• 2019年09月13日 星期五

人工智能的歷史源遠流長。在古代的神話傳說中,技藝高超的工匠可以制作人造人,并為其賦予智能或意識。現代意義上的AI始于古典哲學家用機械符號處理的觀點解釋人類思考過程的嘗試。20世紀40年代基于抽象數學推理的可編程數字計算機的發明使一批科學家開始嚴肅地探討構造一個電子大腦的可能性。


1956年,在達特茅斯學院舉行的一次會議上正式確立了人工智能的研究領域。會議的參加者在接下來的數十年間是AI研究的領軍人物。他們中有許多人預言,經過一代人的努力,與人類具有同等智能水平的機器將會出現。同時,上千萬美元被投入到AI研究中,以期實現這一目標。


最終研究人員發現自己大大低估了這一工程的難度。由于James Lighthill爵士的批評和國會方面的壓力,美國和英國政府于1973年停止向沒有明確目標的人工智能研究項目撥款。七年之后受到日本政府研究規劃的刺激,美國政府和企業再次在AI領域投入數十億研究經費,但這些投資者在80年代末重新撤回了投資。AI研究領域諸如此類的高潮和低谷不斷交替出現;至今仍有人對AI的前景作出異常樂觀的預測。


盡管在政府官僚和風投資本家那里經歷了大起大落,AI領域仍在取得進展。某些在20世紀70年代被認為不可能解決的問題今天已經獲得了圓滿解決并已成功應用在商業產品上。與第一代AI研究人員的樂觀估計不同,具有與人類同等智能水平的機器至今仍未出現。圖靈在1950年發表的一篇催生現代智能機器研究的著名論文中稱,“我們只能看到眼前的一小段距離……但是,我們可以看到仍有許多工作要做”。


目錄

1 先驅

1.1 神話,幻想和預言中的AI

1.2 自動人偶

1.3 形式推理

1.4 計算機科學

2 人工智能的誕生:1943 – 1956

2.1 控制論與早期神經網絡

2.2 游戲AI

2.3 圖靈測試

2.4 符號推理與“邏輯理論家”程序

2.5 1956年達特茅斯會議:AI的誕生

3 黃金年代:1956 – 1974

3.1 研究工作

3.1.1 搜索式推理

3.1.2 自然語言

3.1.3 微世界

3.2 樂觀思潮

3.3 經費

4 第一次AI低谷:1974 – 1980

4.1 問題

4.2 停止撥款

4.3 來自大學的批評

4.4 感知器與聯結主義遭到冷落

4.5 “簡約派(the neats)”:邏輯,Prolog語言和專家系統

4.6 “蕪雜派(the scruffies)”:框架和腳本

5 繁榮:1980 – 1987

5.1 專家系統獲得賞識

5.2 知識革命

5.3 重獲撥款:第五代工程

5.4 聯結主義的重生

6 第二次AI低谷:1987 – 1993

6.1 AI之冬

6.2 軀體的重要性:Nouvelle AI與嵌入式推理

7 AI:1993 – 現在

7.1 里程碑和摩爾定律

7.2 智能代理

7.3 “簡約派”的勝利

7.4 幕后的AI

7.5 HAL 9000在哪里?


先驅


McCorduck寫道:“某種形式上的人工智能是一個遍布于西方知識分子歷史的觀點,是一個急需被實現的夢想,”先民對人工智能的追求表現在諸多神話,傳說,故事,預言以及制作機器人偶(automaton)的實踐之中。


神話,幻想和預言中的AI


希臘神話中已經出現了機械人和人造人,如赫淮斯托斯的黃金機器人和皮格馬利翁的伽拉忒亞。中世紀出現了使用巫術或煉金術將意識賦予無生命物質的傳說,如賈比爾的Takwin,帕拉塞爾蘇斯的何蒙庫魯茲和Judah Loew的魔像。19世紀的幻想小說中出現了人造人和會思考的機器之類題材,例如瑪麗?雪萊的《弗蘭肯斯坦》和卡雷爾?恰佩克的《羅素姆的萬能機器人》。Samuel Butler的《機器中的達爾文(Darwin among the Machines)》一文(1863)探討了機器通過自然選擇進化出智能的可能性。至今人工智能仍然是科幻小說的重要元素。


