人工智能的發(fā)展歷程與研究初探

姜國(guó)睿 陳暉 王姝歆

摘要：人工智能是21世紀(jì)三大尖端技術(shù)之一，其發(fā)展對(duì)人類進(jìn)步具有深遠(yuǎn)影響。回顧人工智能的發(fā)展歷程和標(biāo)志性事件的時(shí)間點(diǎn)，文章從哲學(xué)、技術(shù)和應(yīng)用領(lǐng)域三個(gè)方面，分析比較了人工智能三個(gè)研究學(xué)派的特點(diǎn)，探討了人工智能目前的研究熱點(diǎn)，并對(duì)其應(yīng)用領(lǐng)域進(jìn)行了概括和展望。該研究有助于人工智能領(lǐng)域的初學(xué)者和愛(ài)好者了解人工智能知識(shí)，為其進(jìn)一步開(kāi)展人工智能研究提供參考。

關(guān)鍵詞：人工智能;發(fā)展歷程;研究學(xué)派;研究熱點(diǎn)

中圖分類號(hào)：TP18

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1006-8228（2020）09-07-04

Discussion on the development history and research hotspots of artificial intelligence

Jiang Guorui1， Chen Hui2， Wang Shuxin3

（1. Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu 210023， China; 2. Suzhou Qingyan Bohao limitied company;3. Nanjing University of Aeronautics and Astronautics）

Abstract： Artificial intelligence is one of the three cutting-edge technologies in the 2lst century its development has a profoundimpact on human progress. Reviewing the development process of artificial intelligence and the time point of landmark events. thispaper analyzes and compares the characteristics of three study schools of artificial intelligence from three aspects of philosophy，technology and application fields. discusses the current research hotspots of artificial intelligence， and summarizes and prospects itsapplication fields. This discussion will help beginners and enthusiasts in the field of artificial intelligence to understand theknowledge of artificial intelligence， and provide them with a reference to further research on artificial intelligence.

Key words： artificial intelligence; development history; study schools; research hotspot

0引言

人工智能是由計(jì)算機(jī)科學(xué)、控制論、信息論、語(yǔ)言學(xué)、神經(jīng)生理學(xué)、心理學(xué)、語(yǔ)言學(xué)、統(tǒng)計(jì)學(xué)、數(shù)學(xué)和哲學(xué)等多學(xué)科交叉融合進(jìn)而發(fā)展起來(lái)的一門綜合性前沿學(xué)科，其發(fā)展對(duì)人類進(jìn)步具有深遠(yuǎn)影響，與基因過(guò)程、納米科學(xué)并列為21世紀(jì)的三大尖端技術(shù)。人工智能在20世紀(jì)中葉誕生，其探索的過(guò)程經(jīng)歷了多次的挫折與掙扎，繁榮與低谷。隨著近年來(lái)云計(jì)算、大數(shù)據(jù)和互聯(lián)網(wǎng)的快速發(fā)展，人工智能也迅速發(fā)展，不斷誕生新的理論和技術(shù)。

1發(fā)展歷程

人工智能的發(fā)展可以分為四個(gè)階段：萌芽階段、形成階段、發(fā)展階段和成熟階段，具體標(biāo)志性事件和關(guān)鍵時(shí)間點(diǎn)如圖1所示。

1.1萌芽階段

20世紀(jì)40年代到50年代，人工智能處于萌芽階段。由于四十年代計(jì)算機(jī)的出現(xiàn)，人類開(kāi)始探索用計(jì)算機(jī)代替或擴(kuò)展人類的部分腦力勞動(dòng)。1949年，Donald Hebb[1]首次提出基于神經(jīng)心理學(xué)的人工神經(jīng)網(wǎng)絡(luò)概念。1950年，Alan Turing[2]（阿蘭·圖靈，被譽(yù)為“計(jì)算機(jī)之父”）創(chuàng)造了圖靈測(cè)試來(lái)判定計(jì)算機(jī)是否智能。Samuel Arthur[3]”（亞瑟·塞繆爾，被譽(yù)為“機(jī)器學(xué)習(xí)之父”）開(kāi)發(fā)了一個(gè)跳棋程序。

