人工智能100年（定义、趋势与发展简史）

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

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。

报告摘要

人工智能是一门科学，同时也是一种计算机技术。人工智能的灵感来自人如何使用自己的神经系统和身体器官来进行感知、学习、推理和行动中获得知识，但是，一般来说，二者的运行机制却有很大的不同。

AI的发展是不一致而且不可预测的，60年前AI 的构想刚被推出时，确实有过巨大的发展。作为一个整体上还属于学术领域的技术，21世纪的AI 使得一系列主流的科技变成了可能，对人类的日常生活产生了深远的影响。

比如说，计算机视觉和AI 规划推动了视频游戏的发展，在娱乐行业，视频游戏的规模现在已经超过了好莱坞。

深度学习——一种基于多层被称为神经网络的表示的机器学习形式，已经让手机或者厨房设备理解人类语言成为现实，其算法也可以被用在一系列依赖模式识别的应用上。自然语言处理、知识代表以及推理，已经可以让机器击败Jeopardy的冠军，为网络搜索带来新的功能。

虽然很让人震撼，但是这些技术被高度地局限在特定的任务中，每一个应用基本上都要经过数年细化的研究和非常谨慎、独特的建设过程。在类似的定向应用中，未来可以期待AI技术会呈现巨大增长，比如，无人驾驶、医疗诊断、靶向治疗和老人身体辅助。AI和机器人也会在全球那些难以吸引年轻人的行业中得到广泛应用，比如农业、食品加工、运营中心和工厂。它们会通过无人机、自动驾驶卡车或者可以爬楼梯直达家门口的机器人来促进快递的发展。

这份报告是人工智能100年研究(AI 100)的第一部分，以后会定期更新。

AI 100 由 AI100 长期委员会领导，其职责是研究AI 在2030年前会发生的影响，尤其是在北美地区。2015 研究小组 由AI 和其他相关领域的专家组成，他们最为突出的关注点聚焦在8个领域：交通、服务机器人、健康医疗、教育、低资源社区、公共安防、就业和职业以及娱乐。

报告回顾了每个领域过去15年的进展，也展望了未来15年的发展。虽然都是来源的研究基础几乎一致，但是每一个领域都反映了AI不同的影响和挑战，比如，开发安全可信赖的硬件的困难(交通工具和服务机器人)、获得工作信赖的困难(低资源社区和公共安防)、对人类可能会被边缘化的担忧(就业和职业)、人际交往减少带来的社会副作用(娱乐)。

报告以“AI由什么组成”开始，以推荐AI相关政策作为结束。这些推荐包括，政府应该招聘AI专业人才，把更多的资源投入到研究AI系统对公平、安全、隐私和社会福利的影响上，消除阻碍。

与主流媒体上异想天开的预测不一样，研究小组(Study Panel)发现，人们完全没有理由担心AI 会对人类形成即刻的威胁。目前为止，还没有一台可以自我维持、拥有长期目标和意愿的机器被发展出来，并且在短期也不可能会出现。反之，越来越有用的AI应用很可能会从现在起到2030年崛起，它们对社会和经济会有非常深远的积极影响。同时，这些发展将会对人类劳动力的增强或者替代产生颠覆性的变革，在更大范围上增加经济和社会的挑战。在短期内的应用设计和决策很可能会对自然和这些发展的方向产生长远的影响，这使得AI研究员、开发者、社会科学界和政策制定者在进行创新与确保AI的经济和社会福利能被全社会共享二者之间的平衡显得尤为重要。

如果社会对这些技术的理解主要是担忧、怀疑和误解，那么，确保AI技术的安全和可信就变得很重要。从另一方面来说，如果社会以一种更加开放的心态来接受AI，从这一领域崛起的技术将会深刻地变革社会，在接下来的10年中，会把人类社会变得更好。

第一部分：什么是人工智能？

本节介绍了研究人员和从业者如何定义“人工智能”和AI的研究和应用发展的热门领域。本节描述了什么是AI和什么不是AI，并且介绍了一些人工智能研究的当前“热门”领域。本节将为第二节引入相关的背景知识，第二节介绍了人工智能在八个领域的影响和发展前景，第三节介绍有关AI设计和公共政策问题，同时提出了鼓励AI创新，保护民主价值观的建议。

一、定义AI

对人工智能给出不同于大众理解的精确和复杂的描述是困难的，因为如何对人工智能进行精确定义目前还没有达成共识。奇怪的是，AI缺乏一个精确的、普遍接受的定义反而帮助它成为成长日益加快的领域。人工智能的从业者、研究人员和开发者，大多是按照自己朦胧的方向感以及努力跟上发展形势的紧迫感在该领域探索。尽管如此，定义仍然是重要的，斯坦福大学计算机科学教授尼尔斯·J·尼尔森提供了一个可供参考的定义：

