【腾讯科技编者按】业界媒体TechRadar宣布文章，称人工智能（AI）是目前科技界最抢手的盛行语，经过几十年的研讨和开展之后，科幻小说中的许多技术曾经在这几年渐渐转化为迷信理想。这篇文章总结了AI范畴的10大里程碑。以下为原文内容：

AI技术曾经成为我们生活中十分重要的一局部：AI决议了我们的搜索后果，将我们的声响转化为计算机指令，甚至可以协助我们对黄瓜停止分类（这件预先文中会提到）。在接上去的几年里，我们将用AI驾驶汽车，回应顾客的讯问，以及处置其他有数事情。

但是我们怎样走到这个阶段的？这种弱小的新技术是怎样来的？上面就来看看AI技术开展的十大里程碑。

笛卡尔的理念

人工智能的概念并不是忽然呈现的 ——直到明天，人工智能依然是哲学争辩的一个主题：机器真的能像人类一样考虑吗？机器能成为人类吗？最早想到这个成绩的人之一是1637年的笛卡儿。在一本名为《办法论》（Discourse on the Method）的书中，笛卡儿居然总结出了如今的科技人员必需克制的关键成绩和应战：

“假如为了各种适用性的目的，机器在外形上向人类靠拢，并模拟人类的行为，那么我们依然应该有两种十分确定的办法来辨识出它们不是真人。”

笛卡尔表示，在他看来，机器永远无法运用言语，或许“把标识放在一同”来“向他人表达想法”，即便我们可以想象出这样的机器，但是“让一台机器对文字停止组合，对他人的话做出有意义的，即使程度和最愚笨的人差不多的答复，那也是不可想象的。”

他还提到了我们如今面临的一个应战：创立一个狭义的AI，而不是广义的AI——以及以后AI的局限性会如何暴露它并非人类：

“即便有些机器可以在有些事情上可以做得和我们一样好，或许甚至更好，但是其他机器也不可防止地会失败，这就标明它们的行为并非来自于对事物了解，只是一种复杂的回应。”

模拟游戏

AI的第二个次要的哲学基准来自计算机迷信先驱图灵（Alan Turing）。在1950年时，他提出了“图灵测试”，他称之为“模拟游戏”。这个测试权衡的是，我们什么时分可以宣布智能机器呈现了。

这个测试很复杂：假如评判者不晓得哪一方是人类，哪一方是机器（比方阅读两者之间的文本对话时），那么机器能否骗过评判者，让他以为本人是人类？

风趣的是，图灵对将来的计算做出了一个大胆的预测——他估量到20世纪末，机器就可以经过图灵测试。他说：

“我置信，在大约50年的工夫内，人们就有能够用上1GB的存储容量的计算机，经过编程让它们玩模拟游戏，玩得足够逼真，以致于普通的评判者在经过5分钟的对话之后，做出正确的断定的能够性低于70％…… 我置信，到本世纪末，文字的运用和通识教育理念将会发作很大的变化，那时你议论机器思想，通常不会引发冲突心情。”

惋惜的是，他的预测不太精确。我们如今的确开端看到一些真正让人眼前一亮的AI零碎呈现，但是在2000年代，AI技术还处在比拟原始的阶段。不过硬盘容量在世纪之交时均匀为10GB左右，这倒是远远超越了图灵的预测。

第一个神经网络的呈现

神经网络其实是一种试错法，它是古代AI的关键概念。从实质上讲，当你训练一个AI零碎时，最好的方法就是让零碎猜想，接纳反应，然后在持续猜想——不时调整概率，以便让AI零碎得出正确答案。

令人惊奇的是，第一个神经网络实践上是在1951年由马尔文·明斯基（Marvin Minsky）和迪恩·艾德蒙兹（Dean Edmonds）创立的，称为“SNARC” ，意思是随机神经模仿加强计算机。它不是由微芯片和晶体管，而是由真空管、电机和离合器制成的。

这台机器可以协助一只虚拟老鼠处理迷宫难题。零碎发送指令，让虚拟老鼠在迷宫里游走，每一次都将其行为的效果反应到零碎里——用真空管来存储后果。这意味着机器可以学习并调整概率，进步虚拟老鼠经过迷宫的时机。

实质上，谷歌以后用于辨认照片中的对象的相反进程的十分十分复杂的版本。

谷歌目前用来辨认照片中的对象也运用了异样的进程，只不过远比它复杂。

第一辆自动驾驶汽车的呈现

如今我们提到自动驾驶汽车的时分，能够会想到谷歌Waymo等等，但是令人吃惊的是，在1995年，梅赛德斯-奔驰就改装了一辆汽车，从慕尼黑开到哥本哈根，路上大局部时分都是自动驾驶的。