1.2形成階段

20世紀(jì)50年代至60年代，人工智能處于形成階段。1956年，人工智能的概念開(kāi)始出現(xiàn)，源自于美國(guó)達(dá)特茅斯學(xué)院召開(kāi)的夏季言談會(huì)。當(dāng)時(shí)，一批數(shù)學(xué)家、信息學(xué)家、心理學(xué)家、神經(jīng)生理學(xué)家、計(jì)算機(jī)科學(xué)家聚在一起，探討用機(jī)器來(lái)模仿人類智能并提出了“人工智能”的概念。此后，人工智能的研究集中在數(shù)學(xué)和自然語(yǔ)言領(lǐng)域。例如，1957年，F(xiàn)rank Rosenblatt[4]設(shè)計(jì)出計(jì)算機(jī)神經(jīng)網(wǎng)絡(luò)一感知機(jī)數(shù)學(xué)模型;1959年，Oliver Selfridge[5]推出字符識(shí)別程序;1965年，Roberts[6]編制出可以分辨積木三維構(gòu)造的程序。1969年第一屆國(guó)際人工智能聯(lián)合會(huì)議的召開(kāi)，標(biāo)志著人工智能得到了國(guó)際上的認(rèn)可。

1.3發(fā)展階段

20世紀(jì)70年代到90年代早期，人工智能進(jìn)入發(fā)展階段。70年代，人工智能從理論走向應(yīng)用，知識(shí)工程和專家系統(tǒng)成為主流。例如，1975年，斯坦福大學(xué)[7]推出基于知識(shí)的科學(xué)推理程序Meta-DENDRAL;1974年，Paul Werbos[8]提出反向傳播法BP算法（BackPropagation，BP）;1977年，Edward Albert Feigenbaum提出知識(shí)工程的概念。1979年美國(guó)人工智能聯(lián)合會(huì)（ American Association for Artificial Intelligence）成立。

80年代，機(jī)器學(xué)習(xí)成為人工智能領(lǐng)域的研究熱點(diǎn)。1980年，美國(guó)召開(kāi)的第一屆機(jī)器學(xué)習(xí)國(guó)際研討會(huì)，標(biāo)志著機(jī)器學(xué)習(xí)的興起。自此，機(jī)器學(xué)習(xí)理論蓬勃發(fā)展：1981年Kohen[9]提出了自組織映射神經(jīng)網(wǎng)絡(luò);Werbos[10]提出多層感知器;1982年John Hopfield[11]提出了模擬人腦的Hopfield循環(huán)神經(jīng)網(wǎng)絡(luò);1985年Hinton等[12]提出了玻爾茲曼機(jī);1986年Hinton等[13]提出反向傳播BP算法，Ross Quinlan[14]提出決策樹(shù)算法，Rumelhart等[15]提出MLP與BP訓(xùn)練相結(jié)合方法;1995年Vladmir Vapnik等[16]提出支持向量機(jī)算法;1997年Freund等[17]提出Adaboost算法。機(jī)器學(xué)習(xí)理論研究獲得豐碩的成果，1997年IBM深藍(lán)在國(guó)際象棋中第一次擊敗人類世界冠軍卡斯帕羅夫，布魯克斯（Brooks）[18]推出六足行走機(jī)器人，能夠在無(wú)思考和無(wú)規(guī)則情況下跨越障礙。

1.4成熟階段

20世紀(jì)90年代末期至今，人工智能進(jìn)入成熟階段。90年代末，深度學(xué)習(xí)研究興起，1998年Y.LeCun[19]提出了卷積神經(jīng)網(wǎng)絡(luò)（Convoluted Neural Network，CNN）是深度學(xué)習(xí)的代表算法之一。21世紀(jì)，人工智能的發(fā)展日益成熟，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)成為人工智能研究主流，并在各行業(yè)得到了廣泛應(yīng)用。2001年，William Cleveland[20]提出數(shù)據(jù)挖掘的概念。2006年Hinton等[21]提出了深度學(xué)習(xí)的概念。2015年《Nature》雜志推出了Yann LeCun等[22]深度學(xué)習(xí)的綜述，標(biāo)志著深度學(xué)習(xí)被學(xué)術(shù)界真正接受。深度學(xué)習(xí)理論研究獲得豐碩的成果，2016年谷歌開(kāi)發(fā)出AlphaGo程序，其圍棋水平已經(jīng)能夠超過(guò)人類的頂尖水平。

