博文
电脑人心 之 引言（六）AI的成长：历史版
|||
牛皮版好写，因为跟实际发展相比，牛皮总是过于清晰，而真正的历史总是千丝万缕的交叠。 好在我们主要关注电脑人心的可能性，这里就用最粗的线条，勾勒最主要的轮廓，漫画历史一把吧。
AI的成长，大致可以分为下面几个阶段。
50、60年代之间的AI大致是一出生就是个“思想者”。它成天忙着的就是如何解决逻辑、数学、科学和一般性的推理问题。这个时期的代表性工作，有1956年达特茅斯会上，西蒙和纽厄尔演示的他们和肖（J. C. Shaw）研制的“逻辑理论家”（Logical Theorist）──专心于证明怀特海和罗素的《数学原理》里面的定理；以及随后的“通用问题求解程序”（GPS: General Problem Solver；不是全球定位系统那个GPS: Global Positioning System）。它在推理之外的“娱乐”活动大致就是下棋，下国际象棋、国际跳棋（checkers）等等。（这样的童年也够可悲的！）连模仿人脑的神经网络研究，如麦克科洛赫和皮兹的，也专注于如何实现基本的逻辑函数。
如果要给这时候的AI塑个像的话，大体上把罗丹的“思想者”搬过来恶搞一把，前面摆张黑板，有时换成棋盘，就差不多了。不过由于写在黑板上的符号、公式，棋盘上的棋局等等都很容易用计算机内部的符号来代替，黑板和棋盘似乎也有些多余。
这期间的核心理论进展是启发法（heuristics）和搜索的结合。大概意思就是说，如果你不在乎答案是不是最优的话，就可以用一些大致的条件来帮你从所有可能答案里筛选若干可能足够好的来加以仔细检查，最后找到足够满意的答案。
如果说最初的AI像个思想家的话，那么60至80年代之间的AI则大体上可以说是像个“书呆子”和“书袋子”。
推理搞了一阵子之后，大家很快认识到一般而言的智能，不光是要能使劲想，还要以知识为基础来思考，于是开始关注知识表示（knowledge representation）。大家很快又认识到知识的情景性的和领域性的重要性，于是提出各种方式来加以对付，包括麦卡锡的基于谓词逻辑（predicate logic）的情景演算（situation calculus）、语义网、明斯基的框架（frame）、温罗格拉德（Terry Winograd）的程式（procedure）、香克（Roger Schank）的脚本（script）等等，并由此发展出针对特定领域的“专家系统”（expert systems），比如进行细菌感染诊断的“MYCIN”。
这些年里的AI之所以像个“书呆子”和“书袋子”，是因为这些系统的知识表示大体上都是从符号到符号，符号进符号出，而并不实质性地涉及符号如何成为符号，并不说明系统如何自主地协调这些符号跟这些符号所关涉事物之间的关系。虽然，后期关于所谓“常识库”（commonsense knowledge base）的研究，比如前面提到的Cyc，试图超越传统知识表示的“领域”特定性，但还是在符号里兜圈子。
不过，这个时期，知觉的研究（比如David Marr的工作）和机器人的研究（比如Shakey）也逐渐蓬勃开展起来了。
到了80至90年代，AI可以说是变成了一个好好学习、天天向上的娃娃。随着所谓传统“符号AI”（Symbolic AI）的局限性浮出水面，关于学习尤其是通过知觉进行学习的研究也逐渐走入了AI的核心。机器学习（machine learning）这一领域得以确立；以学习为核心特征的神经网络（neural networks）重新兴起；机器人研究如火如荼，比如前面提到对的Cog，以及从匹兹堡开车斜穿美国到圣迭戈的ALVINN自动驾驶系统。
这里有必要暂停叙事，以说明一下AI发展的一个特点。大约直到90年代，几乎所有的AI系统都只是展示程序（demos）──主要的例外恐怕得算那些下棋程序了。从GPS到MYCIN到Cyc，从Shakey到Cog和ALVINN，大抵都是做展示用的“原型”（prototype），表示一定的设计思想、方案大致是可行的；而做完展示，他们作为具体系统的历史使命大抵也就结束了，而并不会真正投入使用。
这里的情景，很有点像另一个关于墨子的故事（《韩非子：外储说左上 说一》）：话说墨子做木头老鹰，做了三年才做成，可是才飞了一天就毁败了。他的徒弟们说：“师父你好能耐啊，能让木头老鹰飞起来。”墨子说：“其实我不如做车轮子的师父能耐，他们只用些尺把长的木头，不到一个早晨的功夫，就做出能够载重三百斤，走很长距离，用很多年的轮子。跟他们相比，我的木头老鹰，三年才做成，飞一天就毁败了。”
