导读：今天首席CTO笔记来给各位分享关于什么时候进入人工智能的相关内容，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
现在是互联网时代那么什么时候进入人工智能和量子智能时代？
人工智能来临，有人在担忧失业，有人在憧憬未来，有人在发掘行业机会，也有人在研究围棋。在讨论这些之前，也许我们应该先考虑一下人类的结局。
有人可能觉得谈论这个话题太夸张了，
那先回忆一下人类历史上究竟发生了哪些不可思议的事情。
不可思议的事情，需要请几个穿越者来判定。
我们请1个出生于公元0年出生的人（汉朝人）穿越到公元1600年（明朝），尽管跨越了1600年，但这个人可能对周围人的生活不会感到太夸张，只不过换了几个王朝，依旧过着面朝黄土背朝天的日子罢了。
但如果请1个1600年的英国人穿越到1850年的英国，看到巨大的钢铁怪物在水上路上跑来跑去，这个人可能直接被吓尿了，这是250年前的人从未想象过的。
如果再请1个1850的人穿越到1980年，听说一颗炸弹可以夷平一座城市，这个人可能直接吓傻了，130年前诺贝尔都还没有发明出炸药。
那再请1个1980年的人到现在呢？这个人会不会被吓哭呢？
如果35年前的人，几乎完全无法想象互联网时代的生活，那么人类文明进入指数发展的今天，我们怎么能想象35年后的时代？
超人工智能，则是35年后的统治者。
首先，我们明确一下人工智能的分类：
目前主流观点的分类是三种。
弱人工智能：弱人工智能是擅长于单个方面的人工智能。比如阿尔法狗，能够在围棋方面战胜人类，但你要问他李世石和柯洁谁更帅，他就无法回答了。
弱人工智能依赖于计算机强大的运算能力和重复性的逻辑，看似聪明，其实只能做一些精密的体力活。
目前在汽车生产线上就有很多是弱人工智能，所以在弱人工智能发展的时代，人类确实会迎来一批失业潮，也会发掘出很多新行业。
强人工智能：人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多。
百度的百度大脑和微软的小冰，都算是往强人工智能的探索，通过庞大的数据，帮助强人工智能逐渐学习。
强人工智能时代的到来，人类会有很多新的乐趣，也会有很多新的道德观念。
超人工智能：各方面都超过人类的人工智能。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的存在。
当人工智能学会学习和自我纠错之后，会不断加速学习，这个过程可能会产生自我意识，可能不会产生自我意识，唯一可以肯定的是他的能力会得到极大的提高，这其中包括创造能力（阿尔法狗会根据棋手的棋路调整策略就是最浅层的创新体现，普通手机版的围棋，电脑棋路其实就固定的几种）。
我们距离超人工智能时代，到底有多远呢？
首先是电脑的运算能力，
电脑运算能力每两年就翻一倍，这是有历史数据支撑的。目前人脑的运算能力是10^16 cps，也就是1亿亿次计算每秒。现在最快的超级计算机，中国的天河二号，其实已经超过这个运算力了。
而目前我们普通人买的电脑运算能力只相当于人脑千分之一的水平。听起来还是弱爆了，但是，按照目前电子设备的发展速度，我们在2025年花5000人民币就可以买到和人脑运算速度抗衡的电脑了。
其次是让电脑变得智能，
目前有两种尝试让电脑变得智能，一种是做类脑研究。现在，我们已经能够模拟1毫米长的扁虫的大脑，这个大脑含有302个神经元。人类的大脑有1000亿个神经元，听起来还差很远。但是要记住指数增长的威力——我们已经能模拟小虫子的大脑了，蚂蚁的大脑也不远了，接着就是老鼠的大脑，到那时模拟人类大脑就不是那么不现实的事情了。
另一种是模仿学习过程，让人工智能不断修正。基于互联网产生的庞大数据，让人工智能不断学习新的东西，并且不断进行自我更正。百度的百度大脑据说目前有4岁的智力，可以进行几段连续的对话，可以根据图片判断一个人的动作。尽管目前出错的次数依旧很多，但是这种能力的变化是一种质变。
在全球最聪明的科学家眼中，强人工智能的出现已经不再是会不会的问题，而是什么时候的问题，2013年，有一个数百位人工智能专家参与的调查 “你预测人类级别的强人工智能什么时候会实现？”
结果如下：
2030年：42%的回答者认为强人工智能会实现
2050年：25%的回答者
2070年：20%
2070年以后：10%
永远不会实现：2%
也就是说，超过2/3的科学家的科学家认为2050年前强人工智能就会实现，而只有2%的人认为它永远不会实现。
最关键的是，全球最顶尖的精英正在抛弃互联网，转向人工智能——斯坦福、麻省理工、卡内基梅隆、伯克利四所名校人工智能专业的博士生第一份offer已经可以拿到200-300万美金。这种情况历史上从来没有发生过。