自動人偶

 

加扎利的可編程自動人偶(1206年)


許多文明中都有創造自動人偶的杰出工匠,例如偃師(中國西周),希羅(希臘),加扎利和Wolfgang von Kempelen 等等。已知最古老的“機器人”是古埃及和古希臘的圣像,忠實的信徒認為工匠為這些神像賦予了思想,使它們具有智慧和激情。赫耳墨斯?特里斯墨吉斯忒斯(Hermes Trismegistus)寫道“當發現神的本性時,人就能夠重現他”。


形式推理


人工智能的基本假設是人類的思考過程可以機械化。對于機械化推理(即所謂“形式推理(formal reasoning)”)的研究已有很長歷史。中國,印度和希臘哲學家均已在公元前的第一個千年里提出了形式推理的結構化方法。他們的想法為后世的哲學家所繼承和發展,其中著名的有亞里士多德(對三段論邏輯進行了形式分析),歐幾里得(其著作《幾何原本》是形式推理的典范),花剌子密(代數學的先驅,“algorithm”一詞由他的名字演變而來)以及一些歐洲經院哲學家,如奧卡姆的威廉和鄧斯?司各脫。


馬略卡哲學家拉蒙?柳利(1232-1315)開發了一些“邏輯機”,試圖通過邏輯方法獲取知識。 柳利的機器能夠將基本的,無可否認的真理通過機械手段用簡單的邏輯操作進行組合,以求生成所有可能的知識。Llull的工作對萊布尼茲產生了很大影響,后者進一步發展了他的思想。

 

萊布尼茲猜測人類的思想可以簡化為機械計算


在17世紀中,萊布尼茲,托馬斯?霍布斯和笛卡兒嘗試將理性的思考系統化為代數學或幾何學那樣的體系。霍布斯在其著作《利維坦》中有一句名言:“推理就是計算(reason is nothing but reckoning)。” 萊布尼茲設想了一種用于推理的普適語言(他的通用表意文字),能將推理規約為計算,從而使“哲學家之間,就像會計師之間一樣,不再需要爭辯。他們只需拿出鉛筆放在石板上,然后向對方說(如果想要的話,可以請一位朋友作為證人):‘我們開始算吧。’” 這些哲學家已經開始明確提出形式符號系統的假設,而這一假設將成為AI研究的指導思想。


在20世紀,數理邏輯研究上的突破使得人工智能好像呼之欲出。這方面的基礎著作包括布爾的《思維的定律》與弗雷格的《概念文字》。基于弗雷格的系統,羅素和懷特海在他們于1913年出版的巨著《數學原理》中對數學的基礎給出了形式化描述。這一成就激勵了希爾伯特,后者向20世紀20年代和30年代的數學家提出了一個基礎性的難題:“能否將所有的數學推理形式化?” 這個問題的最終回答由哥德爾不完備定理,圖靈機和Alonzo Church的λ演算給出。他們的答案令人震驚:首先,他們證明了數理邏輯的局限性;其次(這一點對AI更重要),他們的工作隱含了任何形式的數學推理都能在這些限制之下機械化的可能性。

邱奇-圖靈論題暗示,一臺僅能處理0和1這樣簡單二元符號的機械設備能夠模擬任意數學推理過程。這里最關鍵的靈感是圖靈機:這一看似簡單的理論構造抓住了抽象符號處理的本質。這一創造激發科學家們探討讓機器思考的可能。


計算機科學


用于計算的機器古已有之;歷史上許多數學家對其作出了改進。19世紀初,查爾斯?巴貝奇設計了一臺可編程計算機(“分析機”),但未能建造出來。愛達?勒芙蕾絲預言,這臺機器“將創作出無限復雜,無限寬廣的精妙的科學樂章”。(她常被認為是第一個程序員,因為她留下的一些筆記完整地描述了使用這一機器計算伯努利數的方法。)


第一批現代計算機是二戰期間建造的大型譯碼機(包括Z3,ENIAC和Colossus等)。后兩個機器的理論基礎是圖靈和約翰?馮?諾伊曼提出和發展的學說。

 

在摩爾學校的電氣工程的ENIAC計算機.