这段路程共1043英里，改卸车上搭载了60个晶体电脑芯片，那是事先并行计算范畴最先进的技术，让它可以疾速处置少量驾驶数据，为自动驾驶汽车的呼应度提供保证。

这辆车的时速到达了115英里，与当今的自动驾驶汽车相差无几，由于它可以超车并读取路标。

转向“基于统计”的办法

虽然神经网络作为一个概念呈现曾经有一段工夫了，但是直到20世纪80年代前期，AI研讨人员开端从“基于规则”的办法转向“基于统计”的办法 ，也就是机器学习。这意味着不要试图去依据人类行为的规则来让零碎停止模拟，而是采取试错法，依据反应来调整概率，这是教会机器考虑的好办法。这一点十分重要，由于正是这个概念让如今的AI办到了一些令人诧异的事情。

《福布斯》的吉尔·普利斯（Gil Press）以为，这一转变是从1988年开端的，事先IBM的TJ Watson研讨中心宣布了一篇名为《言语翻译的统计学办法》的论文，特别提到了如何运用机器学习来做言语翻译。

IBM用220万对法文和英文句子来训练这个零碎 ——这些句子全部来自加拿大议会的双语记载。220万这个数字听起来很多，但是谷歌有整个互联网上可以应用——所以如今谷歌翻译的效果可以说相当不错了。

“深蓝”击败国际象棋冠军

虽然AI的侧重点曾经转移到统计模型上，但基于规则的模型也依然在运用—— 在1997年举行了一场国际象棋竞赛中，IBM的计算机深蓝打败了世界国际象棋冠军加里·卡斯帕罗夫，向人们展现了机器可以有多么弱小。

这不是单方的第一场竞赛，在1996年，卡斯帕罗夫曾以4-2击败深蓝。而到了1997年，机器就占了下风。

从一定水平上说，深蓝的智能有点虚伪——IBM自身以为深蓝没有运用人工智能，由于它运用的是蛮力之法，每秒处置数千种走棋的能够性。 IBM为这个零碎注入了数以千计之前竞赛的数据，每次对手走棋之后，深蓝就会照搬以前象棋巨匠们在相反状况下的反响。正如IBM所说，深蓝只是在扮演之前象棋巨匠们的幽灵。

不论这算不算真正的AI，它都是一个重要的里程碑，让人们不只开端关怀计算机的计算才能，也对整个AI范畴发生了兴味。自从与卡斯帕罗夫对决以来，在游戏中打败人类玩家曾经成为机器智能基准测试的次要方式 —— 2011年时，我们再次看到，IBM的“沃森”零碎轻松地击败了两团体类对手，成为美国智力竞赛节目《风险边缘》的优胜者。

Siri 和自然言语处置

自然言语处置是AI范畴的一大课题，要想像《星际迷航》（Star Trek）那样经过语音对设备发布命令，就需求有很强的自然言语处置才能。

所以，用统计办法创立的Siri令人眼前一亮。它由SRI International研发，甚至已经在iOS使用顺序商店中作为独立的app推出，很快，这家公司就被苹果公司收买，并深度整合在了iOS中。如今它和谷歌助手、微软小娜，以及亚马逊Alexa这些软件曾经成为机器学习最引人注目的效果之一，改动了我们与设备互动的方式。

当然，我们如今似乎以为这种互动方式是天经地义的，但是任何已经在2010年之前尝试过运用语音命令的人都晓得，这个提高有多大。

图像辨认

就像在语音辨认上一样，AI也可以在图像辨认范畴大有作为。在2015年，研讨人员初次得出结论：在1000多个类别中，谷歌和微软研发的两个深度学习零碎辨认图像的效果比人类更好。

图像辨认可以使用在数不清的方面，谷歌在推行其TensorFlow机器学习平台时举一个风趣的例子，就是对黄瓜停止分类：经过运用计算机视觉，农民不需求雇用人员来决议黄瓜能否适宜采摘了，而是让机器来自动做出决议，只需这些机器承受过晚期数据的培训即可。

GPU让AI变得更廉价

AI如今如此引人注目，一个重要缘由就是在过来的几年里，处置少量数据的本钱曾经变得没有那么昂扬了。

据《财富》报道，研讨人员直到21世纪末才认识到，为3D图形和游戏而开发的图形处置单元（GPU）在深度学习计算方面比传统的CPU强20到50倍。在那之后，人们可以应用的计算才能就大大添加了，如今的AI云平台可以为有数AI使用提供动力。

所以，要感谢玩家。你的父母和配偶能够不会喜欢你花这么多工夫来玩游戏 —— 但人工智能研讨人员的确很感谢你。

AlphaGo和AlphaGoZero降服世人

2016年3月，人工智能又到达了一座里程碑——谷歌的AlphaGo击败了围棋九段李世石。

从数学上说，围棋比国际象棋愈加复杂，但这次成功的重要之处在于，AlphaGo是用人类和AI对手组合停止训练的。据报道，谷歌运用了1920个CPU和280个GPU，在和李世石的五局竞赛中博得了四局。

而更新之后的版本AlphaGo Zero愈加凶猛，它不像AlphaGo和深蓝那样运用任何以前的数据来学习下棋，而是直接打了数以千场的竞赛，经过三天这样的训练，它就能击败AlphaGo了。也就是说，这台机器拥有自学才能。（编译/云开）