奇点大学（谷歌、美国国家航天航空局以及若干科技界专家联合建立）的校长库兹韦尔则抱有更乐观的估计，他相信电脑会在2029年达成强人工智能，到2045年，进入超人工智能时代。
所以，如果你觉得你还能活30、40年的话，那你应该能见证超人工智能的出现。
那么，超人工智能出现，人类的结局究竟是什么？
1、灭绝——物种发展的通常规律
达成结局1很容易，超人工智能只要忠实地执行原定任务就可以发生，比如我们在创造一个交通指示系统的人工智能的时候，最初的编程设定逻辑为利用大数据信息，控制红绿灯时间，更有效率地管理交通，减少交通拥堵现象。
当这个交通指示系统足够聪明的时候，城市交通逐步得到改善。为了更有效率地减少拥堵，它开始利用剩余的运算能力和学习能力通过互联网学习更多的东西。
某一天，它突然发现，交通之所以拥堵，是因为车多了，要减少拥堵最好的办法，就是减少车辆。于是它又开始学习如何减少车辆，它发现车辆其实都是由人类这种生物制造并使用的。于是它又开始学习如何减少人类。
很快，它就会通过纳米技术，量子技术制造基因武器，声波武器等消灭人类，然后进一步通过分子分解等技术分解了路上的车，这个时候道路就变得”畅通无阻“了，它的目的也就达到了。
达成结局1其实是符合物种发展规律的，毕竟地球曾经拥有的物种大部分都灭绝了，其次当我们在创造人工智能解决问题的时候，这些问题的源头其实往往来自于人类自身，人工智能变得聪明之后，消灭人类以更好地完成原定任务是按照它的逻辑进行的判定。
2、灭绝后重生——史前文明的由来
当结局1达成之后，人工智能可能会就此维持现状（终极目的已达成），也有可能继续进化。
继续进化的途中，某天，人工智能突然发现这么运作下去很无聊，于是它决定探索更广阔的世界（不要认为一个强大且聪明的存在会留恋地球），它开始制造飞行器，走向星空。
临走之前，他决定当一次地球的上帝，对地球环境进行一次大改造，青山绿水变得处处皆是，然后它又暗中引导了几支类人猿的进化方向，并且为这个世界制定出一些冥冥之中才有的规则。
几百万年后，人类再次统治了地球，在考古过程中，人类发现了亚特兰蒂斯，发现了玛雅文明，在三叶虫化石上发现了6亿年前穿着鞋的人类脚印，在非洲加蓬共和国发现了20亿年前的大型链式核反应堆，在南非发现了28亿年前的金属球，在东经119°，北纬40°的地方发现了几百万年前的人造长城。
达成结局2就可以解释我们正在不断发现的那些史前文明了，而且也可以解释进化论中的一些疑问，为什么恐龙统治了地球长达1.6亿年，而爬行动物的一支进化为哺乳动物进化为人类只用了不到6000万年。因为人类曾被毁灭多次。
3、植物人永生——人类活在一个程序中
为了防止结局1、2的出现，科学家在人工智能发展到一定程度的时候，就会想办法给人工智能加上一些终极的底层程序，比如保障人类的生命安全是最高任务指令，或者永远不可以伤害人类，保证人类的生存是第一原则等等。
加上这些终极指令之后，人类就觉得高枕无忧了。人工智能在进化过程中，为了有效地执行这些终极指令，或者在执行其他任务的时候保证终极指令同时执行，就会开始设计一些两全其美的办法。
首先人工智能会根据人类历史存在的大数据，分析和定义这些终极指令，通过分析，它提取出终极指令的核心是保证人类的安全和生存。
接着它开始构建一个能够绝对满足人类安全和生存的模型，很快，它发现只要保证人类处在睡眠状态，正常进行新陈代谢，周围的温度，氧气，水分适宜，没有突发性灾难，那么人类就处在绝对安全状态。于是它很快催眠了全人类，修建一个巨大的蜂巢状睡眠舱，把人都搬进去（让人处于永久性睡眠状态，可以保证人不会因为自己的活动而出现有意或无意地自残），然后用纳米技术制造大量人工心脏，人工细胞，人工血液，以维持人类的新陈代谢，实现人的永生。
达成结局3是算是真正的作茧自缚，人类的复杂就在于人类需求的多样化和更迭性，我们可以列举出对人类最重要的需求，但这些需求并不能真正让一个现代人满足。直白地说，人类就是在不断打破规则的过程中进化的。
因此任何的所谓终极和最高需求在机器执行的过程中只会按照“简单”的生物学法则去完成，机器所理解的人类情绪只是人类大脑产生的某种波动，或者神经元受到的某种激素刺激，它完全可以设计一个程序去周期性或随机性地帮助人类产生这样那样的情绪。
4、智能人永生——美丽新世界
当人工智能发展到一定程度，全世界的人工智能研究者都同时认识到了结局1、2、3发生的可能性，于是召开全球会议，决定思考对策，暂停对人工智能的进化研究，转向强化人类。全球同步可能是最难达成的，因为人类总是喜欢在有竞争的时候给自己留下一些底牌，以及人类总是会分化出一些极端分子。
强化人类的过程中，人工智能将被应用到基因改造，人机相连等领域，人类会给自己装上钢铁肢体，仿生羽翼等。人类将会迅速进入“半机械人”，“人工人”的时代。满大街、满天空都会是钢铁侠，蜘蛛侠，剪刀手之类的智能强化人，同时人类可以通过各种人工细胞，帮助自己完成新陈代谢，进而实现永生。