2研究學(xué)派

人工智能研究學(xué)派大致分為三類：符號(hào)主義（Symbolism）、聯(lián)結(jié)主義（Connectionism）和行為主義（Behaviorism）。符號(hào)主義又稱邏輯主義（logicism）、心理學(xué)派（psychologism）或計(jì)算機(jī)學(xué)派（computerism），著眼于程序的邏輯結(jié)構(gòu)、符號(hào)操作系統(tǒng)以及編程語(yǔ)言，主要研究領(lǐng)域包括：專家系統(tǒng)和知識(shí)工程。聯(lián)結(jié)主義又稱仿生學(xué)派（bionicsism）或生理學(xué)派（physiologism）[23]，著眼于對(duì)大腦神經(jīng)系統(tǒng)工作方式的探索和模擬，主要研究領(lǐng)域包括機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。行為主義又稱為進(jìn)化主義（evolutionism）或控制論學(xué)派（cybernetic-sism）[24]，著眼于控制論及感知一動(dòng)作型控制系統(tǒng)研究，主要研究領(lǐng)域包括智能控制和智能機(jī)器人。

許多學(xué)者對(duì)人工智能三大研究學(xué)派進(jìn)行了分析，這些研究大多基于哲學(xué)角度[25-26]。本文總結(jié)歸納了三大研究學(xué)派在哲學(xué)、技術(shù)和應(yīng)用領(lǐng)域的特點(diǎn)，如表1所示。從技術(shù)和應(yīng)用領(lǐng)域的角度，符號(hào)主義擅長(zhǎng)知識(shí)推理，知識(shí)工程和專家系統(tǒng)具有更高的精確性;聯(lián)結(jié)主義擅長(zhǎng)數(shù)學(xué)建模，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)具有更好的靈活性;行為主義擅長(zhǎng)感知控制，機(jī)器人和智能控制具有更多的經(jīng)驗(yàn)性和應(yīng)用性。

3研究熱點(diǎn)

3.1專家系統(tǒng)

專家系統(tǒng)是依靠人類專家已有的大量知識(shí)和經(jīng)驗(yàn)建立起來(lái)的程序系統(tǒng)，能自主推理與判斷，用以高效地解決復(fù)雜的實(shí)際問(wèn)題。專家系統(tǒng)通常包括知識(shí)庫(kù)和推理機(jī)。其中，知識(shí)庫(kù)包含各種專業(yè)知識(shí)和相關(guān)領(lǐng)域?qū)＜业睦碚撝R(shí)及經(jīng)驗(yàn)判斷;推理機(jī)通過(guò)靈活運(yùn)用知識(shí)庫(kù)中知識(shí)，對(duì)問(wèn)題求解。專家系統(tǒng)可應(yīng)用于解釋、預(yù)測(cè)、診斷、規(guī)劃、監(jiān)視、控制、教育等領(lǐng)域。

3.2機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是人工智能的核心，是用計(jì)算機(jī)來(lái)模擬人類的學(xué)習(xí)活動(dòng)、獲取知識(shí)和技能，對(duì)真實(shí)世界中的事件做出決策和預(yù)測(cè)。機(jī)器學(xué)習(xí)主要包括機(jī)械學(xué)習(xí)、示教學(xué)習(xí)、類比學(xué)習(xí)和實(shí)例學(xué)習(xí)四種策略。機(jī)器學(xué)習(xí)常見(jiàn)算法包括：決策樹(shù)，隨機(jī)森林算法，邏輯回歸，SVM分類器，Adaboost算法，神經(jīng)網(wǎng)絡(luò)，聚類算法等。機(jī)器學(xué)習(xí)的應(yīng)用領(lǐng)域包括專家系統(tǒng)、自然語(yǔ)言理解、模式識(shí)別、計(jì)算機(jī)視覺(jué)、數(shù)據(jù)挖掘、智能機(jī)器人等。

