業界媒體TechRadar發表文章，稱人工智能（AI）是目前科技界最熱門的流行語，經過幾十年的研究和發展之后，科幻小說中的許多技術已經在這幾年慢慢轉化為科學現實。這篇文章總結了AI領域的10大里程碑。以下為原文內容：

　　AI技術已經成為我們生活中非常重要的一部分：AI決定了我們的搜索結果，將我們的聲音轉化為計算機指令，甚至可以幫助我們對黃瓜進行分類（這件事后文中會提到）。在接下來的幾年里，我們將用AI駕駛汽車，回應顧客的詢問，以及處理其他無數事情。

　　但是我們怎么走到這個階段的？這種強大的新技術是怎么來的？下面就來看看AI技術發展的十大里程碑。

　　笛卡爾的理念

　　人工智能的概念并不是突然出現的 ——直到今天，人工智能仍然是哲學辯論的一個主題：機器真的能像人類一樣思考嗎？機器能成為人類嗎？最早想到這個問題的人之一是1637年的笛卡兒。在一本名為《方法論》（Discourse on the Method）的書中，笛卡兒竟然總結出了如今的科技人員必須克服的關鍵問題和挑戰：

　　“如果為了各種實用性的目的，機器在外形上向人類靠攏，并模仿人類的行為，那么我們仍然應該有兩種非常確定的方法來辨識出它們不是真人。”

　　笛卡爾表示，在他看來，機器永遠無法使用言語，或者“把標識放在一起”來“向別人表達想法”，即使我們能夠設想出這樣的機器，但是“讓一臺機器對文字進行組合，對別人的話做出有意義的，即便水平和最愚笨的人差不多的回答，那也是不可想象的。”

　　他還提到了我們現在面臨的一個挑戰：創建一個廣義的AI，而不是狹義的AI——以及當前AI的局限性會如何暴露它并非人類：

　　“即使有些機器可以在有些事情上可以做得和我們一樣好，或者甚至更好，但是其他機器也不可避免地會失敗，這就表明它們的行為并非來自于對事物理解，只是一種簡單的回應。”

　　模仿游戲

　　AI的第二個主要的哲學基準來自計算機科學先驅圖靈（Alan Turing）。在1950年時，他提出了“圖靈測試”，他稱之為“模仿游戲”。這個測試衡量的是，我們什么時候可以宣布智能機器出現了。

　　這個測試很簡單：如果評判者不知道哪一方是人類，哪一方是機器（比如閱讀兩者之間的文本對話時），那么機器能否騙過評判者，讓他以為自己是人類？

　　有趣的是，圖靈對未來的計算做出了一個大膽的預測——他估計到20世紀末，機器就可以通過圖靈測試。他說：

　　“我相信，在大約50年的時間內，人們就有可能用上1GB的存儲容量的計算機，通過編程讓它們玩模仿游戲，玩得足夠逼真，以至于一般的評判者在經過5分鐘的對話之后，做出正確的判定的可能性低于70％…… 我相信，到本世紀末，文字的使用和通識教育理念將會發生很大的變化，那時你談論機器思維，通常不會引發抵觸情緒。”

　　可惜的是，他的預測不太準確。我們現在確實開始看到一些真正讓人眼前一亮的AI系統出現，但是在2000年代，AI技術還處在比較原始的階段。不過硬盤容量在世紀之交時平均為10GB左右，這倒是遠遠超過了圖靈的預測。

　　第一個神經網絡的出現

　　神經網絡其實是一種試錯法，它是現代AI的關鍵概念。從本質上講，當你訓練一個AI系統時，最好的辦法就是讓系統猜測，接收反饋，然后在繼續猜測——不斷調整概率，以便讓AI系統得出正確答案。

　　令人驚奇的是，第一個神經網絡實際上是在1951年由馬爾文·明斯基（Marvin Minsky）和迪恩·艾德蒙茲（Dean Edmonds）創建的，稱為“SNARC” ，意思是隨機神經模擬增強計算機。它不是由微芯片和晶體管，而是由真空管、電機和離合器制成的。

　　這臺機器可以幫助一只虛擬老鼠解決迷宮難題。系統發送指令，讓虛擬老鼠在迷宮里游走，每一次都將其行為的效果反饋到系統里——用真空管來存儲結果。這意味著機器能夠學習并調整概率，提高虛擬老鼠通過迷宮的機會。

　　本質上，谷歌當前用于識別照片中的對象的相同過程的非常非常簡單的版本。

　　谷歌目前用來識別照片中的對象也使用了同樣的過程，只不過遠比它復雜。

　　第一輛自動駕駛汽車的出現

　　現在我們提到自動駕駛汽車的時候，可能會想到谷歌Waymo等等，但是令人吃驚的是，在1995年，梅賽德斯-奔馳就改裝了一輛汽車，從慕尼黑開到哥本哈根，路上大部分時候都是自動駕駛的。

