人工智能100年（下）

　　前言

　　斯坦福大学发起了一项名为《人工智能100年》的研究项目。2016年9月1日，该项目的首个成果《人工智能与2030年的生活》发布，这是一份关于AI在未来十几年间影响的报告。报告分为三个部分，第一部分为AI的定义和研究趋势；第二部分为AI 的八大应用领域，包括交通、健康、教育等等；第三个部分为政策推荐，目的是希望推动相关政策的制定。我们翻译了该报告的第一部分，以供参考。

　　二、AI的发展趋势

　　直到世纪之交，AI的吸引力在很大程度取决于其承诺的兑现，但在最近的15年中，AI作出的大部分承诺都兑现了。人工智能技术已经渗透到我们的生活中。当他们成为社会的核心力量，这个系统也将从简单的构造智能的系统向构造具有人类意识、值得信赖的智能系统转变。

　　有几个因素推动了AI革命。其中最重要的是基于云计算和基于大范围网络数据采集支持的机器学习系统的日渐成熟。“深度学习”是机器学习领域的一次重大飞跃，它是一种使用反向传播算法的自适应人工神经网训练方法。这种革命性的软件技术极大地推动了传感、视觉、物体识别等领域人工智能硬件技术的发展。

　　新的数据驱动的平台和产品市场，以及刺激寻找新的产品和市场的激励措施，都有助于AI驱动技术的出现。所有这些趋势推动了如下所述的“热点”研究区域。该汇编只是为了通过一个度量或一个方面反映目前获得较多关注领域。他们不一定比其他领域的更重要或更有价值。事实上，一些目前的“热门”区域在过去几年中是不太受欢迎的，所以现在不太受欢迎的领域在未来也可能变得“热门”。

　　大规模机器学习

　　许多机器学习问题（如有监督和无监督学习）已经基本解决了。目前科学家们重点攻克的问题是使用海量的数据集扩展现有的算法。例如，尽管传统的方法能够在多次分析数据集后得出结论，但是最新的方法只需分析一次数据集就能得出结论；在某些情况下使用亚线性方法只需分析一小部分数据就可以得出结论。

　　深度学习

　　卷积神经网络的训练成功让计算机视觉领域收益匪浅，在目标识别、视频标记、行动识别及其他相关领域获得广泛应用。深度学习的应用还在音频、语音和自然语言处理等领域取得显著进展。

　　强化学习

　　传统的机器学习大多集中在模式挖掘，而强化学习得重点是决策，这是一种有助于AI更深入学习的技术，可以让AI进一步理解真实世界、作出更好的反应。

　　强化学习作为经验驱动的顺序决策的框架思想已经提出了几十年了，但这类方法在实践中并没有取得巨大成功，主要是受样本空间的代表性的影响。然而，深度学习的出现为增强学习注入了“强心针”。

　　最近，谷歌开发的计算机深度学习程序AlphaGo在五场比赛中击败人类的围棋冠军，这种成功很大程度上是强化学习的功劳。AlphaGo先是接受一个人类专家库训练程序的自动化训练，然后利用强化学习的方法，自己同自己下大量的围棋，进一步提高智能化水平。

　　机器人

　　静态环境中的机器人导航问题已经在很大程度上解决了。目前的努力的方向是如何训练机器人与周围的环境以日常的和可预测的方式进行交互。与环境交互必然要求发展机器人操纵能力，这是当前研究者关注的另一个话题。

　　深度学习的革命才刚刚开始影响到机器人技术，在很大程度上是因为训练机器人而标记数据集的难度比其他领域大的多。

　　强化学习（见上文）可以帮助降低标记数据集的要求，但需要系统能够安全地探索策略空间避免损害系统本身或他人的错误。

　　机器感知可靠性的进展，包括计算机视觉，力度和触觉等，其中大部分将靠机器学习来驱动，机器学习还将继续成为推进机器人的功能演化的关键力量。

　　计算机视觉

　　目前计算机视觉是机器的视觉最突出的形式。它一直是人工智能领域通过深度学习发展最快的分支。直到几年前，视觉分类任务首选的最直观的方法还是支持向量机。

　　但是，大规模计算的融合，如GPU、通过互联网可获得大型数据集，以及神经网络算法改进都促进了人工智能在图像网络分类大赛上基准任务处理能力的显着提高。电脑第一次能够比人类更好地执行一些（狭义的）视觉分类任务。目前大部分的研究主要集中自动图像和视频文字标记上。