人工智能的誕生:1943 – 1956


在20世紀40年代和50年代,來自不同領域(數學,心理學,工程學,經濟學和政治學)的一批科學家開始探討制造人工大腦的可能性。1956年,人工智能被確立為一門學科。


控制論與早期神經網絡


最初的人工智能研究是30年代末到50年代初的一系列科學進展交匯的產物。神經學研究發現大腦是由神經元組成的電子網絡,其激勵電平只存在“有”和“無”兩種狀態,不存在中間狀態。維納的控制論描述了電子網絡的控制和穩定性。克勞德?香農提出的信息論則描述了數字信號(即高低電平代表的二進制信號)。圖靈的計算理論證明數字信號足以描述任何形式的計算。這些密切相關的想法暗示了構建電子大腦的可能性。

 

IBM 702:第一代AI研究者使用的電腦.


這一階段的工作包括一些機器人的研發,例如W。Grey Walter的“烏龜(turtles)”,還有“約翰霍普金斯獸”(Johns Hopkins Beast)。這些機器并未使用計算機,數字電路和符號推理;控制它們的是純粹的模擬電路。


Walter Pitts和Warren McCulloch分析了理想化的人工神經元網絡,并且指出了它們進行簡單邏輯運算的機制。他們是最早描述所謂“神經網絡”的學者。馬文?閔斯基是他們的學生,當時是一名24歲的研究生。1951年他與Dean Edmonds一道建造了第一臺神經網絡機,稱為SNARC。在接下來的五十年中,閔斯基是AI領域最重要的領導者和創新者之一。


游戲AI


1951年,Christopher Strachey使用曼徹斯特大學的Ferranti Mark 1機器寫出了一個西洋跳棋(checkers)程序;Dietrich Prinz則寫出了一個國際象棋程序。Arthur Samuel在五十年代中期和六十年代初開發的國際象棋程序的棋力已經可以挑戰具有相當水平的業余愛好者。游戲AI一直被認為是評價AI進展的一種標準。


圖靈測試


1950年,圖靈發表了一篇劃時代的論文,文中預言了創造出具有真正智能的機器的可能性。由于注意到“智能”這一概念難以確切定義,他提出了著名的圖靈測試:如果一臺機器能夠與人類展開對話(通過電傳設備)而不能被辨別出其機器身份,那么稱這臺機器具有智能。這一簡化使得圖靈能夠令人信服地說明“思考的機器”是可能的。論文中還回答了對這一假說的各種常見質疑。圖靈測試是人工智能哲學方面第一個嚴肅的提案。


符號推理與“邏輯理論家”程序


50年代中期,隨著數字計算機的興起,一些科學家直覺地感到可以進行數字操作的機器也應當可以進行符號操作,而符號操作可能是人類思維的本質。這是創造智能機器的一條新路。


1955年,Newell和(后來榮獲諾貝爾獎的)Simon在J. C. Shaw的協助下開發了“邏輯理論家(Logic Theorist)”。這個程序能夠證明《數學原理》中前52個定理中的38個,其中某些證明比原著更加新穎和精巧。Simon認為他們已經“解決了神秘的心/身問題,解釋了物質構成的系統如何獲得心靈的性質。” (這一斷言的哲學立場后來被John Searle稱為“強人工智能”,即機器可以像人一樣具有思想。)


