图灵与人工智能

•         说到人工智能，就必须提及大名鼎鼎的阿兰·图灵(1912-1954)——现代计算机的奠基人，人工智能之父。

•         图灵是标准的数学天才。在1930年代，哥德尔完成了著名的不完备定理证明，但在当时没有找到实例。1936年，年仅24岁的图灵，在构造不完备定理的反例的过程中，提出了图灵机的构想，并证明了这样的设备能够解决任何可算法化的问题。实际上，这也是通用计算机的雏形。

•         这些发现，使得图灵开始思考，如果机器仅仅使用几种简单指令，就可以解决数学和逻辑问题，那么是否意味着机器在理论上可以模仿人类的思想？

•         1950年，图灵发表了题为《 Can machines think ？》的论文。论文的开篇是一条明确的声明：“我准备探讨‘Can machines think?’这个问题。”

•         针对这个问题，图灵给出了一个完全可操作的定义：如果一台机器输出的内容和人类大脑别无二致的话，那么就可以认为这台机器在“思考”。

•         这就是“人工智能”的最初设想，这份设想也在无形中让图灵摘得了“人工智能之父”的桂冠。而这个模仿测试也就是著名的“图灵测试”。相当长一段时间内， “图灵测试”被认为是人工智能水平的标准测试模型。

图灵测试

•         图灵测试由计算机、被测试的人和主持试验的人组成。测试过程由主持人提问，计算机和被测试的人分别做出回答。被测人在回答问题时尽可能表明他是一个 “真正的”人，而计算机也将尽可能逼真的模仿人的思维方式和思维过程。

•         进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这台机器就通过了测试，并被认为具有人类智能。

–    历史总是充满了遗憾，1954年，年仅43岁的图灵，因同性恋倾向而遭到当时的英国政府迫害，食用浸过氰化物的苹果自杀身亡。

–    此时距离达特茅斯会议召开，仅不到两年时间。

–    在达特茅斯会议上，10位与会者除了给“人工智能”学科下一个清晰的定义，更重要的是将当时所有符合图灵思想的方法汇集，形成学科的研究范畴。形成了人工智能研究的几个主要流派，为学科后续发展奠定了基础。

西蒙&纽维尔：“逻辑理论家”

–    如何让机器证明数学定理？

–    在当时，逻辑理论家已经可以证明

《数学原理》一书第二章 52个定理中的38个定理，是会议上唯一一个可以运行的智能程序。

–    后续，两人相继提出了“物理符号系统假说”、“语义网络”、“决策支持系统”等等成果，成为1970 年代主流的人工智能方法。

麦卡锡：“状态空间搜索法”。

• 在达特茅斯会议上，麦卡锡带来的是“状态空间搜索法”。

此前麦卡锡一直在做机器下棋的研究，他认为，智能活动可以看成若干状态之间的转移过程，当问题有多种状态可以选择时，如何快速搜索得到最优方案？

长期以来，状态空间搜索法是人工智能解决复杂问题的主流方法之一。直到“深蓝”和“沃森”系统，本质上依然使用了状态空间搜索方法。

明斯基：“人工神经网络”

•        人工神经网络的早期工作可以追溯至1940 年代，明斯基正是这一领域的先行者。在普林斯顿大学念研究生时，他就建造了第一台神经网络学习机SNARC。

•        在会上，明斯基提出用计算机模拟神经元及其连接，通过“人工神经网络”模拟智能。

•        有趣的是，在1969年，明斯基写了《感知机》一书，几乎完全否定了人工神经网络的做用，导致该领域将近20年的低谷期。

•        以上三种方法，对后续人工智能的发展起到了奠基的作用。人工智能的发展，也逐渐演变成几种主要流派。

•        我们回顾一下达特茅斯会议中人工智能的纲领：学习的每个方

面或智能的任何特征都能被精确地描述到用机器来模拟的程度。

•        这里涉及两个维度，分别是

–学习的每个方面

–智能的任何特征

•        第一个维度，讨论的是“智能机器如何模拟人类学习的过程和结果”，

• 针对这个问题，人工智能学界借用哲学观点，大致可以分为两个流派：

–    理性主义、

–    经验主义

–    理性主义认为，人类学习得到的知识是绝对理性的，可以精确描述，因此人工智能方法需要人工进行知识的汇总、加工、抽象、归纳，并基于此建立某种理性思考的框架，并最终让计算机依据理性知识库开展思考。理性主义是人工智能早期的主流思潮，至今也扮演着重要角色，比如如今的知识图谱。

