經(jīng)過漫長的“人工智能寒冬”——當(dāng)人們開始嚴(yán)重懷疑人工智能能否達(dá)到接近人類智能水平的水平時——人工智能的商業(yè)價值開始顯現(xiàn)，吸引了新的投資目光。

Digital Equipment Corporation 的創(chuàng)始人 Ken Olsen 是最早實現(xiàn)人工智能商用利益的商界領(lǐng)袖之一。

大企業(yè)的解決方案(1987)

企業(yè)家們遠(yuǎn)沒有早期的人工智能專家那么雄心勃勃。他們的“系統(tǒng)”并沒有試圖創(chuàng)造一種通用的智能，而是專注于更具體的任務(wù)。這意味著只需根據(jù)解決特殊問題的規(guī)則進(jìn)行編程。第一個成功的商用系統(tǒng)“RI”能夠幫助配置新計算機系統(tǒng)的訂單。 1986 年，它每年為公司節(jié)省40 美元。

論文“語言翻譯的統(tǒng)計方法”將現(xiàn)實世界的語言問題從規(guī)則轉(zhuǎn)變?yōu)榭梢詫W(xué)習(xí)的概率。

從規(guī)則到概率學(xué)習(xí)(1988)

IBM TJ Watson 研究中心的成員發(fā)表了“語言翻譯的統(tǒng)計方法”，預(yù)示著機器翻譯從基于規(guī)則的方法向概率方法的轉(zhuǎn)變，并反映了基于對已知示例的統(tǒng)計分析向“機器學(xué)習(xí)”的泛化轉(zhuǎn)變。

Rodney Brooks 成為麻省理工學(xué)院人工智能實驗室的主任，這個職位曾經(jīng)由 Marvin Minsky 擔(dān)任。

回歸自然以獲得“自下而上”的靈感（1990 年）

專家系統(tǒng)無法破解模仿生物學(xué)的問題。隨后人工智能科學(xué)家羅德尼·布魯克斯（Rodney Brooks）發(fā)表了一篇新論文：大象不下棋（Elephants Don’t Play Chess）。布魯克斯受到神經(jīng)科學(xué)進(jìn)展的啟發(fā)，神經(jīng)科學(xué)開始解釋人類認(rèn)知的奧秘。例如，視覺需要大腦中的不同“模塊”協(xié)同工作以識別模式，而無需中央控制。布魯克斯認(rèn)為，用智能行為規(guī)則對計算機進(jìn)行預(yù)編程的自上而下的方法是錯誤的。他幫助推動了自下而上的人工智能方法的復(fù)興，包括長期以來不被看好的神經(jīng)網(wǎng)絡(luò)領(lǐng)域。

聊天機器人 ALICE

ALICE 聊天機器人學(xué)習(xí)如何通過網(wǎng)絡(luò)說話(1995)

Richard Wallace 開發(fā)了人工語言聊天機器人 ALICE，其靈感來自 Joseph Weizenbaum 的 ELIZA 程序，由于網(wǎng)絡(luò)的出現(xiàn)，增加了前所未有的自然語言樣本數(shù)據(jù)收集。

深藍(lán)——“像上帝一樣思考”。

人與機器：20世紀(jì)的戰(zhàn)斗（1997）

自上而下的人工智能的支持者仍擁有王牌：超級計算機“深藍(lán)”，它在 1997 年與世界象棋冠軍加里·卡斯帕羅夫 (Garry Kasparov) 對決。

從理論上看，IBM 制造的機器遠(yuǎn)遠(yuǎn)優(yōu)于人類象棋手——每秒能夠評估多達(dá) 2 億個位置。但它可以戰(zhàn)略性地思考嗎？答案是肯定的。這臺超級計算機贏得了這場被稱為“大腦的最后一站”的比賽，其天賦讓卡斯帕羅夫認(rèn)為必須由人類來控制。一些人稱贊這是人工智能成熟的時刻。但對于其他人來說，這只不過展示了具有明確規(guī)則的高度專業(yè)化問題上機器的蠻力。