1956年達特茅斯會議:AI的誕生


1956年達特矛斯會議的組織者是Marvin Minsky,約翰?麥卡錫和另兩位資深科學家Claude Shannon以及Nathan Rochester,后者來自IBM。會議提出的斷言之一是“學習或者智能的任何其他特性的每一個方面都應能被精確地加以描述,使得機器可以對其進行模擬。” 與會者包括Ray Solomonoff,Oliver Selfridge,Trenchard More,Arthur Samuel,Newell和Simon,他們中的每一位都將在AI研究的第一個十年中作出重要貢獻。會上紐厄爾和西蒙討論了“邏輯理論家”,而麥卡錫則說服與會者接受“人工智能”一詞作為本領域的名稱。1956年達特矛斯會議上AI的名稱和任務得以確定,同時出現了最初的成就和最早的一批研究者,因此這一事件被廣泛承認為AI誕生的標志。


黃金年代:1956 – 1974


達特茅斯會議之后的數年是大發現的時代。對許多人而言,這一階段開發出的程序堪稱神奇:計算機可以解決代數應用題,證明幾何定理,學習和使用英語。當時大多數人幾乎無法相信機器能夠如此“智能”。研究者們在私下的交流和公開發表的論文中表達出相當樂觀的情緒,認為具有完全智能的機器將在二十年內出現。 ARPA(國防高等研究計劃署)等政府機構向這一新興領域投入了大筆資金。


研究工作


從50年代后期到60年代涌現了大批成功的AI程序和新的研究方向。下面列舉其中最具影響的幾個。


搜索式推理


許多AI程序使用相同的基本算法。為實現一個目標(例如贏得游戲或證明定理),它們一步步地前進,就像在迷宮中尋找出路一般;如果遇到了死胡同則進行回溯。這就是“搜索式推理”。


這一思想遇到的主要困難是,在很多問題中,“迷宮”里可能的線路總數是一個天文數字(所謂“指數爆炸”)。研究者使用啟發式算法去掉那些不太可能導出正確答案的支路,從而縮小搜索范圍。


Newell和Simon試圖通過其“通用解題器(General Problem Solver)”程序,將這一算法推廣到一般情形。另一些基于搜索算法證明幾何與代數問題的程序也給人們留下了深刻印象,例如Herbert Gelernter的幾何定理證明機(1958)和Minsky的學生James Slagle開發的SAINT(1961)。還有一些程序通過搜索目標和子目標作出決策,如斯坦福大學為控制機器人Shakey而開發的STRIPS系統。


自然語言


AI研究的一個重要目標是使計算機能夠通過自然語言(例如英語)進行交流。早期的一個成功范例是Daniel Bobrow的程序STUDENT,它能夠解決高中程度的代數應用題。

 

一個語義網的例子


如果用節點表示語義概念(例如“房子”,“門”),用節點間的連線表示語義關系(例如“有 — 一個”),就可以構造出“語義網(semantic net)”。第一個使用語義網的AI程序由Ross Quillian開發;[54] 而最為成功(也是最有爭議)的一個則是Roger Schank的“概念關聯(Conceptual Dependency)”。


Joseph Weizenbaum的ELIZA是第一個聊天機器人,可能也是最有趣的會說英語的程序。與ELIZA“聊天”的用戶有時會誤以為自己是在和人類,而不是和一個程序,交談。但是實際上ELIZA根本不知道自己在說什么。它只是按固定套路作答,或者用符合語法的方式將問題復述一遍。


微世界


60年代后期,麻省理工大學AI實驗室的Marvin Minsky和Seymour Papert建議AI研究者們專注于被稱為“微世界”的簡單場景。他們指出在成熟的學科中往往使用簡化模型幫助基本原則的理解,例如物理學中的光滑平面和完美剛體。許多這類研究的場景是“積木世界”,其中包括一個平面,上面擺放著一些不同形狀,尺寸和顏色的積木。


在這一指導思想下,Gerald Sussman(研究組長),Adolfo Guzman,David Waltz(“約束傳播(constraint propagation)”的提出者),特別是Patrick Winston等人在機器視覺領域作出了創造性貢獻。同時,Minsky和Papert制作了一個會搭積木的機器臂,從而將“積木世界”變為現實。微世界程序的最高成就是Terry Winograd的SHRDLU,它能用普通的英語句子與人交流,還能作出決策并執行操作。


樂觀思潮


第一代AI研究者們曾作出了如下預言:

