯特•西蒙(Herbert Simon,诺贝尔经济学奖得主)等科学家正聚在一起,讨论着一个完全不食人间烟火的主题:用机器来模仿人类学习以及其他方面的智能。

会议足足开了两个月的时间,虽然大家没有达成普遍的共识,但是却为会议讨论的内容起了一个名字:人工智能。因此,1956年也就成为了人工智能元年。

黄金时期

达特茅斯会议之后,人工智能获得了井喷式的发展,好消息接踵而至。机器定理证明——用计算机程序代替人类进行自动推理来证明数学定理——是最先取得重大突破的领域之一。在达特茅斯会议上,纽厄尔和西蒙展示了他们的程序:“逻辑理论家”可以独立证明出《数学原理》第二章的38条定理;而到了1963年,该程序已能证明该章的全部52条定理。1958年,美籍华人王浩在IBM704计算机上以3~5分钟的时间证明了《数学原理》中有关命题演算部分的全部220条定理。而就在这一年,IBM公司还研制出了平面几何的定理证明程序。

1976年,凯尼斯•阿佩尔(Kenneth Appel)和沃夫冈•哈肯(Wolfgang Haken)等人利用人工和计算机混合的方式证明了一个著名的数学猜想:四色猜想(现在称为四色定理)。这个猜想表述起来非常简单易懂:对于任意的地图,我们最少仅用四种颜色就可以染色该地图,并使得任意两个相邻的国家不会重色;然而证明起来却异常烦琐。配合着计算机超强的穷举和计算能力,阿佩尔等人把这个猜想证明了。

另一方面,机器学习领域也获得了实质的突破,在1956年的达特茅斯会议上,阿瑟•萨缪尔(Arthur Samuel)研制了一个跳棋程序,该程序具有自学习功能,可以从比赛中不断总结经验提高棋艺。1959年,该跳棋程序打败了它的设计者萨缪尔本人,过了3年后,该程序已经可以击败美国一个州的跳棋冠军。

阿瑟·萨缪尔和他的跳棋程序(图片来源于网络)

1956年,奥利弗•萨尔夫瑞德(Oliver Selfridge)研制出第一个字符识别程序,开辟了模式识别这一新的领域。1957年,纽厄尔和西蒙等开始研究一种不依赖于具体领域的通用问题求解器,他们称之为GPS(General Problem Solver)。1963年,詹姆斯•斯拉格(James Slagle)发表了一个符号积分程序SAINT,输入一个函数的表达式,该程序就能自动输出这个函数的积分表达式。过了4年后,他们研制出了符号积分运算的升级版SIN,SIN的运算已经可以达到专家级水准。

遇到瓶颈

所有这一切来得太快了,胜利冲昏了人工智能科学家们的头脑,他们开始盲目乐观起来。例如,1958年,纽厄尔和西蒙就自信满满地说,不出10年,计算机将会成为世界象棋冠军,证明重要的数学定理,谱出优美的音乐。照这样的速度发展下去,2000年人工智能就真的可以超过人类了。

然而,历史似乎故意要作弄轻狂无知的人工智能科学家们。1965年,机器定理证明领域遇到了瓶颈,计算机推了数十万步也无法证明两个连续函数之和仍是连续函数。萨缪尔的跳棋程序也没那么神气了,它停留在了州冠军的层次,无法进一步战胜世界冠军。

最糟糕的事情发生在机器翻译领域,对于人类自然语言的理解是人工智能中的硬骨头。计算机在自然语言理解与翻译过程中表现得极其差劲,一个最典型的例子就是下面这个著名的英语句子:

The spirit is willing but the flesh is weak. (心有余而力不足。)

当时,人们让机器翻译程序把这句话翻译成俄语,然后再翻译回英语以检验效果,得到的句子竟然是:

The wine is good but the meet is spoiled.(酒是好的,肉变质了。)

这简直是驴唇不对马嘴嘛。怪不得有人挖苦道,美国政府花了2000万美元为机器翻译挖掘了一座坟墓。有关自然语言理解的更多内容,请参见本书第10章。

总而言之,越来越多的不利证据迫使政府和大学削减了人工智能的项目经费,这使得人工智能进入了寒冷的冬天。来自各方的事实证明,人工智能的发展不可能像人们早期设想的那样一帆风顺,人们必须静下心来冷静思考。

知识就是力量

经历了短暂的挫折之后,AI研究者们开始痛定思痛。爱德华•费根鲍姆(Edward A. Feigenbaum)就是新生力量的佼佼者,他举着“知识就是力量”的大旗,很快开辟了新的道路。

费根鲍姆分析到,传统的人工智能之所以会陷入僵局,就是因为他们过于强调通用求解方法的作用,而忽略了具体的知识。仔细思考我们人类的求解过程就会发现,知识无时无刻不在起着重要作用。因此,人工智能必须引入知识。

于是,在费根鲍姆的带领下,一个新的领域专家系统诞生了。所谓的专家系统就是利用计算机化的知识进行自动推理,从而模仿领域专家解决问题。第一个成功的专家系统DENDRAL于1968年问世,它可以根据质谱仪的数据推知物质的分子结构。在这个系统的影响下,各式各样的专家系统很快陆续涌现,形成了一种软件产业的全新分支:知识产业。1977年,在第五届国际人工智能大会上,费根鲍姆用知识工程概括了这个全新的领域。

在知识工程的刺激下,日本的第五代计算机计划、英国的阿尔维计划、西欧的尤里卡计划、美国的星计划和中国的863计划陆续推出,虽然这些大的科研计划并不都是针对人工智能的,但是AI都作为这些计划的重要组成部分。

然而,好景不长,在专家系统、知识工程获得大量的实践经验之后,弊端开始逐渐显现了出来,这就是知识获取。面对这个全新的棘手问题,新的“费根鲍姆”没有再次出现,人工智能这个学科却发生了重大转变:它逐渐分化成了几大不同的学派。

未完待续......

从20世纪80年代开始,符号学派、连接学派、行为学派,形成了三足鼎立的局面。目前火热的深度学习技术,作为连接学派的代表,暂时占据上风。

下期“AI 简史”,我们将介绍那个群龙问鼎的时代。

张江:《人工智能之梦》系列

人工智能之梦——梦的开始(1900-1956)

人工智能之梦——梦的延续(1956-1980)

人工智能之梦——群龙问鼎(1980-2010)

人工智能之梦——梦醒何方(2010至今)

原书:《科学的极致:漫谈人工智能》豆瓣评分8.3

https://book.douban.com/subject/26546914/

搜索微信公众号:swarmAI

集智AI学园QQ群:426390994

学园网站:campus.swarma.org

上一篇下一篇

猜你喜欢

热点阅读