? ? ? ?自從chatGPT引領(lǐng)起來AI熱潮后，AI逐漸的步入人們的眼簾。但不可否認的是，AI絕對是人類史上一場真正的生產(chǎn)力革命。并且AI的投入使用已經(jīng)是世界發(fā)展的大勢所趨。我認為，如果想要抓住接下來的時代機遇，對自己的未來負責，那么AI的學(xué)習(xí)是必要的。（本系列將圍繞AI的歷史由來，發(fā)展突破，未來發(fā)展前景來敘述）

? ? ? ? AI的起點就是來自劍橋?qū)W霸，數(shù)學(xué)天才，計算機科學(xué)之父，人工智能領(lǐng)域奠基人，圖靈。在當時有這樣一個數(shù)學(xué)問題：是否所有的數(shù)學(xué)描述都是可判定的？比如1加1是不是等于二？12345是不是一個質(zhì)數(shù)？第一個問題很簡單，但第二個問題很復(fù)雜，質(zhì)數(shù)就是只能被自己和1整除的數(shù)，得用每一個整數(shù)去除12345，看看它能不能被某個數(shù)除盡。這個工作量非常龐大，然而數(shù)學(xué)領(lǐng)域中有無數(shù)這樣需要大量計算的描述。要解決數(shù)學(xué)判定問題非常的難。于是圖靈構(gòu)想了一種可以計算的機器，圖靈機。在以前大家都覺得計算跟思考這種能力一樣。而現(xiàn)在圖靈發(fā)明了一個簡單的模型，就把計算這個行為抽象概括出來了。

? ? ? ?后來第二次世界大戰(zhàn)爆發(fā)了，為了在戰(zhàn)場上取得優(yōu)勢，有些軍方的科研人員想要計算火炮射擊表之類的東西，把圖靈機的設(shè)想變成了現(xiàn)實，開發(fā)出了真正的計算機。再到后來，計算機體積越來越小巧。商業(yè)計算機也被發(fā)明出來，運算速度也越來越快。但再怎么快，它們的本質(zhì)都是圖靈機。你給它各種指令它來遵循。但是給圖靈機編程麻煩的令人發(fā)指。

? ? ? ? 后面隨著Java和C語言之類開發(fā)，編程變得逐漸簡單，但高級的編程語言只是隱藏了很多細節(jié)，本質(zhì)是沒有變的。不管我們玩的3A大作，還是支付寶、微信，都是一系列指令。但這就是計算機發(fā)展史了。

? ? ? ?說回人工智能，當時圖靈提出圖靈機設(shè)想時，香農(nóng)（與圖靈相同級別的大師級人物，他在1948年發(fā)布了一篇論文，通信的數(shù)學(xué)理論。信息論這個學(xué)科正由他的這篇論文開創(chuàng)。并且華為5G技術(shù)核心研究人員Arikan教授正是解決了香農(nóng)遺留下來的問題才研發(fā)出了5G技術(shù)）十分感興趣，兩人就開始探討，如果一個模型就能抽象出人類的計算能力，那么人類的思考能力能不能被某個模型抽象出來呢？如果可以，那么機械就可以擁有和人類一樣的智能了。這就是人工智能的萌芽。

? ? ? ?當然這個萌芽的成長非常艱難。在當時這個討論很火熱，但很多人都認為機器既不能思考也不能推理，這讓圖靈很生氣，于是就有了有名的圖靈測試。測試內(nèi)容是：通過鍵盤，以文本形式和屏幕內(nèi)的生物聊天，但事先你并不知道對方是人還是計算機程序。如果被問的確實是計算機程序，可你無法判斷對方是人還是計算機。那么你就得承認這個程序擁有人類的智能。也就是說，圖靈認為，糾結(jié)程序有沒有自主意識不重要，只要能以假亂真就行了。