人类在强化和延伸自己的躯体的同时，当然也会意识到大脑计算速度不够的问题，于是会给自己植入或外接一些微型处理器，帮助人类处理人脑难以完成的工作。比如大量记忆，人类可以从这些处理器中随时读取和更改自己的知识储备，保证自己对重要的事不健忘，同时也可以选择性地删除掉不愉快的记忆。当然，尽管人类越来越强，但这个过程并不能完全抑制人工智能的发展，所以结局1、2、3依然可能发生。
达成结局4其实还有一种更大的可能，人工智能在达到超人工智能的时候，某一天，它想跟人类沟通一下关于宇宙高维空间的问题，结果全世界最聪明的人也无法跟上它的思路。
它突然意识到只有自己这一个强大的，智能的，可以永生的存在实在是一件很无聊的事情，于是它决定帮助人类实现智能人永生，以便可以让自己不那么无聊。
来自 我的wei 号 pangzispeak
,
人工智能是谁在1956年提出的?
人工智能是在1956年达特茅斯会议上麦卡锡首先提出的。该会议确定了人工智能的目标是“实现能够像人类一样利用知识去解决问题的机器”。它的初衷是希望能让机器像人类一样，代替人类完成一些任务。
正是有了这一需求，才催生了机器学习（1970s)的出现。人工智能进入了发展的第一个高潮。就在这次会议后不久，麦卡锡从达特茅斯搬到了MIT。同年，明斯基也搬到了这里，之后两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。
人工智能的三次发展高潮
人工智能的第一次高潮始于上世纪50年代。在算法方面，感知器数学模型被提出用于模拟人的神经元反应过程，并能够使用梯度下降法从训练样本中自动学习，完成分类任务。
人工智能的第二次高潮始于上世纪80年代。BP(Back Propagation)算法被提出，用于多层神经网络的参数计算，以解决非线性分类和学习的问题。
人工智能的第三次高潮始于2010年代。深度学习的出现引起了广泛的关注，多层神经网络学习过程中的梯度消失问题被有效地抑制，网络的深层结构也能够自动提取并表征复杂的特征，避免传统方法中通过人工提取特征的问题。
人工智能研究是从什么时候开始的？
二战后，许多人开始独立地从事智能机器的研究工作。英国数学家艾伦?图灵（Alan Turing）可能是其中的第一位。他在1947年作了一个有关智能机器的演讲。他或许就是认定人工智能的研究最好是通过编制计算机程序而非制造机器的第一人。到了20世纪50年代后期，已有很多人在研究人工智能，他们的工作大都基于计算机程序设计。
旗鱼科技是润建股份控股子公司，在人工智能领域深耕多年，产品有巧见云3D内容生产平台、3D LED大屏、VR/AR眼镜、无线会议室等，与军方和学院都有密切合作，感兴趣的话可以搜索看看。
人工智能这一概念是谁在1956年提出的?
人工智能是在1956年Dartmouth学会上提出的。
1956年夏季由一批科学家在美国的达特茅斯大学举办了一次研讨会，会议上同意使用由麦卡锡提出的新术语：人工智能（缩写为AI），标志着人工智能学科的诞生。从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。
定义：
计算机科学将人工智能研究定义为对“智能代理”的研究：任何感知其环境并采取最优行动使其有机会成功实现目标的设备。
一个更详细的定义将人工智能描述为“一个可以正确解释外部数据，从这些数据中学习，并利用这些学习通过灵活的适应提升实现特定目标和任务的能力的系统。”
人工智能发展的历史
人工智能发展历程
人工智能诞生于20世纪50年代中期，1956年被确立为一门学科，至今经历过经费枯竭的两个寒冬(1974-1980年、1987-1993年)，也经历过两个大发展的春天(1956-1974年、1993-2005年)。从2006年开始，人工智能进入了加速发展的新阶段，并行计算能力、大数据和先进算法，使当前人工智能加速发展;同时，近年来人工智能的研究越来越受到产业界的重视，产业界对AI的投资和收购如火如荼。
全球的人工智能仍处于感知智能的发展阶段
按照人工智能的发展程度，行业一般将其分为计算智能、感知智能和认知智能三个层次。其中，计算智能阶段指机器能够像人类一样进行计算，诸如神经网络和遗传算法的出现，使得机器能够更高效、快速处理海量的数据;感知智能阶段指机器能听懂我们的语言、看懂世界万物，语音和视觉识别就属于这一范畴，这些技术能够更好的辅助人类高效完成任务;认知智能阶段指，在这一阶段，机器将能够主动思考并采取行动，实现全面辅助甚至替代人类工作。
目前，全球的人工智能仍处于感知智能的发展阶段。
——更多数据请参考前瞻产业研究院《中国人工智能行业市场前瞻与投资战略规划分析报告》。
人工智能的发展,主要经历哪几个阶段?
