人工智能应用程序智能水平与人类一样 并且在某些情况下优于人类

人工智能行业领域的许多人都提出了这样一个问题：机器什么时候会达到人类的智能水平？

比尔·盖茨说，“我们总是高估未来两年将发生的变化，并低估未来十年将发生的变化。”

人工智能概念的产生

大约30年前，当人工智能开始出现时，几乎不为人知，当时很少有人听说过人工智能。如今，无人驾驶汽车、机器人以及其他创新用途的人工智能已经广为人知。然而，人工智能这个概念并不是什么新鲜事物。事实上，“人工智能”这个术语最初是在1956年的达特茅斯会议上创造的，至今已有60多年的历史。

人工智能的宣传和炒作

早期几年，由于对人工智能软件工具和技术的重视，以及根据摩尔定律对硬件进行了相应的改进，人工智能应用程序的功能得到了适度的提高。

多年来，主要的人工智能模式如今已经被称为良好传统人工智能（GOFAI）。这种人工智能的方法试图通过符号推理来模仿人类的思考，这种技术使用符号来操纵类似于人类推理的逻辑模式。人工智能的早期阶段主要是解决一般的技术问题，这些技术源于数学。他们在定理证明和检查中记录了早期的成功，并引起了人们很大的兴趣。因此，人工智能的一些技术创始人进行一些夸大的宣传和预测。例如，在1961年，马文?明斯基写道，“在我们有生之年，机器在智力方面可能超过我们。”此外，1963年创建斯坦福人工智能项目的约翰?麦卡锡表示，其目标是在十年内建立一个完全智能的机器。

这些预言就像当时的其他预言一样并没有实现。解决一般问题的方法很快就会失去动力，因为这种通用性使得它们的实施变得不切实际。因此，始于20世纪80年代基于知识的系统或专家系统是人工智能标志性的另一个阶段。这些是存储人类领域特定知识的软件程序，并试图以人类专家相同的方式对其进行推理。这些系统使用的相当广泛，其中一些非常成功，至今仍在使用。但他们的主要缺点是无法充分学习 ，但这一缺点可以通过机器学习部分解决。

机器学习和深度神经网络

“机器学习”这个术语是指使机器能够在没有明确编程的情况下学习的方法。而人工智能的概念始于1959年，并不是什么新鲜事物。机器学习非常重要，但由于当时没有学习能力，使得人工智能的改进受到严重限制，而人类具有学习新技能、新知识和实践不断改进的能力。因此，学习与智能行为有着密不可分的联系，机器学习是人工智能技术的一个分支。这个领域的研究活动始于20世纪60年代，现在正在使用各种机器学习技术。

连接主义和人工神经网络

然而，连接主义或人工神经网络这种模式已经成为人工智能技术主流，它试图模仿人类大脑中生物神经元的工作方式。实质上，机器接受历史数据的训练（或学习），然后可以用来预测新的数据和结果。与人工智能的符号不同，它们不会在解决问题时使用明确的人类编程符号，而是通过调整神经元中的数字权重进行自我学习。

人工神经网络也不是新鲜事物。其概念最初是由McCulloch和Pitts在1943年提出的，他提出了一种人工神经元模型，称之为感知器。然而，在20世纪80年代人工神经网络开始复苏之前，它们几乎已经被忽略。早期应用基于使用单层神经元的感知器软件。然而，使用多层或深度神经网络可以获得更好的结果。更新的机器学习技术使用隐藏层来识别特定特征的人工神经网络。

随着时间的推移，通过知识发现和数据挖掘，这种技术得到了改进，并成功地应用于商业，尤其是20世纪90年代的零售行业。通过技术的结合可以处理大量数据的硬件改进、统计技术，以及满足逐渐出现的全球互联网和万维网的需求，使其成为可能。随后使用的大部分数据来自内部数据源，例如企业数据库、零售数据等。对这些数据的分析通常会提供对趋势等方面的见解，使组织能够改进决策制定。

然而，现在许多人工神经网络通过零售和社交网站等众多来源从网上获取大量的训练数据。数据本身可以来自网络上的异构源，可以采用文本、图表、照片、视频、声音文件等形式。这就是所谓的大数据。同样，大数据这个术语并不新鲜，但其影响不容小觑。当谷歌公司首席科学家Peter Norvig在谷歌时代精神（Zeitgeist）大会上被问及谷歌公司成功的秘诀时。他回答说：“我们并不比其他人有着更好的算法，我们只是拥有更多的数据。”

然而，上世纪90年代，社交网站如Twitter、Facebook等开始兴起。每天都有数百万张图片在网上上传下载。为了分析这些图像，需要了解它们的内容，但它们通常没有标签，因为其内容是未知的。理解其内容和识别图像的需求催生了一个名为ImageNet的网站。在2009年推出时，它拥有一个包含1400万张图像的数据库。新的人工神经网络应用程序可以在ImageNet网站上从这些图像中训练自己，但这仍然容易出错。因此，该网站的创始人引入了一项名为ImageNet Challenge的技术竞赛，鼓励研究可以识别数据集图像中的对象的计算机算法，以最大限度地减少识别中的错误。2012年，当时在谷歌公司工作的一位名叫Alex Krizhevsky的研究员在这次比赛中取得了出色的成绩，以超过10％的优势击败了所有对手。他推出的网络名称为AlexNet。这为走向“深度学习”的时代铺平了道路。

面临的挑战

尽管深度学习取得了巨大的成功，但一些专家质疑这种模式是否足以达到人类智能。例如，根据深度学习网络的著名研究员Francois Chollet的说法，“我们不可能仅仅通过扩大当今的深度学习技术来获得通常的智能水平。”

这项技术还面临其他挑战。人工神经网络的一个缺点是，它们在解释和透明决策推理方面严重不足，它们是一种黑盒结构。这在诸如医疗诊断系统之类的应用中尤其成为问题，因为从业者需要了解他们的决策过程。

出于这个原因，美国国防部负责研究新技术的高级研究计划局（DARPA）对2016年8月启动的一项研究项目提供了资助。该计划的目的是为一系列新项目提供资金，这些项目被称为可解释人工智能（XAI）。这些项目的目的是创建工具，使人工智能程序的用户能够理解该决策背后的原因。其中一些项目正在实施中，并在四年内完成。

结论

鉴于人工智能的发展历史还很短，有些人现在提出了一个问题：现在是另一个炒作时期吗？可能不是。与早期的人工智能不同，深度学习的商业利益如今无处不在。初创企业的投资和数量呈指数级增长。这些应用程序涵盖机器人、医学、教育、金融、自动驾驶汽车以及各个行业领域。此外，这些人工智能应用程序的智能水平与人类一样出色，并且在某些情况下优于人类。

其中包括国际象棋和围棋等游戏、医疗保健应用程序（例如英国国民保健系统部分使用的Babylon GP at Hand）、医疗聊天机器人、计算机视觉、对象识别、语音到文本转换、语音识别，以及显著改进的机器人，这只是一小部分例子。这些应用程序将通过更好的机器学习算法继续改进。

人工智能社区中的许多人提出了这样一个问题：“机器何时会达到人类一样的智能水平 ？”无论其答案是什么，现在很少有人会质疑人工智能对人们生活的影响，并将在未来影响越来越大， 而人工智能的发展将会越来越成熟。