–    经验主义则认为，外部世界的知识无法精确描述，而只能通过体验、经历、感受才能获得。智能机器需要通过不断感知外部世界，以尝试、探索的方式，获得知识。这其实就是机器学习的最基本思想。

• 我们再来看第二个维度：“机器如何模拟智能的特征？” 或者说，机器应该从什么角度出发去模拟智能？

• 这个问题，衍生出两种思潮：

 • 符号主义

• 连接主义

 

–    符号主义认为人工智能本质是知识符号化，只要将世界知识转换为某种符号系统，智能机器就可以根据该符号体系，解决真实世界的问题。可见，与理性主义是统一的。是理性主义解决问题的方式。

–    连接主义认为，大脑是智能产生的根源，因此实现人工智能应该研究大脑的结构、信息处理机制、运行方式，然后在机器上模拟大脑，实现人工智能。这就是现在阶段主流的人工神经网络方法。

按照刚才的划分，我们不难对达特茅斯会议上的主要方法进行总结，得到方法的流派划分

•          明斯基：“人工神经网络”

•          用计算机模拟神经元及其连接，实现自主识别判断

•          经验主义、连接主义

     麦卡锡：“搜索法”

•          如何选取最优方案？如何忽略低可能性方案？

•          经验主义、符号主义

•          西蒙&艾伦·纽维尔：“逻辑理论家”

•        如何让机器证明数学定理？

•        理性主义、符号主义

逻辑智能浪潮

•       1956-1970，是AI发展的第一次浪潮。其中最核心的就是西蒙和纽厄尔推崇的自动定理证明方法。

•       在当时的计算条件下，将人类知识表示为符号，进行推理演算，是最可行的方法。

• 在定理证明方面：

–    1958年，AI证明了《数学原理》命题验算部分的220个命题。

–    1963年，AI能够独立证明《数学原理》第二章中的全部58题。

–    1976年，计算机在协助下证明了地图的四色问题。

逻辑智能浪潮

–    当时，形式一片大好，甚至在1958，西蒙信心满满的宣称：不出十年，AI将成为世界象棋冠军，证明所有定理，谱写优美音乐。2000年，AI将超越人类。

–    然而在1970年代后期，随着人工智能需要处理的知识规模不断增大，自动定理证明方法越来越低效，1970年代兴起的专家系统很快就遭遇严重的知识爆炸瓶颈，理性主义的人工智能方法没落。

计算智能浪潮

–    进入1980年代，以机器学习为代表的经验主义方法逐渐复兴，取代了逻辑智能中的理性主义。

–    在这一阶段，人类的知识仍然以符号化表示，而由计算机扮演学习者的角色，通过探索试错，来自主寻求问题的解答。

–    机器学习方法与状态空间搜索方法配合，成为解决复杂问题的主流方法。

–    由于这些方法大都需要大量的计算过程，因此称为计算智能。

计算智能浪潮

–    在这一时期，典型的代表作包括IBM的国际象棋程序：1997年，计算机“深蓝”战胜了世界象棋冠军卡斯帕罗夫。

–    此后的2011年，IBM的Watson在问答节目《危险》中最终战胜了人类。计算智能在这时达到了历史最顶峰。

–    2006，Hinton教授和他的学生在《科学》上发表了文章，开启了深度学习发展的浪潮。

–    这篇文章有两个主要观点：

–    1）多隐层的人工神经网络具有优异的特征学习能力

–    2）深度神经网络可以通过“逐层训练” 来有效克服

• 至此，沉积几十年的人工神经网络方法再次出现在人们的视野中，并迅速点燃了认知智能浪潮，连接主义再度兴起。

–    自2006年以后，深度学习得到了快速发展。

–    2009年，邓力利用深度学习，把语音识别错误率大幅降低25%，达到商业应用水平（95%正确率）。在此后的数年，语音识别迅速从实验室走向市场，衍生出巨大的商业价值。

–    2011年，谷歌展示了“谷歌猫”，计算机自动学会了

“猫”的样子，并能“想象”出猫的形象。

–    2012年 Hinton教授门下的一个超级简单明了的结构，在图像分类竞赛 ImageNet 上，以绝对优势战胜巨头谷歌，引起轩然大波。

–    2016年，谷歌“阿法狗”利用CNN模型战胜李世乭，首次在围棋项目中战胜人类顶尖棋手。

–    正式宣告，人工智能第三次浪潮来临。

–    近两年里，人工智能更是以以往无法想象的速度更新发展，在多个领域开花结果。

–    由于这些方法的理论基础都是连接主义，学习过程更接近人类从无到有的认知过程，因此学者们称为认知智能。