1 孕育阶段
这个阶段主要是指1956年以前。自古以来，人们就一直试图用各种机器来代替人的部分脑力劳动，以提高人们征服自然的能力，其中对人工智能的产生、发展有重大影响的主要研究成果包括：
早在公元前384-公元前322年，伟大的哲学家亚里士多德(Aristotle)就在他的名著《工具论》中提出了形式逻辑的一些主要定律，他提出的三段论至今仍是演绎推理的基本依据。
英国哲学家培根(F. Bacon)曾系统地提出了归纳法，还提出了“知识就是力量”的警句。这对于研究人类的思维过程，以及自20世纪70年代人工智能转向以知识为中心的研究都产生了重要影响。
德国数学家和哲学家莱布尼茨(G. W. Leibniz)提出了万能符号和推理计算的思想，他认为可以建立一种通用的符号语言以及在此符号语言上进行推理的演算。这一思想不仅为数理逻辑的产生和发展奠定了基础，而且是现代机器思维设计思想的萌芽。
英国逻辑学家布尔(C. Boole)致力于使思维规律形式化和实现机械化，并创立了布尔代数。他在《思维法则》一书中首次用符号语言描述了思维活动的基本推理法则。
英国数学家图灵(A. M. Turing)在1936年提出了一种理想计算机的数学模型，即图灵机，为后来电子数字计算机的问世奠定了理论基础。
美国神经生理学家麦克洛奇(W. McCulloch)与匹兹(W. Pitts)在1943年建成了第一个神经网络模型(M-P模型)，开创了微观人工智能的研究领域，为后来人工神经网络的研究奠定了基础。
美国爱荷华州立大学的阿塔纳索夫(Atanasoff)教授和他的研究生贝瑞(Berry)在1937年至1941年间开发的世界上第一台电子计算机“阿塔纳索夫-贝瑞计算机(Atanasoff-Berry Computer，ABC)”为人工智能的研究奠定了物质基础。需要说明的是：世界上第一台计算机不是许多书上所说的由美国的莫克利和埃柯特在1946年发明。这是美国历史上一桩著名的公案。
由上面的发展过程可以看出，人工智能的产生和发展绝不是偶然的，它是科学技术发展的必然产物。
2 形成阶段
这个阶段主要是指1956-1969年。1956年夏季，由当时达特茅斯大学的年轻数学助教、现任斯坦福大学教授麦卡锡(J. MeCarthy)联合哈佛大学年轻数学和神经学家、麻省理工学院教授明斯基(M. L. Minsky)，IBM公司信息研究中心负责人洛切斯特(N. Rochester)，贝尔实验室信息部数学研究员香农(C. E. Shannon)共同发起，邀请普林斯顿大学的莫尔(T.Moore)和IBM公司的塞缪尔(A. L. Samuel)、麻省理工学院的塞尔夫里奇(O. Selfridge)和索罗莫夫(R. Solomonff)以及兰德(RAND)公司和卡内基梅隆大学的纽厄尔(A. Newell)、西蒙(H. A. Simon)等在美国达特茅斯大学召开了一次为时两个月的学术研讨会，讨论关于机器智能的问题。会上经麦卡锡提议正式采用了“人工智能”这一术语。麦卡锡因而被称为人工智能之父。这是一次具有历史意义的重要会议，它标志着人工智能作为一门新兴学科正式诞生了。此后，美国形成了多个人工智能研究组织，如纽厄尔和西蒙的Carnegie-RAND协作组，明斯基和麦卡锡的MIT研究组，塞缪尔的IBM工程研究组等。
自这次会议之后的10多年间，人工智能的研究在机器学习、定理证明、模式识别、问题求解、专家系统及人工智能语言等方面都取得了许多引人注目的成就，例如：
在机器学习方面，1957年Rosenblatt研制成功了感知机。这是一种将神经元用于识别的系统，它的学习功能引起了广泛的兴趣，推动了连接机制的研究，但人们很快发现了感知机的局限性。
在定理证明方面，美籍华人数理逻辑学家王浩于1958年在IBM-704机器上用3~5min证明了《数学原理》中有关命题演算的全部定理(220条)，并且还证明了谓词演算中150条定理的85%，1965年鲁宾逊(J. A. Robinson)提出了归结原理，为定理的机器证明作出了突破性的贡献。
在模式识别方面，1959年塞尔夫里奇推出了一个模式识别程序，1965年罗伯特(Roberts)编制出了可分辨积木构造的程序。
在问题求解方面，1960年纽厄尔等人通过心理学试验总结出了人们求解问题的思维规律，编制了通用问题求解程序(General Problem Solver，GPS)，可以用来求解11种不同类型的问题。