3.3深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新領(lǐng)域，是當(dāng)今人工智能大爆炸的核心驅(qū)動(dòng)。深度學(xué)習(xí)模擬人腦多層神經(jīng)網(wǎng)絡(luò)，是一種特殊的機(jī)器學(xué)習(xí)。相比于其他機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)具有強(qiáng)大的特征提取能力、良好的遷移和多層學(xué)習(xí)能力，在圖像、語(yǔ)音、文本識(shí)別和推理、分析、判斷方面都有顯著優(yōu)勢(shì)。深度學(xué)習(xí)的主要應(yīng)用領(lǐng)域包括圖像識(shí)別，語(yǔ)音識(shí)別、自然語(yǔ)言處理、自動(dòng)駕駛汽車、醫(yī)療和各種決策預(yù)測(cè)等。

3.4機(jī)器視覺(jué)

機(jī)器視覺(jué)是人工智能學(xué)科中發(fā)展最快速的分支和前沿研究領(lǐng)域，目的是用機(jī)器代替人眼，完成人眼不方便或者難以完成的工作。機(jī)器視覺(jué)系統(tǒng)一般是通過(guò)圖像攝取裝置采集圖像，經(jīng)過(guò)圖像處理，對(duì)研究對(duì)象信息進(jìn)行判別，并將判斷結(jié)果輸出給執(zhí)行機(jī)構(gòu)。目前，機(jī)器視覺(jué)能夠?qū)崿F(xiàn)物體定位、特征檢測(cè)、缺陷判斷、目標(biāo)識(shí)別、計(jì)數(shù)和運(yùn)動(dòng)跟蹤等功能，主要應(yīng)用領(lǐng)域包括自動(dòng)化生產(chǎn)線中的工況監(jiān)視、成品檢驗(yàn)和質(zhì)量控制等。

3.5數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基礎(chǔ)。數(shù)據(jù)挖掘是指從大量數(shù)據(jù)中挖掘出有價(jià)值的知識(shí)，然后對(duì)知識(shí)進(jìn)行比較，總結(jié)出原理和法則。數(shù)據(jù)挖掘的主要方法概括為：預(yù)測(cè)模型方法、數(shù)據(jù)分割方法、關(guān)聯(lián)分析法和偏離分析法，其中預(yù)測(cè)模型方法最為復(fù)雜，涉及到機(jī)器學(xué)習(xí)的大量算法。與機(jī)器學(xué)習(xí)自動(dòng)從過(guò)往經(jīng)驗(yàn)中學(xué)習(xí)新知識(shí)不同，數(shù)據(jù)挖掘是有目的地從現(xiàn)有大數(shù)據(jù)中提取數(shù)據(jù)的模式和模型，得到重要信息。數(shù)據(jù)挖掘的主要應(yīng)用領(lǐng)域包括多媒體、計(jì)算機(jī)網(wǎng)絡(luò)、計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等。

4結(jié)束語(yǔ)

本文首先綜述人工智能的發(fā)展歷程，繪制了標(biāo)志性事件時(shí)間發(fā)展線，由此使得人工智能初學(xué)者和愛(ài)好者能快速清晰地了解人工智能在理論、技術(shù)和應(yīng)用領(lǐng)域的發(fā)展階段和重要突破。其次從哲學(xué)、技術(shù)和應(yīng)用角度，分析比較了人工智能三大研究學(xué)派各自特點(diǎn)，有助于未來(lái)的人工智能研究者明確以后的研究方向。最后探討了目前人工智能的研究熱點(diǎn)，并對(duì)其應(yīng)用領(lǐng)域進(jìn)行了展望。總之，目前的人工智能還屬于弱人工智能，距離真正能自我學(xué)習(xí)和進(jìn)化的人工智能還很遙遠(yuǎn)，其研究、發(fā)展和應(yīng)用仍然任重而道遠(yuǎn)。

參考文獻(xiàn)（References）：

[1]M.Peter.A Brief History of the Hebbian Learning Rule[J].Canadian Psychology/Psychologie Canadienne， 2003.44（1）：5-9

[2]A.M. Turing. Computing Machinery and Intelligence[M].Oxford University Press on behalf of the Mind Associ-ation.1950.

[3]Arthur， SamueI.Some Studies in Machine Learning Usingthe Game of Checkers[J]. IBM Journal，1959.3（3）：210-229

[4]Rosenblatt， Frank. The perceptron：a probabilistic modelfor information storage and organization in the brain[J].Psychological review， 1958.65（6）： 386

[5]G. Selfridge. Pandemonium：A paradigm for learning[C]. InSymposium on the mechanization of thought processes，London.1959.