　　自然语言处理

　　自然语言处理和自动语音识别都是机器感知领域非常活跃的应用。它正在在拥有大量语料数据的主流语言领域中迅速实现商品化。谷歌宣布，目前20％的移动端查询指令是通过语音下达的，最近的演示也证实了实时翻译的可能性。

　　研究者现已不满足只是对程式化的要求做出响应的系统，逐步转向开发能够与人对话互动的智能系统，人工智能技术已经渗透了我们的生活。当他们成为社会的核心力量时，这个领域将从构建具备简单智能的系统向构建具有人类意识和值得信赖的智能系统转变。

　　附录I提供了AI发展简史，包括一些经典人工系统的介绍。人工智能的核心研究领域在经过六十年的发展，已经发生较大的变化。反向传播是“基于错误的反向传播”的缩写，是一种训练人工神经网络的常用方法，经常与梯度下降等优化方法配合使用。该方法计算损失函数相对于网络中所有的权重的梯度。

　　附：人工智能的发展简史

　　人类最早关于人工智能的研究可以追溯至上古时期的神话和寓言中。而现代科学意义上的人工智能则始于上世纪40年代末，计算机科学之父阿兰·图灵在1950年发表论文《计算机器与智能》、《机器能思考吗》，提出了著名的“图灵测试”，指出如果第三者无法辨别人类与人工智能机器反应的差别，则可以论断该机器具备人工智能。从此，学术界展开了广泛有关机器思维问题的讨论。因此，图灵也被称为“人工智能之父”。

　　1956年的达特茅斯会议标志着“人工智能”学术概念的诞生。此次会议上，学术界各领域代表不仅接受了“人工智能”这一学术表达，并且认可了该领域的研究目的、早期重大成果及其主要贡献者。这一历史时刻被广泛认为是人工智能的诞生。

　　此后，人工智能经历了1956-1974年的第一个黄金发展期。在该阶段，人工智能取得了不少建树，有重大影响力的成果包括：推理搜索的算法研究、概念依存理论、微世界研究等。在取得这些重大突破以后，第一代研究者对人工智能充满信心而过于乐观，甚至预言3-8年（1970年）内，人工智能将达到人类的平均水准。

　　1974-1980年是人工智能研究的第一个寒冬，因局限于当时落后的计算机运算能力和数据收集能力等原因，人工智能发展约到了阻碍，导致社会对于人工智能普遍预期下降，投资减少。

　　1980-1987年，得益于“专家系统”的出现，人工智能研究引来了第二次快速发展。所谓“专家系统”，是人工智能的一个研究分支，它具有一种仿真决策能力。但问题必须聚焦于非常具体的某个领域，才可能通过if-then规则来规避计算机不擅长的常识性问题。1989年的Deep Thought战胜了国际象棋大师，为后来的Deep Blue的成功奠定了基础。1981年日本政府提出了“第五代电脑计划”，开始重点资助人工智能项目。

　　1987-1993年是人工智能研究的第二个寒冬，导致整个人工智能研究进展放缓的原因来自于个人消费电脑的快速发展。1987年，苹果和IBM开始在桌面市场发力，个人电脑的运算能力开始超越Symbolics公司昂贵的Lisp电脑，人工智能硬件市场受到巨大挤压而发展缓慢。

　　1993-今，人工智能在诞生了半个多世纪后，终于可以实现当初既定的几个目标，并且再21世纪初得到了快速发展。1997年5月11日，IBM公司的Deep Blue击败了国际象棋世界冠军卡斯帕罗夫；2005年，斯坦福大学制造的机器人自我驾驶131英里，赢得了美国国防部先进研究项目大挑战。两年后，2011年，IBM公司的沃森在一档智力竞猜节目中击败了2位人类冠军，并且优势巨大。2016年，DeepMind公司研发的AlphaGo以4-1的比分击败了韩国围棋大师李世石。

　　（全文完）

    相关链接：人工智能100年（上）

　　译自：2016年10月【美国】斯坦福大学

　　编译：工业和信息化部国际经济技术合作中心黄琰童

　　更多精彩内容参见“中国经济网-国际频道-国际IT行业资讯”