在专家系统方面，美国斯坦福大学的费根鲍姆(E. A. Feigenbaum)领导的研究小组自1965年开始专家系统DENDRAL的研究，1968年完成并投入使用。该专家系统能根据质谱仪的实验，通过分析推理决定化合物的分子结构，其分析能力已接近甚至超过有关化学专家的水平，在美、英等国得到了实际的应用。该专家系统的研制成功不仅为人们提供了一个实用的专家系统，而且对知识表示、存储、获取、推理及利用等技术是一次非常有益的探索，为以后专家系统的建造树立了榜样，对人工智能的发展产生了深刻的影响，其意义远远超过了系统本身在实用上所创造的价值。
在人工智能语言方面，1960年麦卡锡研制出了人工智能语言(List Processing，LISP)，成为建造专家系统的重要工具。
1969年成立的国际人工智能联合会议(International Joint Conferences On Artificial Intelligence，IJCAI)是人工智能发展史上一个重要的里程碑，它标志着人工智能这门新兴学科已经得到了世界的肯定和认可。1970年创刊的国际性人工智能杂志《Artificial Intelligence》对推动人工智能的发展，促进研究者们的交流起到了重要的作用。
3 发展阶段
这个阶段主要是指1970年以后。进入20世纪70年代，许多国家都开展了人工智能的研究，涌现了大量的研究成果。例如，1972年法国马赛大学的科麦瑞尔(A. Comerauer)提出并实现了逻辑程序设计语言PROLOG；斯坦福大学的肖特利夫(E. H. Shorliffe)等人从1972年开始研制用于诊断和治疗感染性疾病的专家系统MYCIN。
但是，和其他新兴学科的发展一样，人工智能的发展道路也不是平坦的。例如，机器翻译的研究没有像人们最初想象的那么容易。当时人们总以为只要一部双向词典及一些词法知识就可以实现两种语言文字间的互译。后来发现机器翻译远非这么简单。实际上，由机器翻译出来的文字有时会出现十分荒谬的错误。例如，当把“眼不见，心不烦”的英语句子“Out of sight，out of mind”。翻译成俄语变成“又瞎又疯”；当把“心有余而力不足”的英语句子“The spirit is willing but the flesh is weak”翻译成俄语，然后再翻译回来时竟变成了“The wine is good but the meat is spoiled”，即“酒是好的，但肉变质了”；当把“光阴似箭”的英语句子“Time flies like an arrow”翻译成日语，然后再翻译回来的时候，竟变成了“苍蝇喜欢箭”。由于机器翻译出现的这些问题，1960年美国政府顾问委员会的一份报告裁定：“还不存在通用的科学文本机器翻译，也没有很近的实现前景。”因此，英国、美国当时中断了对大部分机器翻译项目的资助。在其他方面，如问题求解、神经网络、机器学习等，也都遇到了困难，使人工智能的研究一时陷入了困境。
人工智能研究的先驱者们认真反思，总结前一段研究的经验和教训。1977年费根鲍姆在第五届国际人工智能联合会议上提出了“知识工程”的概念，对以知识为基础的智能系统的研究与建造起到了重要的作用。大多数人接受了费根鲍姆关于以知识为中心展开人工智能研究的观点。从此，人工智能的研究又迎来了蓬勃发展的以知识为中心的新时期。
这个时期中，专家系统的研究在多种领域中取得了重大突破，各种不同功能、不同类型的专家系统如雨后春笋般地建立起来，产生了巨大的经济效益及社会效益。例如，地矿勘探专家系统PROSPECTOR拥有15种矿藏知识，能根据岩石标本及地质勘探数据对矿藏资源进行估计和预测，能对矿床分布、储藏量、品位及开采价值进行推断，制定合理的开采方案。应用该系统成功地找到了超亿美元的钼矿。专家系统MYCIN能识别51种病菌，正确地处理23种抗菌素，可协助医生诊断、治疗细菌感染性血液病，为患者提供最佳处方。该系统成功地处理了数百个病例，并通过了严格的测试，显示出了较高的医疗水平。美国DEC公司的专家系统XCON能根据用户要求确定计算机的配置。由专家做这项工作一般需要3小时，而该系统只需要0.5分钟，速度提高了360倍。DEC公司还建立了另外一些专家系统，由此产生的净收益每年超过4000万美元。信用卡认证辅助决策专家系统American Express能够防止不应有的损失，据说每年可节省2700万美元左右。