? ? ? ?但是說，即使機器通過了圖靈測試，也分為兩種情況，第一種，程序還是沒有理解對話，但是它可以假裝理解對話，然后進行回復(fù)。我們所使用小愛同學(xué)、Siri 、chatGPT都屬于此類。這種可以模擬出特定能力的被稱為弱人工智能。第二種是，程序確實理解了對話，與人類的理解大致相同，這種具有人類理解力和意識的程序被稱為強人工智能或者通用人工智能。但目前世界上還不存在這種東西。

? ? ? ?到了1956年，人工智能的元年。一個叫麥卡錫的天才在達特茅斯舉辦了一個會議。列出了目標，他希望會議開完后，起碼能解決一些問題。如何讓機器學(xué)習(xí)，如何讓計算機理解抽象概念等等。這次會議招攬了各個領(lǐng)域的頂級大牛來參加，都是在學(xué)術(shù)界很厲害的人物，比如艾倫紐厄爾、香農(nóng)、馬文明斯基、約翰那什，還有很多工業(yè)界、政府和軍方代表。但是即便是這么厲害的會議在開完以后，發(fā)起者麥卡錫表示：“我為這次會議設(shè)定的目標完全不切實際。”大家越討論越發(fā)現(xiàn)，想要讓機器擁有智能，里面的問題就是個無底的天坑。牽扯出來的知識和理論越來越多，而且不同的理論之間還水火不容，所以這次會議什么都沒討論出來，會議唯一的成就就是提出了人工智能這個名字。再之后，人工智能就成為了新的學(xué)科。

? ? ? ?接下來要談的是整個人工智能學(xué)界解決問題的思路。首先人類有一個區(qū)別于其他動物的關(guān)鍵能力：解決抽象問題。雖然有些聰明的動物也可以做到，比如“烏鴉喝水”。但是人類這方面的能力在地球上是無敵的，因此科研人員們心想，是否只要構(gòu)建一種能解決抽象問題的程序就能實現(xiàn)人工智能呢？于是大家開始讓程序使用搜索技術(shù)。簡單來說就是窮舉法，讓計算機列出每一種可能性。但這種方法很快就遇到了問題。程序就像中了月讀一樣不停重復(fù)，不斷走已經(jīng)失敗的回頭路，浪費時間。這就是第一個問題。第二個就是算力問題，比如下圍棋，第一步每人有250種落棋子的可能，第二步有250的平方，62500種可能，第三步有1560萬種狀態(tài)，第四步是39億種，而每局圍棋要走200多步，算力有多困難可想而知。而且如果每一步都窮舉數(shù)字，會比宇宙所有原子數(shù)目還要大幾百個數(shù)量級了，這就是組合爆炸。這種需要奠定所有可能性才能找到最優(yōu)解的問題都被稱之為NP完全問題，都會面臨組合爆炸。也就是說，要么這個問題存在通用的解，要么就無解。

? ? ? ?但是說搜索法也沒有完全廢掉。不過當時有科學(xué)家覺得窮舉法太荒謬了。舉個例子，假設(shè)用導(dǎo)航軟件去某個地方，導(dǎo)航會告訴我們直行300米左轉(zhuǎn)進入某某路，直行五公里后抵達目的地。但如果我們找一個路人問路，他大概會這樣說，往前面開能看到一條岔道，然后左轉(zhuǎn)進去一直開，看到很大的那個建筑就是了。這個例子的意思是，計算機和人類對“精確”的定義是完全不同的。人類不會像計算機那樣在腦中暴力搜索、窮舉所有的可能性來找到最優(yōu)解。人類總是在有限的時間中得出結(jié)論，即使這個結(jié)論并不精確。并不是說搜索的越多越精確，智能就越高，最好的證據(jù)就是我們講人類都有智能，而計算機并沒有智能。