“人工智能致力于使机器智能化，智能化是衡量实体在特定环境中反应和判断能力的定量指标。”

从这个角度来看，如何定义AI取决于研究者更加看重软硬件系统的“反应”能力还是软件系统的“判断”能力。功能简单的计算机器计算速度比人脑快，而且从不出错，这能算是一种计算器智能吗?本研究小组同尼尔森的观点一样，认为应当从多维谱系来看待智能。在我们看来，计算器和人脑之间的差异不是单一维度的，而是包括规模、速度、自治程度和通用性等多个维度。这种方法还可以用于比较他物体的智能，比如智能语音识别软件、动物大脑、汽车的巡航控制系统、围棋程序、恒温器等，并且将它们放置在智能频谱中合适位置。虽然以我们宽泛的解释，可以把计算器放到智能频谱中，但是这种简单的设备和今天的AI并没有什么相似之处。AI的前沿进展日新月异，而计算器的功能只是今天智能手机众多功能中的一个。

目前AI开发人员致力于提高、推广和扩大智能手机的智能程度。事实上，人工智能领域是一个持续努力推动机器智能的前沿。但是讽刺的是，AI取得进展经常被有意无意的忽视，逼迫着它不得不持续推动前沿技术的普及，这种重复出现的现象被称为“AI效应”或“奇异悖论”。AI为传统领域带来了新技术，当人们已经习惯了这种技术，就不再认为为它是AI技术，然后新的AI技术又会出现，这种情况在未来仍会持续下去。AI不会像晴天霹雳那样突然“传递”一个足以改变生活的产品。相反，人工智能技术是以一种连续的，渐进的方式逐步演化的。

* 对人脑的评价

值得注意的是，我们在智能频谱定性排序中并没有为人的大脑安排特殊的位置。但迄今为止，人类的智能在生物界和人造世界中都是所向无敌的。人类的智能是丰富多样的，表现为“推理、实现目标、理解和创造语言、感知和响应感官输入的、证明数学定理、玩挑战性的游戏、综合和总结信息、创造艺术和音乐，甚至是书写历史” 。

这使得人类的智能自然成为衡量AI的进步的标准。甚至可以提出一个经验法则：任何电脑的活动能够和人类活动一样，都应该算作一个智能的实例。但是，与人的行为相似只是一个充分条件而不是必要条件。

现在已经有很多系统，已经超过人类的智慧，至少在速度上，如机场调度系统，每日能够调度数千架航班抵港及离港。AI的长期追求的目标之一是在国际象棋的比赛击败人类玩家，奇怪的是，没过多久，AI就达到了之前它难以实现的目标。现在这个目标已经最终实现了，成为人类与机器比较智能过程中一个引人注目的实例。

国际象棋已经让人心醉了几个世纪。当计算机即将诞生的时候，计算机科学之父阿兰·图灵提出可以让电脑通过与人类下国际象棋展现其智能水平。在没有强大的计算机的情况下，图灵和他模拟的计算机对弈时，计算机大约要半个小时才能走一步棋。但是经过六十年代的一系列漫长的改进后，国际象棋的AI方案越来越成熟，卡内基梅隆大学、斯坦福大学、麻省理工学院、莫斯科的理论和实验物理学院和西北大学都作出了自己的贡献。最后国际象棋的AI方案通过IBM的长期项目度过了冲刺阶段，IBM的深蓝计划在1997年击败卡斯帕罗夫，获得国际象棋世界冠军，最终的比分是3.5-2.5。

深蓝的AI方案被描绘成的“暴力方法”集合，这并不是“真正的智能”。事实上，IBM的随后关于深蓝的出版物，提供了其AI方案中有关搜索和评估程序的大量细节，文中甚至一次都没有提到“智能”这个词。深蓝到底是不是智能?显然，人工智能的前沿再次向前推动了。

* 实操层面的定义

AI的定义也可以通过AI的研究人员的研究内容来确定。本报告认为AI是计算机科学的一个分支，通过人工合成智能来研究智能的特点。虽然AI的研究进展一直依赖于硬件计算资源的快速发展，但是最近为神经网络计算软件专门设计硬件的趋势体现了硬件和软件紧密耦合、共同推进人工智能发展的新特点。本报告将重点从软件层面反映人工智能的发展趋势。

* 智能的评判依赖多维度光谱

在我们看来，计算器和人脑之间的差异不是单一维度的，而是包括规模、速度、自治程度和通用性等多个维度。“智能”仍然是一个复杂的现象，其各个方面都引起了不同的研究领域的关注，包括心理学、经济学、神经科学、生物学、工程学、统计和语言学。当然，人工智能领域已经从所有这些相关领域所取得的进展中获益。例如，很多AI的方案的核心部分人工神经网络的设计思想最初就是受到生物神经元中信息流动机制的启发。

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。

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

编辑：admin