墨子的木头老鹰，大概也就是个“原型”，就像绝大多数AI系统那样，做起来很难，要花很多功夫，而完成后演示一下，看看过瘾，这系统的生命大抵也就到头了。而Apache Web服务器那样的软件系统则更像是做得经久耐用的轮子，能够可靠地让我们走得很长很远。
90年代以来情况有不小变化。总的说来，就是AI终于开始在它生活的广阔的世界里面动手动脚了。
这里至少有两方面的历史背景。第一是计算机软硬件的发展，可以允许前所未有的容量、速度和系统架构与系统复杂性。第二就是互联网的发展给人工智能技术的实际应用提供了广阔空间（比如搜索引擎的学习和适应能力、当当网背后的数据挖掘、垃圾邮件的过滤等等）。有人说谷歌是个AI公司。当然，谷歌自己不这样称呼自己，不过请注意：目前最流行的AI教科书《人工智能：现代门径》（Artificial Intelligence: A Modern Approach）的两位作者之一Peter Norvig就是谷歌的研究主管。
理论上的发展则重点在于两个方面。一是通过佩尔（Judea Pearl）等人的开创性工作，以概率理论，尤其是贝叶斯理论为基础的AI方法得到很大发展，可以说席卷了 从推理到神经网络到机器人的AI的各个领域。这一发展又刚好与互联网为背景的统计应用相契合。
第二，在系统方面，“智能体”（intelligent agent）或“理智能动体”（rational agent）这一视角得到广泛接受。这一理论视角大致是把AI系统明确理解为具有一定的整体性，这就是它存在于特定的环境里面，基于一定的感知和动作来按照一定要求，或者说“理性地”，完成特定的任务。这样一来，智能就被理解成系统的组织和活动方式，而这些方式既不是独立于环境、感知、动作或者目标的，又是要受到一定条件制约的（“理性地”或者按照一定要求达到目标）。翻译一下，大意就是说，造AI系统不必是造人，而是造那些能够从聪明地完成人在特定环境里、基于特定的感知和动作能力能够聪明地完成的事情：比如下棋，比如开车，比如照顾病人，比如翻译，比如打酱油。
https://blog.sciencenet.cn/blog-453866-345722.html
上一篇：应试教育的“跨国追杀”
下一篇：告别“虚拟”，拥抱现实（之二）
AI的成长，大致可以分为下面几个阶段。
50、60年代之间的AI大致是一出生就是个“思想者”。它成天忙着的就是如何解决逻辑、数学、科学和一般性的推理问题。这个时期的代表性工作，有1956年达特茅斯会上，西蒙和纽厄尔演示的他们和肖（J. C. Shaw）研制的“逻辑理论家”（Logical Theorist）──专心于证明怀特海和罗素的《数学原理》里面的定理；以及随后的“通用问题求解程序”（GPS: General Problem Solver；不是全球定位系统那个GPS: Global Positioning System）。它在推理之外的“娱乐”活动大致就是下棋，下国际象棋、国际跳棋（checkers）等等。（这样的童年也够可悲的！）连模仿人脑的神经网络研究，如麦克科洛赫和皮兹的，也专注于如何实现基本的逻辑函数。
如果要给这时候的AI塑个像的话，大体上把罗丹的“思想者”搬过来恶搞一把，前面摆张黑板，有时换成棋盘，就差不多了。不过由于写在黑板上的符号、公式，棋盘上的棋局等等都很容易用计算机内部的符号来代替，黑板和棋盘似乎也有些多余。
这期间的核心理论进展是启发法（heuristics）和搜索的结合。大概意思就是说，如果你不在乎答案是不是最优的话，就可以用一些大致的条件来帮你从所有可能答案里筛选若干可能足够好的来加以仔细检查，最后找到足够满意的答案。
如果说最初的AI像个思想家的话，那么60至80年代之间的AI则大体上可以说是像个“书呆子”和“书袋子”。
推理搞了一阵子之后，大家很快认识到一般而言的智能，不光是要能使劲想，还要以知识为基础来思考，于是开始关注知识表示（knowledge representation）。大家很快又认识到知识的情景性的和领域性的重要性，于是提出各种方式来加以对付，包括麦卡锡的基于谓词逻辑（predicate logic）的情景演算（situation calculus）、语义网、明斯基的框架（frame）、温罗格拉德（Terry Winograd）的程式（procedure）、香克（Roger Schank）的脚本（script）等等，并由此发展出针对特定领域的“专家系统”（expert systems），比如进行细菌感染诊断的“MYCIN”。