于是之后科學(xué)家們又提出了啟發(fā)式搜索。而現(xiàn)如今大部分在線地圖應(yīng)用都在使用啟發(fā)式搜索技術(shù)。假設(shè)需要在一張地圖上找到起點到終點的最短路徑，啟發(fā)式搜索可以用函數(shù)估算每個路徑的好壞程度，根據(jù)估值選擇最短的路徑。但這也只是優(yōu)化程序，有可能得到好的結(jié)果，也有可能得到壞的結(jié)果。這也就是為什么高德地圖會變成缺德地圖，出現(xiàn)帶著我們到處繞的情況。啟發(fā)式搜索還用在很多領(lǐng)域里面，比如在紅警里，框住一堆小兵點擊目的地，小兵們便用啟發(fā)式搜索算法尋找最短路徑。但是啟發(fā)式搜索也并不能解決NP完全問題，而且當時的人們研究人工智能時發(fā)現(xiàn)，不管是讓程序解決問題，玩游戲、計劃、學(xué)習(xí)、推理，關(guān)鍵性的問題都是NP完全問題，這令科學(xué)界十分沮喪。更有甚者認為人工智能跟煉金術(shù)沒什么區(qū)別。在當時，在學(xué)術(shù)界敢提人工智能，大家都會認為是騙子。人工智能研究也面臨著嚴重的經(jīng)費削減，迎來了寒冬。而且在投了這么多錢后，全都是些學(xué)術(shù)上的研究，而人們需要的是商用應(yīng)用程序。在這種背景之下，專家系統(tǒng)誕生了，并引領(lǐng)了一股新的人工智能熱潮。

? ? ? ?專家系統(tǒng)是用來解決狹義領(lǐng)域的問題的。一般有一個知識庫加一個推理引擎，原理也非常簡單。舉個例子，比如我們要設(shè)計一個動物分類的專家系統(tǒng)，就可以在他的知識庫編寫以下規(guī)則，如果該動物產(chǎn)奶，那么它是哺乳動物，如果該動物有羽毛，那么它是鳥類；如果該動物吃肉，那么他是肉食動物。編寫完成以后，用戶對專家系統(tǒng)提問就可以得到相應(yīng)的答案了。于是后來社會上又涌現(xiàn)了一大堆專家系統(tǒng)，不過質(zhì)量參差不齊，有些系統(tǒng)表現(xiàn)的很弱智。這是因為那些編寫知識庫的人本身就不是專家，而且也不可能把這個世界上所有領(lǐng)域的頂級專家都給找來去編知識庫……

? ? ? ?徹底讓大家希望破滅的是萊納特（Douglas Lenat）想編寫一個終極的專家系統(tǒng)，就是什么知識都知道，能回答任何問題。他認為，通往人工智能沒有捷徑，任何強大的思維體都需要大量的知識，而要獲得如此龐大的知識庫，只能靠人類慢慢編寫。于是他和同事從零開始編寫知識庫。這個項目被名為CYC項目，他們編寫了很多普通的常識。如生命不可能永恒，在地球上懸在空中的物體會落地，動物不喜歡承受痛苦等等。這個項目的推力引擎會基于邏輯去回答問題。比如說他的知識庫里有這些知識：“每棵樹都是植物”；“植物最終都會死亡”；當你提問松樹是否會死亡，推理引擎就會得出答案，因為松樹是植物，所以會死……

? ? ? ? 但可惜的是這個項目最后還是失敗了。原因有兩個，第一，知識實在是太復(fù)雜了。舉例來說，最基礎(chǔ)的邏輯就是亞里士多德提出的三段論（一個包括有大前提、小前提和結(jié)論三個部分的論證）。比如鳥會飛，滋崩是一只鳥，所以可以得出，滋崩會飛。但是之后告訴你，滋崩其實是只企鵝，作為人類，我們可以很輕易的理解滋崩雖然是鳥，但它其實不會飛。但是程序是無法處理這樣的問題的，它沒法去撤銷已經(jīng)得出的答案。最終只能得出這種結(jié)論，滋崩會飛又不會飛。解決方法就是給鳥會飛這個知識增加更多的補丁。比如除了企鵝、鴕鳥等鳥之外的所有鳥都會飛，但是這么龐大的知識庫竟然還有這么多補丁要打，那就根本沒法靠人力來完成了。?