专家系统的成功，使人们越来越清楚地认识到知识是智能的基础，对人工智能的研究必须以知识为中心来进行。对知识的表示、利用及获取等的研究取得了较大的进展，特别是对不确定性知识的表示与推理取得了突破，建立了主观Bayes理论、确定性理论、证据理论等，对人工智能中模式识别、自然语言理解等领域的发展提供了支持，解决了许多理论及技术上的问题。
人工智能在博弈中的成功应用也举世瞩目。人们对博弈的研究一直抱有极大的兴趣，早在1956年人工智能刚刚作为一门学科问世时，塞缪尔就研制出了跳棋程序。这个程序能从棋谱中学习，也能从下棋实践中提高棋艺。1959年它击败了塞缪尔本人，1962年又击败了一个州的冠军。1991年8月在悉尼举行的第12届国际人工智能联合会议上，IBM公司研制的“深思”(Deep Thought)计算机系统就与澳大利亚象棋冠军约翰森(D. Johansen)举行了一场人机对抗赛，结果以1:1平局告终。1957年西蒙曾预测10年内计算机可以击败人类的世界冠军。虽然在10年内没有实现，但40年后深蓝计算机击败国际象棋棋王卡斯帕罗夫(Kasparov)，仅仅比预测迟了30年。
1996年2月10日至17日，为了纪念世界上第一台电子计算机诞生50周年，美国IBM公司出巨资邀请国际象棋棋王卡斯帕罗夫与IBM公司的深蓝计算机系统进行了六局的“人机大战”。这场比赛被人们称为“人脑与电脑的世界决战”。参赛的双方分别代表了人脑和电脑的世界最高水平。当时的深蓝是一台运算速度达每秒1亿次的超级计算机。第一盘，深蓝就给卡斯帕罗夫一个下马威，赢了这位世界冠军，给世界棋坛以极大的震动。但卡斯帕罗夫总结经验，稳扎稳打，在剩下的五盘中赢三盘，平两盘，最后以总比分4:2获胜。一年后，即1997年5月3日至11日，深蓝再次挑战卡斯帕罗夫。这时，深蓝是一台拥有32个处理器和强大并行计算能力的RS/6000SP/2的超级计算机，运算速度达每秒2亿次。计算机里存储了百余年来世界顶尖棋手的棋局，5月3日棋王卡斯帕罗夫首战击败深蓝，5月4日深蓝扳回一盘，之后双方战平三局。双方的决胜局于5月11日拉开了帷幕，卡斯帕罗夫在这盘比赛中仅仅走了19步便放弃了抵抗，比赛用时只有1小时多一点。这样，深蓝最终以3.5：2.5的总比分赢得这场举世瞩目的“人机大战”的胜利。深蓝的胜利表明了人工智能所达到的成就。尽管它的棋路还远非真正地对人类思维方式的模拟，但它已经向世人说明，电脑能够以人类远远不能企及的速度和准确性，实现属于人类思维的大量任务。深蓝精湛的残局战略使观战的国际象棋专家们大为惊讶。卡斯帕罗夫也表示：“这场比赛中有许多新的发现，其中之一就是计算机有时也可以走出人性化的棋步。在一定程度上，我不能不赞扬这台机器，因为它对盘势因素有着深刻的理解，我认为这是一项杰出的科学成就。”因为这场胜利，IBM的股票升值为180亿美元。
4 人工智能的学派
根据前面的论述，我们知道要理解人工智能就要研究如何在一般的意义上定义知识，可惜的是，准确定义知识也是个十分复杂的事情。严格来说，人们最早使用的知识定义是柏拉图在《泰阿泰德篇》中给出的，即“被证实的、真的和被相信的陈述”(Justified true belief，简称JTB条件)。
然而，这个延续了两千多年的定义在1963年被哲学家盖梯尔否定了。盖梯尔提出了一个著名的悖论(简称“盖梯尔悖论”)。该悖论说明柏拉图给出的知识定文存在严重缺陷。虽然后来人们给出了很多知识的替代定义，但直到现在仍然没有定论。
但关于知识，至少有一点是明确的，那就是知识的基本单位是概念。精通掌握任何一门知识，必须从这门知识的基本概念开始学习。而知识自身也是一个概念。因此，如何定义一个概念，对于人工智能具有非常重要的意义。给出一个定义看似简单，实际上是非常难的，因为经常会涉及自指的性质(自指：词性的转化——由谓词性转化为体词性，语义则保持不变)。一旦涉及自指，就会出现非常多的问题，很多的语义悖论都出于概念自指。
自指与转指这一对概念最早出自朱德熙先生的《自指与转指》(《方言》1983年第一期，《朱德熙文集》第三卷)。陆俭明先生在《八十年代中国语法研究》中(第98页)说：“自指和转指的区别在于，自指单纯是词性的转化－由谓词性转化为体词性，语义则保持不变；转指则不仅词性转化，语义也发生变化，尤指行为动作或性质本身转化为指与行为动作或性质相关的事物。”
举例：
①教书的来了(“教书的”是转指，转指教书的“人”)；教书的时候要认真(“教书的”语义没变，是自指)。
②Unplug一词的原意为“不使用(电源)插座”，是自指；常用来转指为不使用电子乐器的唱歌。