　　這段路程共1043英里，改裝車上搭載了60個晶體電腦芯片，那是當時并行計算領域最先進的技術，讓它可以快速處理大量駕駛數據，為自動駕駛汽車的響應度提供保證。

　　這輛車的時速達到了115英里，與當今的自動駕駛汽車相差無幾，因為它可以超車并讀取路標。

　　轉向“基于統計”的方法

　　雖然神經網絡作為一個概念出現已經有一段時間了，但是直到20世紀80年代后期，AI研究人員開始從“基于規則”的方法轉向“基于統計”的方法 ，也就是機器學習。這意味著不要試圖去根據人類行為的規則來讓系統進行模仿，而是采取試錯法，根據反饋來調整概率，這是教會機器思考的好方法。這一點非常重要，因為正是這個概念讓如今的AI辦到了一些令人驚訝的事情。

　　《福布斯》的吉爾·普利斯（Gil Press）認為，這一轉變是從1988年開始的，當時IBM的TJ Watson研究中心發表了一篇名為《語言翻譯的統計學方法》的論文，特別提到了如何使用機器學習來做語言翻譯。

　　IBM用220萬對法文和英文句子來訓練這個系統 ——這些句子全部來自加拿大議會的雙語記錄。220萬這個數字聽起來很多，但是谷歌有整個互聯網上可以利用——所以現在谷歌翻譯的效果可以說相當不錯了。

　　“深藍”擊敗國際象棋冠軍

　　盡管AI的側重點已經轉移到統計模型上，但基于規則的模型也仍然在使用—— 在1997年舉辦了一場國際象棋比賽中，IBM的計算機深藍戰勝了世界國際象棋冠軍加里·卡斯帕羅夫，向人們展示了機器可以有多么強大。

　　這不是雙方的第一場比賽，在1996年，卡斯帕羅夫曾以4-2擊敗深藍。而到了1997年，機器就占了上風。

　　從一定程度上說，深藍的智能有點虛假——IBM本身認為深藍沒有使用人工智能，因為它使用的是蠻力之法，每秒處理數千種走棋的可能性。 IBM為這個系統注入了數以千計之前比賽的數據，每次對手走棋之后，深藍就會照搬以前象棋大師們在相同情況下的反應。正如IBM所說，深藍只是在扮演之前象棋大師們的幽靈。

　　不管這算不算真正的AI，它都是一個重要的里程碑，讓人們不僅開始關心計算機的計算能力，也對整個AI領域產生了興趣。自從與卡斯帕羅夫對決以來，在游戲中打敗人類玩家已經成為機器智能基準測試的主要方式 —— 2011年時，我們再次看到，IBM的“沃森”系統輕松地擊敗了兩個人類對手，成為美國智力競賽節目《危險邊緣》的優勝者。

　　Siri 和自然語言處理

　　自然語言處理是AI領域的一大課題，要想像《星際迷航》（Star Trek）那樣通過語音對設備發布命令，就需要有很強的自然語言處理能力。

　　所以，用統計方法創建的Siri令人眼前一亮。它由SRI International研發，甚至曾經在iOS應用程序商店中作為獨立的app推出，很快，這家公司就被蘋果公司收購，并深度整合在了iOS中。現在它和谷歌助手、微軟小娜，以及亞馬遜Alexa這些軟件已經成為機器學習最引人矚目的成果之一，改變了我們與設備互動的方式。

　　當然，我們如今似乎認為這種互動方式是理所當然的，但是任何曾經在2010年之前嘗試過使用語音命令的人都知道，這個進步有多大。

　　圖像識別

　　就像在語音識別上一樣，AI也可以在圖像識別領域大有作為。在2015年，研究人員首次得出結論：在1000多個類別中，谷歌和微軟研發的兩個深度學習系統識別圖像的效果比人類更好。

　　圖像識別可以應用在數不清的方面，谷歌在推廣其TensorFlow機器學習平臺時舉一個有趣的例子，就是對黃瓜進行分類：通過使用計算機視覺，農民不需要雇用人員來決定黃瓜是否合適采摘了，而是讓機器來自動做出決定，只要這些機器接受過早期數據的培訓即可。

　　GPU讓AI變得更便宜

　　AI現在如此引人矚目，一個重要原因就是在過去的幾年里，處理大量數據的成本已經變得沒有那么高昂了。

　　據《財富》報道，研究人員直到21世紀末才意識到，為3D圖形和游戲而開發的圖形處理單元（GPU）在深度學習計算方面比傳統的CPU強20到50倍。在那之后，人們可以利用的計算能力就大大增加了，如今的AI云平臺可以為無數AI應用提供動力。

　　所以，要感激玩家。你的父母和配偶可能不會喜歡你花這么多時間來玩游戲 —— 但人工智能研究人員確實很感激你。

　　AlphaGo和AlphaGoZero征服世人

　　2016年3月，人工智能又達到了一座里程碑——谷歌的AlphaGo擊敗了圍棋九段李世石。

　　從數學上說，圍棋比國際象棋更加復雜，但這次勝利的重要之處在于，AlphaGo是用人類和AI對手組合進行訓練的。據報道，谷歌使用了1920個CPU和280個GPU，在和李世石的五局比賽中贏得了四局。

　　而更新之后的版本AlphaGo Zero更加厲害，它不像AlphaGo和深藍那樣使用任何以前的數據來學習下棋，而是直接打了數以千場的比賽，經過三天這樣的訓練，它就能擊敗AlphaGo了。也就是說，這臺機器擁有自學能力。