時間很快到了21世紀(jì)初

Roomba 吸塵器在進(jìn)行清理——全球已購買超過 1000 萬臺。

第一個家用機器人（2002 年）

Rodney Brook 的衍生公司 iRobot 創(chuàng)造了第一個家用商業(yè)成功——掃地機器人Roomba

清潔地毯與早期人工智能先驅(qū)者的野心相去甚遠(yuǎn)。但 Roomba 是一項巨大的成就。它的多層行為生成系統(tǒng)遠(yuǎn)比 Shakey the Robot 的算法簡單得多，更像是半個多世紀(jì)前 Gray Walter 的機器人。盡管傳感器相對簡單且處理能力最低，但它仍具有足夠的智能來有效地清潔家里的地面。Roomba 迎來了特定任務(wù)機器人的新時代。

2006年杰弗里辛頓在這一年發(fā)表了《一種深度置信網(wǎng)絡(luò)的快速學(xué)習(xí)算法》，其他重要的深度學(xué)習(xí)學(xué)術(shù)文章也在這一年被發(fā)布，在基本理論層面取得了若干重大突破。這是深度學(xué)習(xí)發(fā)展史的分水嶺。

這無疑為接下來人工智能的第三次浪潮打下了基礎(chǔ)：

2000年后互聯(lián)網(wǎng)行業(yè)飛速發(fā)展形成了海量數(shù)據(jù)。同時數(shù)據(jù)存儲的成本也快速下降。使得海量數(shù)據(jù)的存儲和分析成為了可能。

據(jù)谷歌稱，截至 2015 年，其語音識別技術(shù)的單詞錯誤率為 8%。

開始解決大問題（2008）

2008 年 11 月，新的 Apple iPhone 上出現(xiàn)了一個小功能——具有語音識別功能的 Google 應(yīng)用程序。

這似乎很簡單。但這預(yù)示著重大突破。盡管語音識別是人工智能的主要目標(biāo)之一，但數(shù)十年來的研究從未將其準(zhǔn)確率提高到 80% 以上。谷歌開創(chuàng)了一種新方法：數(shù)千臺功能強大的計算機，并行神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)從谷歌眾多用戶輸入的大量數(shù)據(jù)中發(fā)現(xiàn)模式。起初它仍然相當(dāng)不準(zhǔn)確，但經(jīng)過多年的學(xué)習(xí)和改進(jìn)，谷歌現(xiàn)在聲稱它的準(zhǔn)確率為 92%。

斯坦福教授 李飛飛

ImageNet 人工智能催化劑（2009 年）

李飛飛看到她在學(xué)術(shù)界和人工智能行業(yè)的同事們都持這樣的信念：無論數(shù)據(jù)如何，更好的算法都會做出更好的決策。但她意識到這種方法的局限性——如果學(xué)習(xí)到的數(shù)據(jù)不能反映現(xiàn)實世界，那么即便是最好的算法也不能很好地工作。

她的解決方案是：必須構(gòu)建更好的數(shù)據(jù)集?！拔覀儧Q定要做一些歷史上前所未有的事情。我們將繪制出整個物體世界?！?/p>

李飛飛發(fā)布了 ImageNet，這是一個包含 1400 萬張圖像的免費數(shù)據(jù)庫，這些圖像已被成千上萬的 Amazon Mechanical Turk 工人標(biāo)記。人工智能研究人員開始使用 ImageNet 訓(xùn)練神經(jīng)網(wǎng)絡(luò)來分類照片和識別物體。許多人將其視為當(dāng)今世界正在經(jīng)歷的人工智能繁榮的催化劑。

跳舞的NAO

舞蹈機器人(2010)

在大型數(shù)據(jù)庫正在改變?nèi)斯ぶ悄艿姆绞降耐瑫r，新技術(shù)意味著小的算法也可以發(fā)揮更大的作用。這些新技術(shù)使類人機器人成為可能，例如 NAO 機器人，它可以做像 Shakey 這樣的前輩發(fā)現(xiàn)幾乎不可能的事情。NAO 使用了過去十年的新興技術(shù)，例如神經(jīng)網(wǎng)絡(luò)支持的學(xué)習(xí)。在上海的 2010 年世博會上，這些機器人的非凡能力盡情展現(xiàn)： 20 個機器人完美和諧地共舞了 8 分鐘。

Watson在智力競賽

人與機器：21世紀(jì)的戰(zhàn)斗（2011）

2011 年，IBM 的 Watson 在美國智力競賽節(jié)目 Jeopardy 中扮演了人類大腦的角色。這對機器來說是比國際象棋更大的挑戰(zhàn)。Watson必須回答謎語和復(fù)雜的問題。為了更好的識別提問和回答的模式，研究人員對Watson進(jìn)行了超過三年的訓(xùn)練。Watson是包括神經(jīng)網(wǎng)絡(luò)在內(nèi)的技術(shù)應(yīng)用成果，最終Watson擊敗了它的對手——節(jié)目中有史以來表現(xiàn)最好的兩位選手。這場勝利像病毒一樣傳播開來，并被譽為人工智能的勝利。