1958年,H. A. Simon,Allen Newell:“十年之內,數字計算機將成為國際象棋世界冠軍。” “十年之內,數字計算機將發現并證明一個重要的數學定理。”

1965年,H. A. Simon:“二十年內,機器將能完成人能做到的一切工作。”

1967年,Marvin Minsky:“一代之內……創造‘人工智能’的問題將獲得實質上的解決。”

1970年,Marvin Minsky:“在三到八年的時間里我們將得到一臺具有人類平均智能的機器。”


經費


1963年6月,MIT從新建立的ARPA(即后來的DARPA,國防高等研究計劃局)獲得了二百二十萬美元經費,用于資助MAC工程,其中包括Minsky和McCarthy五年前建立的AI研究組。此后ARPA每年提供三百萬美元,直到七十年代為止。ARPA還對Newell和Simon在卡內基梅隆大學的工作組以及斯坦福大學AI項目(由John McCarthy于1963年創建)進行類似的資助。另一個重要的AI實驗室于1965年由Donald Michie在愛丁堡大學建立。[65]在接下來的許多年間,這四個研究機構一直是AI學術界的研究(和經費)中心。


經費幾乎是無條件地提供的:時任ARPA主任的J. C. R. Licklider相信他的組織應該“資助人,而不是項目”,并且允許研究者去做任何感興趣的方向。這導致了MIT無約無束的研究氛圍及其hacker文化的形成,但是好景不長。


第一次AI低谷:1974 – 1980


到了70年代,AI開始遭遇批評,隨之而來的還有資金上的困難。AI研究者們對其課題的難度未能作出正確判斷:此前的過于樂觀使人們期望過高,當承諾無法兌現時,對AI的資助就縮減或取消了。同時,由于Marvin Minsky對感知器的激烈批評,聯結主義(即神經網絡)銷聲匿跡了十年。70年代后期,盡管遭遇了公眾的誤解,AI在邏輯編程,常識推理等一些領域還是有所進展。


問題


70年代初,AI遭遇了瓶頸。即使是最杰出的AI程序也只能解決它們嘗試解決的問題中最簡單的一部分,也就是說所有的AI程序都只是“玩具”。AI研究者們遭遇了無法克服的基礎性障礙。盡管某些局限后來被成功突破,但許多至今仍無法滿意地解決。


計算機的運算能力。當時的計算機有限的內存和處理速度不足以解決任何實際的AI問題。例如,Ross Quillian在自然語言方面的研究結果只能用一個含二十個單詞的詞匯表進行演示,因為內存只能容納這么多。1976年Hans Moravec指出,計算機離智能的要求還差上百萬倍。他做了個類比:人工智能需要強大的計算能力,就像飛機需要大功率動力一樣,低于一個門限時是無法實現的;但是隨著能力的提升,問題逐漸會變得簡單。


計算復雜性和指數爆炸。1972年Richard Karp根據Stephen Cook于1971年提出的Cook-Levin理論證明,許多問題只可能在指數時間內獲解(即,計算時間與輸入規模的冪成正比)。除了那些最簡單的情況,這些問題的解決需要近乎無限長的時間。這就意味著AI中的許多玩具程序恐怕永遠也不會發展為實用的系統。


常識與推理。許多重要的AI應用,例如機器視覺和自然語言,都需要大量對世界的認識信息。程序應該知道它在看什么,或者在說些什么。這要求程序對這個世界具有兒童水平的認識。研究者們很快發現這個要求太高了:1970年沒人能夠做出如此巨大的數據庫,也沒人知道一個程序怎樣才能學到如此豐富的信息。


莫拉維克悖論。證明定理和解決幾何問題對計算機而言相對容易,而一些看似簡單的任務,如人臉識別或穿過屋子,實現起來卻極端困難。這也是70年代中期機器視覺和機器人方面進展緩慢的原因。


框架和資格問題。采取邏輯觀點的AI研究者們(例如John McCarthy)發現,如果不對邏輯的結構進行調整,他們就無法對常見的涉及自動規劃(planning or default reasoning)的推理進行表達。為解決這一問題,他們發展了新邏輯學(如非單調邏輯(non-monotonic logics)和模態邏輯(modal logics))。