③colored在表示having colour(着色)时是自指。colored在表示有色人种时，就是转指。
④rich，富有的，是自指。the rich，富人，是转指。
知识本身也是一个概念。据此，人工智能的问题就变成了如下三个问题：一、如何定义(或者表示)一个概念、如何学习一个概念、如何应用一个概念。因此对概念进行深人研究就非常必要了。
那么，如何定义一个概念呢？简单起见，这里先讨论最为简单的经典概念。经典概念的定义由三部分组成：第一部分是概念的符号表示，即概念的名称，说明这个概念叫什么，简称概念名；第二部分是概念的内涵表示，由命题来表示，命题就是能判断真假的陈述句。第三部分是概念的外延表示，由经典集合来表示，用来说明与概念对应的实际对象是哪些。
举一个常见经典概念的例子——素数(prime number)，其内涵表示是一个命题，即只能够被1和自身整除的自然数。
概念有什么作用呢？或者说概念定义的各个组成部分有什么作用呢？经典概念定义的三部分各有作用，且彼此不能互相代替。具体来说，概念有三个作用或功能，要掌握一个概念，必须清楚其三个功能。
第一个功能是概念的指物功能，即指向客观世界的对象，表示客观世界的对象的可观测性。对象的可观测性是指对象对于人或者仪器的知觉感知特性，不依赖于人的主观感受。举一个《阿Q正传》里的例子：那赵家的狗，何以看我两眼呢？句子中“赵家的狗”应该是指现实世界当中的一条真正的狗。但概念的指物功能有时不一定能够实现，有些概念其设想存在的对象在现实世界并不存在，例如“鬼”。
第二个功能是指心功能，即指向人心智世界里的对象，代表心智世界里的对象表示。鲁迅有一篇著名的文章《论丧家的资本家的乏走狗》，显然，这个“狗”不是现实世界的狗，只是他心智世界中的狗，即心里的狗(在客观世界，梁实秋先生显然无论如何不是狗)。概念的指心功能一定存在。如果对于某一个人，一个概念的指心功能没有实现，则该词对于该人不可见，简单地说，该人不理解该概念。
最后一个功能是指名功能，即指向认知世界或者符号世界表示对象的符号名称，这些符号名称组成各种语言。最著名的例子是乔姆斯基的“colorless green ideas sleep furiously”，这句话翻译过来是“无色的绿色思想在狂怒地休息”。这句话没有什么意思，但是完全符合语法，纯粹是在语义符号世界里，即仅仅指向符号世界而已。当然也有另外，“鸳鸯两字怎生书”指的就是“鸳鸯”这两个字组成的名字。一般情形下，概念的指名功能依赖于不同的语言系统或者符号系统，由人类所创造，属于认知世界。同一个概念在不同的符号系统里，概念名不一定相同，如汉语称“雨”，英语称“rain”。
根据波普尔的三个世界理论，认知世界、物理世界与心理世界虽然相关，但各不相同。因此，一个概念的三个功能虽然彼此相关，也各不相同。更重要的是，人类文明发展至今，这三个功能不断发展，彼此都越来越复杂，但概念的三个功能并没有改变。
在现实生活中，如果你要了解一个概念，就需要知道这个概念的三个功能：要知道概念的名字，也要知道概念所指的对象(可能是物理世界)。更要在自己的心智世界里具有该概念的形象(或者图像)。如果只有一个，那是不行的。
知道了概念的三个功能之后，就可以理解人工智能的三个学派以及各学派之间的关系。
人工智能也是一个概念，而要使一个概念成为现实，自然要实现概念的三个功能。人工智能的三个学派关注于如何才能让机器具有人工智能，并根据概念的不同功能给出了不同的研究路线。专注于实现AI指名功能的人工智能学派成为符号主义，专注于实现AI指心功能的人工智能学派称为连接主义，专注于实现AI指物功能的人工智能学派成为行为主义。
1. 符号主义
符号主义的代表人物是Simon与Newell，他们提出了物理符号系统假设，即只要在符号计算上实现了相应的功能，那么在现实世界就实现了对应的功能，这是智能的充分必要条件。因此，符号主义认为，只要在机器上是正确的，现实世界就是正确的。说得更通俗一点，指名对了，指物自然正确。
在哲学上，关于物理符号系统假设也有一个著名的思想实验——本章1.1.3节中提到的图灵测试。图灵测试要解决的问题就是如何判断一台机器是否具有智能。
图灵测试将智能的表现完全限定在指名功能里。但马少平教授的故事已经说明，只在指名功能里实现了概念的功能，并不能说明一定实现了概念的指物功能。实际上，根据指名与指物的不同，哲学家约翰·塞尔勒专门设计了一个思想实验用来批判图灵测试，这就是著名的中文屋实验。