人工神經(jīng)網(wǎng)絡(luò)中的一個神經(jīng)元從未標(biāo)記的 YouTube 視頻靜止幀中訓(xùn)練出來，學(xué)會了檢測貓。

學(xué)習(xí)貓臉（2012）

Jeff Dean 和 Andrew Ng 報告了一項實驗成果，他們展示了一個非常大的神經(jīng)網(wǎng)絡(luò)，其中包含從 YouTube 視頻中隨機拍攝的 1000 萬張未標(biāo)記圖像，并且“讓我們感到有趣的是，我們的一個人工神經(jīng)元學(xué)會了對……貓的圖片做出強烈反應(yīng)?！?/p>

繪畫傻瓜的作品，靈感來自阿富汗的新聞。

繪畫傻瓜（The painting fool）(2013)

繪畫傻瓜是倫敦金史密斯學(xué)院教授西蒙科爾頓（Simon Colton）的心血結(jié)晶，他建議如果程序要算作創(chuàng)意，它們必須通過與圖靈測試不同的東西。他建議，人工智能藝術(shù)家不能像圖靈提出的那樣簡單地以令人信服的人類方式交談，而必須以“熟練”、“欣賞”和“富有想象力”的方式行事。

在一次展覽中，繪畫傻瓜掃描了衛(wèi)報上一篇 關(guān)于阿富汗戰(zhàn)爭的文章，提取了“北約”、“軍隊”和“英國”等關(guān)鍵詞，并找到了與之相關(guān)的圖像。然后將這些組合在一起，形成反映報紙文章“內(nèi)容和情緒”的合成圖像。

如果消極情緒的統(tǒng)計量太大，繪畫傻瓜會陷入完全拒絕繪畫的沮喪狀態(tài)，設(shè)計者稱——這實際上相當(dāng)于藝術(shù)氣質(zhì)。

Eugene Goostman

機器現(xiàn)在智能了嗎？(2014)

在圖靈發(fā)表他的證明機器智能的測試想法 64 年后，一個名為 Eugene Goostman 的聊天機器人終于通過了。它假裝是13歲小男孩——不能指望他什么都知道，并且可能會因為輕微的語法或語言錯誤而被原諒，能在 5 分鐘內(nèi)讓 33% 的評委相信是人類在打字對話。Eugene Goostman的開發(fā)者之一弗拉基米爾·維塞洛夫（Vladimir Veselov）說：“我們花了很多時間來開發(fā)一個性格可信的角色?！?。

但很少有人工智能專家認(rèn)為這是重要分水嶺。Eugene Goostman 被視為“為考試而教”，他使用技巧來愚弄評委。

2014 年至今，人工智能在各個領(lǐng)域都獲得了更多進(jìn)展，從谷歌對無人駕駛汽車的數(shù)十億美元投資，到 Skype 推出實時語音翻譯，在各種條件成熟后，深度學(xué)習(xí)發(fā)揮出了強大的能力。在語音識別、圖像識別、NLP等領(lǐng)域不斷刷新紀(jì)錄。

無論是中國市場還是美國市場，近幾年來，主流廠商的市場格局一直在不斷演變，遠(yuǎn)沒有達(dá)到格局穩(wěn)定、幾家公司形成壟斷的階段。在未來，技術(shù)創(chuàng)新型企業(yè)仍有可能勝出。

智能機器現(xiàn)在正成為日?，F(xiàn)實，將改變我們所有人的生活。

一個彩蛋：

2015 年 6 月，Alex Mordvintsev和 Google 的 Brain AI 研究團(tuán)隊發(fā)表了一些令人迷惑成果。經(jīng)過一些從視覺線索中識別物體的訓(xùn)練，獲得了一些隨機數(shù)字圖像，包括混合“豬蝸?！保?“駱駝鳥”和“狗魚”。這催生了一種名為“啟發(fā)主義”（Inceptionism）的新藝術(shù)形式，神經(jīng)網(wǎng)絡(luò)被設(shè)定為通過逐步放大圖像合成畫面，系統(tǒng)不斷嘗試在已知框架內(nèi)“看到”——直到到處都是相似的元素。