停止撥款


由于缺乏進展,對AI提供資助的機構(如英國政府,DARPA和NRC)對無方向的AI研究逐漸停止了資助。早在1966年ALPAC(Automatic Language Processing Advisory Committee,自動語言處理顧問委員會)的報告中就有批評機器翻譯進展的意味,預示了這一局面的來臨。NRC(National Research Council,美國國家科學委員會)在撥款二千萬美元后停止資助。1973年Lighthill針對英國AI研究狀況的報告批評了AI在實現其“宏偉目標”上的完全失敗,并導致了英國AI研究的低潮(該報告特別提到了指數爆炸問題,以此作為AI失敗的一個原因)。DARPA則對CMU的語音理解研究項目深感失望,從而取消了每年三百萬美元的資助。到了1974年已經很難再找到對AI項目的資助。


Hans Moravec將批評歸咎于他的同行們不切實際的預言:“許多研究者落進了一張日益浮夸的網中”。還有一點,自從1969年Mansfield修正案通過后,DARPA被迫只資助“具有明確任務方向的研究,而不是無方向的基礎研究”。60年代那種對自由探索的資助一去不復返;此后資金只提供給目標明確的特定項目,比如自動坦克,或者戰役管理系統。


來自大學的批評


一些哲學家強烈反對AI研究者的主張。其中最早的一個是John Lucas,他認為哥德爾不完備定理已經證明形式系統(例如計算機程序)不可能判斷某些陳述的真理性,但是人類可以。Hubert Dreyfus諷刺六十年代AI界那些未實現的預言,并且批評AI的基礎假設,認為人類推理實際上僅涉及少量“符號處理”,而大多是具體的,直覺的,下意識的“竅門(know how)”。 John Searle于1980年提出“中文房間”實驗,試圖證明程序并不“理解”它所使用的符號,即所謂的“意向性(intentionality)”問題。Searle認為,如果符號對于機器而言沒有意義,那么就不能認為機器是在“思考”。


AI研究者們并不太把這些批評當回事,因為它們似乎有些離題,而計算復雜性和“讓程序具有常識”等問題則顯得更加緊迫和嚴重。對于實際的計算機程序而言,“常識”和“意向性”的區別并不明顯。Minsky提到Dreyfus和Searle時說,“他們誤解了,所以應該忽略”。在MIT任教的Dreyfus遭到了AI陣營的冷遇:他后來說,AI研究者們“生怕被人看到在和我一起吃中飯”。 ELIZA程序的作者Joseph Weizenbaum感到他的同事們對待Dreyfus的態度不太專業,而且有些孩子氣。雖然他直言不諱地反對Dreyfus的論點,但他“清楚地表明了他們待人的方式不對”。


Weizenbaum后來開始思考AI相關的倫理問題,起因是Kenneth Colby開發了一個模仿醫師的聊天機器人DOCTOR,并用它當作真正的醫療工具。二人發生爭執;雖然Colby認為Weizenbaum對他的程序沒有貢獻,但這于事無補。1976年Weizenbaum出版著作《計算機的力量與人類的推理》,書中表示人工智能的濫用可能損害人類生命的價值。


感知器與聯結主義遭到冷落


感知器是神經網絡的一種形式,由Frank Rosenblatt于1958年提出。與多數AI研究者一樣,他對這一發明的潛力非常樂觀,預言說“感知器最終將能夠學習,作出決策和翻譯語言”。整個六十年代里這一方向的研究工作都很活躍。


1969年Minsky和Papert出版了著作《感知器》,書中暗示感知器具有嚴重局限,而Frank Rosenblatt的預言過于夸張。這本書的影響是破壞性的:聯結主義的研究因此停滯了十年。后來新一代研究者使這一領域獲得重生,并使其成為人工智能中的重要部分;遺憾的是Rosenblatt沒能看到這些,他在《感知器》問世后不久即因游船事故去世。