? ? ? ? 第二，我們生活在一個矛盾的世界中，很多時候邏輯是解決不了問題的。舉個最簡單的例子，朋友燙了個新發(fā)型，很非主流，要如何評價呢？要知道邏輯是無法評價的。如果你選擇誠實，就會告訴他這發(fā)型很丑，如果你選擇善良，就會告訴他這發(fā)型很酷。其實生活中這種矛盾比比皆是。雞蛋有營養(yǎng)，但會導(dǎo)致膽固醇升高，是否應(yīng)該多吃雞蛋得根據(jù)個人健康狀況來判斷。有人認為榴蓮很香，有人認為榴蓮奇臭無比。有人認為貓可愛，有人認為貓討人嫌。我怎樣才能一邊睡覺一邊健身？我怎么才能每天玩不工作但賺很多很多錢？再問下去，專家系統(tǒng)都要開始懷疑人類全是弱智了。種種局限之下，專家系統(tǒng)的繁榮很快就結(jié)束了。

? ? ? ?不管是搜索算法還是專家系統(tǒng)，它們都屬于符號主義學(xué)派。這一派的人主張知識可以被明確的表述為邏輯符號，而思維和智能就像處理符號的過程一樣。所以他們希望用計算機程序?qū)@些符號進行邏輯推理。但到了后期，因為處理不了NP完全問題，符號主義越來越?jīng)]落。符號主義學(xué)派思考人類智慧問題的時候，只關(guān)注那些具象的東西，譬如推理、解決問題、下棋之類的活動。學(xué)派的人把一切都轉(zhuǎn)化為邏輯推理，然后為了算計喋喋不休。他們認為知識和邏輯并不能使人工智能產(chǎn)生智慧，智慧是一種涌現(xiàn)性質(zhì)，人工智能只能通過與現(xiàn)實世界互動來產(chǎn)生智慧。

? ? ? ? 接下來要提到人工智能另一派，行為主義學(xué)派。行為主義的起源要回到第二次世界大戰(zhàn)。納粹為了逼迫英國投降每天派轟炸機來英國轉(zhuǎn)圈。有次直接派了兩百二十五架轟炸機。英軍為了防守發(fā)射了八千多枚高射炮彈，但只打下來兩架。納粹飛機就跟進自家院子一樣輕松的把英國人炸麻了。但是讓人去轟飛機本來就很難。首先是視野里看不到，就算看到了也瞄不準，瞄準了發(fā)射出去以后，由于飛機的速度很快，人家很快就溜了。后來美國貝爾實驗室的工程師研制出了瞄準計算機，能通過雷達捕獲敵機位置然后通過復(fù)雜的函數(shù)計算自動進行攔截。僅僅過了幾年英國就給高射炮都配上了這種技術(shù)，納粹轟炸機幾乎來一個就死一個。所以德國又研發(fā)出了一種新武器，V1導(dǎo)彈。這樣直接解放了飛行員。二戰(zhàn)戰(zhàn)場就是這樣，為了減少損失，各國都開始研發(fā)自主武器。所以控制科學(xué)就開始嶄露頭角了。有個叫維納的人把戰(zhàn)爭中發(fā)展出來的這些成果進行總結(jié)。出版了一本叫《控制論》的書。他可以看成行為主義學(xué)派的祖師爺。如果說符號主義在研究心智，那么行為主義就是在研究行為。

? ? ? ?像掃地機器人，工業(yè)產(chǎn)品生產(chǎn)線會用的機械臂，以及包裝行業(yè)、運輸行業(yè)、軍工行業(yè)、機器人行業(yè)，自動泊車等等技術(shù)能有今天的發(fā)展，都離不開行為主義學(xué)派的貢獻，但這都是很簡單的交互，一旦行為多起來，這系統(tǒng)就非常難設(shè)計。打造一個行為跟人類一樣豐富的系統(tǒng)，會不會產(chǎn)生智能呢？這是無法證偽的事情，因為目前打造不出來這樣的系統(tǒng)，需要的資金和時間都是無底洞……