这些年里的AI之所以像个“书呆子”和“书袋子”，是因为这些系统的知识表示大体上都是从符号到符号，符号进符号出，而并不实质性地涉及符号如何成为符号，并不说明系统如何自主地协调这些符号跟这些符号所关涉事物之间的关系。虽然，后期关于所谓“常识库”（commonsense knowledge base）的研究，比如前面提到的Cyc，试图超越传统知识表示的“领域”特定性，但还是在符号里兜圈子。
不过，这个时期，知觉的研究（比如David Marr的工作）和机器人的研究（比如Shakey）也逐渐蓬勃开展起来了。
到了80至90年代，AI可以说是变成了一个好好学习、天天向上的娃娃。随着所谓传统“符号AI”（Symbolic AI）的局限性浮出水面，关于学习尤其是通过知觉进行学习的研究也逐渐走入了AI的核心。机器学习（machine learning）这一领域得以确立；以学习为核心特征的神经网络（neural networks）重新兴起；机器人研究如火如荼，比如前面提到对的Cog，以及从匹兹堡开车斜穿美国到圣迭戈的ALVINN自动驾驶系统。
这里有必要暂停叙事，以说明一下AI发展的一个特点。大约直到90年代，几乎所有的AI系统都只是展示程序（demos）──主要的例外恐怕得算那些下棋程序了。从GPS到MYCIN到Cyc，从Shakey到Cog和ALVINN，大抵都是做展示用的“原型”（prototype），表示一定的设计思想、方案大致是可行的；而做完展示，他们作为具体系统的历史使命大抵也就结束了，而并不会真正投入使用。
这里的情景，很有点像另一个关于墨子的故事（《韩非子：外储说左上 说一》）：话说墨子做木头老鹰，做了三年才做成，可是才飞了一天就毁败了。他的徒弟们说：“师父你好能耐啊，能让木头老鹰飞起来。”墨子说：“其实我不如做车轮子的师父能耐，他们只用些尺把长的木头，不到一个早晨的功夫，就做出能够载重三百斤，走很长距离，用很多年的轮子。跟他们相比，我的木头老鹰，三年才做成，飞一天就毁败了。”
墨子的木头老鹰，大概也就是个“原型”，就像绝大多数AI系统那样，做起来很难，要花很多功夫，而完成后演示一下，看看过瘾，这系统的生命大抵也就到头了。而Apache Web服务器那样的软件系统则更像是做得经久耐用的轮子，能够可靠地让我们走得很长很远。
90年代以来情况有不小变化。总的说来，就是AI终于开始在它生活的广阔的世界里面动手动脚了。
这里至少有两方面的历史背景。第一是计算机软硬件的发展，可以允许前所未有的容量、速度和系统架构与系统复杂性。第二就是互联网的发展给人工智能技术的实际应用提供了广阔空间（比如搜索引擎的学习和适应能力、当当网背后的数据挖掘、垃圾邮件的过滤等等）。有人说谷歌是个AI公司。当然，谷歌自己不这样称呼自己，不过请注意：目前最流行的AI教科书《人工智能：现代门径》（Artificial Intelligence: A Modern Approach）的两位作者之一Peter Norvig就是谷歌的研究主管。
理论上的发展则重点在于两个方面。一是通过佩尔（Judea Pearl）等人的开创性工作，以概率理论，尤其是贝叶斯理论为基础的AI方法得到很大发展，可以说席卷了 从推理到神经网络到机器人的AI的各个领域。这一发展又刚好与互联网为背景的统计应用相契合。
第二，在系统方面，“智能体”（intelligent agent）或“理智能动体”（rational agent）这一视角得到广泛接受。这一理论视角大致是把AI系统明确理解为具有一定的整体性，这就是它存在于特定的环境里面，基于一定的感知和动作来按照一定要求，或者说“理性地”，完成特定的任务。这样一来，智能就被理解成系统的组织和活动方式，而这些方式既不是独立于环境、感知、动作或者目标的，又是要受到一定条件制约的（“理性地”或者按照一定要求达到目标）。翻译一下，大意就是说，造AI系统不必是造人，而是造那些能够从聪明地完成人在特定环境里、基于特定的感知和动作能力能够聪明地完成的事情：比如下棋，比如开车，比如照顾病人，比如翻译，比如打酱油。
https://blog.sciencenet.cn/blog-453866-345722.html
上一篇：应试教育的“跨国追杀”
下一篇：告别“虚拟”，拥抱现实（之二）