“簡約派(the neats)”:邏輯,Prolog語言和專家系統


早在1958年,John McCarthy就提出了名為“納諫者(Advice Taker)”的一個程序構想,將邏輯學引入了AI研究界。1963年,J. Alan Robinson發現了在計算機上實現推理的簡單方法:歸結(resolution)與合一(unification)算法。然而,根據60年代末McCarthy和他的學生們的工作,對這一想法的直接實現具有極高的計算復雜度:即使是證明很簡單的定理也需要天文數字的步驟。70年代Robert Kowalsky在Edinburgh大學的工作則更具成效:法國學者Alain Colmerauer和Phillipe Roussel在他的合作下開發出成功的邏輯編程語言Prolog。


Dreyfus等人針對邏輯方法的批評觀點認為,人類在解決問題時并沒有使用邏輯運算。心理學家Peter Wason,Eleanor Rosch,阿摩司?特沃斯基,Daniel Kahneman等人的實驗證明了這一點。[McCarthy則回應說,人類怎么思考是無關緊要的:真正想要的是解題機器,而不是模仿人類進行思考的機器。


“蕪雜派(the scruffies)”:框架和腳本


對McCarthy的做法持批評意見的還有他在MIT的同行們。Marvin Minsky,Seymour Papert和Roger Schank等試圖讓機器像人一樣思考,使之能夠解決“理解故事”和“目標識別”一類問題。為了使用“椅子”,“飯店”之類最基本的概念,他們需要讓機器像人一樣作出一些非邏輯的假設。不幸的是,這些不精確的概念難以用邏輯進行表達。Gerald Sussman注意到,“使用精確的語言描述本質上不精確的概念,并不能使它們變得精確起來”。Schank用“蕪雜(scruffy)”一詞描述他們這一“反邏輯”的方法,與McCarthy,Kowalski,Feigenbaum,Newell和Simon等人的“簡約(neat)”方案相對。


在1975年的一篇開創性論文中,Minsky注意到與他共事的“蕪雜派”研究者在使用同一類型的工具,即用一個框架囊括所有相關的常識性假設。例如,當我們使用“鳥”這一概念時,腦中會立即浮現出一系列相關事實,如會飛,吃蟲子,等等。我們知道這些假設并不一定正確,使用這些事實的推理也未必符合邏輯,但是這一系列假設組成的結構正是我們所想和所說的一部分。他把這個結構稱為“框架(frames)”。Schank使用了“框架”的一個變種,他稱之為“腳本(scripts)”,基于這一想法他使程序能夠回答關于一篇英語短文的提問。 多年之后的面向對象編程采納了AI“框架”研究中的“繼承(inheritance)”概念。


繁榮:1980 – 1987


在80年代,一類名為“專家系統”的AI程序開始為全世界的公司所采納,而“知識處理”成為了主流AI研究的焦點。日本政府在同一年代積極投資AI以促進其第五代計算機工程。80年代早期另一個令人振奮的事件是John Hopfield和David Rumelhart使聯結主義重獲新生。AI再一次獲得了成功。


專家系統獲得賞識


專家系統是一種程序,能夠依據一組從專門知識中推演出的邏輯規則在某一特定領域回答或解決問題。最早的示例由Edward Feigenbaum和他的學生們開發。1965年起設計的Dendral能夠根據分光計讀數分辨混合物。1972年設計的MYCIN能夠診斷血液傳染病。它們展示了這一方法的威力。


專家系統僅限于一個很小的知識領域,從而避免了常識問題;其簡單的設計又使它能夠較為容易地編程實現或修改。總之,實踐證明了這類程序的實用性。直到現在AI才開始變得實用起來。


1980年CMU為DEC(Digital Equipment Corporation,數字設備公司)設計了一個名為XCON的專家系統,這是一個巨大的成功。在1986年之前,它每年為公司省下四千萬美元。全世界的公司都開始研發和應用專家系統,到1985年它們已在AI上投入十億美元以上,大部分用于公司內設的AI部門。為之提供支持的產業應運而生,其中包括Symbolics,Lisp Machines等硬件公司和IntelliCorp,Aion等軟件公司。