[6]Roberts L G.Machine perception of three-dimensionalsolids[J]. In

Optical and Electro-optical InformationProcessing.Cambridge： MIT Press，1965：159-197.

[7]Edward A.Feigenbaum. Bruce G Buchanan. DENDRALand Meta-DENDRAL： roots of knowledge systems andexpert system applications[J]， Artificial Intelligence，1993.59（1-2）：233-240

[8] Werbos P.J. Beyond Regression： New Tools for Predictionand Analysis in the Behavioral Sciences[D]. DoctoralDissertation， Harvard University， Cambridge，1974.

[9]楊占華，楊燕.SOM神經(jīng)網(wǎng)絡(luò)算法的研究與進(jìn)展[J].計(jì)算機(jī)工程 ，2006.16：201-202.

[10] p. J. Werbos. Applications of advances in nonlinearsensitivity analysis[C].In Proceedings of the 10th IFIPConference，31.8-4.9， NYC，1981：762-770.

[11] J J Hopfield. Neural networks and physical systems withemergent collective computational abilities[C]. Pro-ceedings of the National Academy of Sciences of theUSA，1982.79（8）：2554-2558.

[12] Ackley H， Hinton E， Sejnowski J. ALearning Algorithmfor Boltzmann Machines[J]. Cognitive Science， 1985：147-169.

[13] D. E. Rumelhart， G. E. Hinton， R. J. Williams. Learningrepresentations by back-propagating errors[J]. Nature，1986.323（6088）：533-536.

[14] Quinlan， J. Ross. Induction of decision trees[J]. Machinelearning，1986：81-106.

[15] Rumelhart， David E.， Geoffrey E. Hinton.et al. Learninginternal representations by error propagation[M].CALIFORNIA UNIV SAN DIEGO LA JOLLA INSTFOR COGNITIVE SCIENCE， 1985，Chapter8.

[16] Cortes， Corinna， Vladimir Vapnik. Support-vectornetworks[J]. Machine learning1995.20（3）：273-297.

[17] Freund， Yoav， Robert Schapire，et aL A short introductionto boosting[J]. Journal-Japanese Society For ArtificialIntelligence， 1999. 14（1612）： 771-780

[18]袁瑩.試論布魯克斯的無(wú)表征人工智能模型 [J].山西師大學(xué)報(bào)（社會(huì)科學(xué)版），2016.43（3）：109-112.

[19] Gu， J.， Wang， Z.， Kuen， J.， et al. Recent advances inconvolutional neural networks[J]. Pattern Recognition，2018.77：354-377.

[20] Cleveland W S. Data Science： an action plan forexpanding the technical areas of the field of stastics[J].International Statistical Review/Revue Internationalede Statistique，2001.69（1）：21-26.

[21] G. E. Hinton， R. R. Salakhutdinov. Reducing theDimensionality of Data with Neural Networks[J].Science，2006.313（5786）： 504-507.

[22] Yann LeCun. Yoshua Bengio， Geoffrey Hinton. Deeplearning[J]. Nature.2015.521：436-444.

[23]顧險(xiǎn)峰.人工智能中的聯(lián)結(jié)主義和符號(hào)主義[J].科技導(dǎo)報(bào)，2016.34（7）：20-25

[24]徐心和，么健石，有關(guān)行為主義人工智能研究綜述[J].控制與決策，2004.19（3）：241-246

[25]王廣贊，易顯飛.人工智能研究的三大流派：比輕與啟示[J].長(zhǎng)沙理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2018.33（4）：1-6

[26]成素梅，人工智能研究的范式轉(zhuǎn)換及其發(fā)展前景[J].哲學(xué)動(dòng)態(tài)，2017.12：15-21

收稿日期：2020-05-11

作者簡(jiǎn)介：姜國(guó)睿（1999-），男，江蘇連云港人，本科生，主要研究方向：人工智能，機(jī)器學(xué)習(xí)，機(jī)器視覺(jué)。

通訊作者：王姝歆（1969-），女，江蘇徐州人，博士，副教授，碩導(dǎo)，主要研究方向：機(jī)器人，智能制造，機(jī)器視覺(jué)。