知識革命


專家系統的能力來自于它們存儲的專業知識。這是70年代以來AI研究的一個新方向。 Pamela McCorduck在書中寫道,“不情愿的AI研究者們開始懷疑,因為它違背了科學研究中對最簡化的追求。智能可能需要建立在對分門別類的大量知識的多種處理方法之上。” “70年代的教訓是智能行為與知識處理關系非常密切。有時還需要在特定任務領域非常細致的知識。” 知識庫系統和知識工程成為了80年代AI研究的主要方向。


第一個試圖解決常識問題的程序Cyc也在80年代出現,其方法是建立一個容納一個普通人知道的所有常識的巨型數據庫。發起和領導這一項目的Douglas Lenat認為別無捷徑,讓機器理解人類概念的唯一方法是一個一個地教會它們。這一工程幾十年也沒有完成。


重獲撥款:第五代工程


1981年,日本經濟產業省撥款八億五千萬美元支持第五代計算機項目。其目標是造出能夠與人對話,翻譯語言,解釋圖像,并且像人一樣推理的機器。令“蕪雜派”不滿的是,他們選用Prolog作為該項目的主要編程語言。


其他國家紛紛作出響應。英國開始了耗資三億五千萬英鎊的Alvey工程。美國一個企業協會組織了MCC(Microelectronics and Computer Technology Corporation,微電子與計算機技術集團),向AI和信息技術的大規模項目提供資助。 DARPA也行動起來,組織了戰略計算促進會(Strategic Computing Initiative),其1988年向AI的投資是1984年的三倍。


聯結主義的重生


1982年,物理學家John Hopfield證明一種新型的神經網絡(現被稱為“Hopfield網絡”)能夠用一種全新的方式學習和處理信息。大約在同時(早于Paul Werbos),David Rumelhart推廣了“反傳法(en:Backpropagation)”,一種神經網絡訓練方法。這些發現使1970年以來一直遭人遺棄的聯結主義重獲新生。

 

一個四節點的Hopfield網絡.


1986年由Rumelhart和心理學家James McClelland主編的兩卷本論文集“分布式并行處理”問世,這一新領域從此得到了統一和促進。90年代神經網絡獲得了商業上的成功,它們被應用于光字符識別和語音識別軟件。



AI之冬


“AI之冬(en:AI winter)”一詞由經歷過1974年經費削減的研究者們創造出來。他們注意到了對專家系統的狂熱追捧,預計不久后人們將轉向失望。事實被他們不幸言中:從80年代末到90年代初,AI遭遇了一系列財政問題。


變天的最早征兆是1987年AI硬件市場需求的突然下跌。Apple和IBM生產的臺式機性能不斷提升,到1987年時其性能已經超過了Symbolics和其他廠家生產的昂貴的Lisp機。老產品失去了存在的理由:一夜之間這個價值五億美元的產業土崩瓦解。


XCON等最初大獲成功的專家系統維護費用居高不下。它們難以升級,難以使用,脆弱(當輸入異常時會出現莫名其妙的錯誤),成了以前已經暴露的各種各樣的問題(例如資格問題(en:qualificationproblem))的犧牲品。專家系統的實用性僅僅局限于某些特定情景。


到了80年代晚期,戰略計算促進會大幅削減對AI的資助。DARPA的新任領導認為AI并非“下一個浪潮”,撥款將傾向于那些看起來更容易出成果的項目。


1991年人們發現十年前日本人宏偉的“第五代工程”并沒有實現。事實上其中一些目標,比如“與人展開交談”,直到2010年也沒有實現。與其他AI項目一樣,期望比真正可能實現的要高得多。


點擊下載全文

隨文附件

附件1. 人工智能的歷史.docx

中國人工智能學會
2016年03月10日

Copyright ? 2010 中國人工智能學會 京ICP備06029423號
地址: 北京市海淀區西土城路10號 郵編: 100876 電話: 010-62281360 傳真: 010-62282983

二維碼
世界十大博彩公司排名-网上博彩公司排行大全-十大博彩公司官方平台_人工智能学会