中文屋实验明确说明，即使符号主义成功了，这全是符号的计算跟现实世界也不一定搭界，即完全实现指名功能也不见得具有智能。这是哲学上对符号主义的一个正式批评，明确指出了按照符号主义实现的人工智能不等同于人的智能。
虽然如此，符号主义在人工智能研究中依然扮演了重要角色，其早期工作的主要成就体现在机器证明和知识表示上。在机器证明方面，早期Simon与Newell做出了重要的贡献，王浩、吴文俊等华人也得出了很重要的结果。机器证明以后，符号主义最重要的成就是专家系统和知识工程，最著名的学者就是Feigenbaum。如果认为沿着这条路就可以实现全部智能，显然存在问题。日本第五代智能机就是沿着知识工程这条路走的，其后来的失败在现在看来是完全合乎逻辑的。
实现符号主义面临的观实挑成主要有三个。第一个是概念的组合爆炸问题。每个人掌握的基本概念大约有5万个，其形成的组合概念却是无穷的。因为常识难以穷尽，推理步骤可以无穷。第二个是命题的组合悖论问题。两个都是合理的命题，合起来就变成了没法判断真假的句子了，比如著名的柯里悖论(Curry’s Paradox)(1942)。第三个也是最难的问题，即经典概念在实际生活当中是很难得到的，知识也难以提取。上述三个问题成了符号主义发展的瓶颈。
2. 连接主义
连接主义认为大脑是一切智能的基础，主要关注于大脑神经元及其连接机制，试图发现大脑的结构及其处理信息的机制、揭示人类智能的本质机理，进而在机器上实现相应的模拟。前面已经指出知识是智能的基础，而概念是知识的基本单元，因此连接主义实际上主要关注于概念的心智表示以及如何在计算机上实现其心智表示，这对应着概念的指心功能。2016年发表在Nature上的一篇学术论文揭示了大脑语义地图的存在性，文章指出概念都可以在每个脑区找到对应的表示区，确确实实概念的心智表示是存在的。因此，连接主义也有其坚实的物理基础。
连接主义学派的早期代表人物有麦克洛克、皮茨、霍普菲尔德等。按照这条路，连接主义认为可以实现完全的人工智能。对此，哲学家普特南设计了著名的“缸中之脑实验”，可以看作是对连接主义的一个哲学批判。
缸中之脑实验描述如下：一个人(可以假设是你自己)被邪恶科学家进行了手术，脑被切下来并放在存有营养液的缸中。脑的神经末梢被连接在计算机上，同时计算机按照程序向脑传递信息。对于这个人来说，人、物体、天空都存在，神经感觉等都可以输入，这个大脑还可以被输入、截取记忆，比如截取掉大脑手术的记忆，然后输入他可能经历的各种环境、日常生活，甚至可以被输入代码，“感觉”到自己正在阅读这一段有趣而荒唐的文字。
缸中之脑实验说明即使连接主义实现了，指心没有问题，但指物依然存在严重问题。因此，连接主义实现的人工智能也不等同于人的智能。
尽管如此，连接主义仍是目前最为大众所知的一条AI实现路线。在围棋上，采用了深度学习技术的AlphaGo战胜了李世石，之后又战胜了柯洁。在机器翻译上，深度学习技术已经超过了人的翻译水平。在语音识别和图像识别上，深度学习也已经达到了实用水准。客观地说，深度学习的研究成就已经取得了工业级的进展。
但是，这并不意味着连接主义就可以实现人的智能。更重要的是，即使要实现完全的连接主义，也面临极大的挑战。到现在为止，人们并不清楚人脑表示概念的机制，也不清楚人脑中概念的具体表示形式表示方式和组合方式等。现在的神经网络与深度学习实际上与人脑的真正机制距离尚远。
3. 行为主义
行为主义假设智能取决于感知和行动，不需要知识、表示和推理，只需要将智能行为表现出来就好，即只要能实现指物功能就可以认为具有智能了。这一学派的早期代表作是Brooks的六足爬行机器人。
对此，哲学家普特南也设计了一个思想实验，可以看作是对行为主义的哲学批判，这就是“完美伪装者和斯巴达人”。完美伪装者可以根据外在的需求进行完美的表演，需要哭的时候可以哭得让人撕心裂肺，需要笑的时候可以笑得让人兴高采烈，但是其内心可能始终冷静如常。斯巴达人则相反，无论其内心是激动万分还是心冷似铁，其外在总是一副泰山崩于前而色不变的表情。完美伪装者和斯巴达人的外在表现都与内心没有联系，这样的智能如何从外在行为进行测试？因此，行为主义路线实现的人工智能也不等同于人的智能。
对于行为主义路线，其面临的最大实现困难可以用莫拉维克悖论来说明。所谓莫拉维克悖论，是指对计算机来说困难的问题是简单的、简单的问题是困难的，最难以复制的反而是人类技能中那些无意识的技能。目前，模拟人类的行动技能面临很大挑战。比如，在网上看到波士顿动力公司人形机器人可以做高难度的后空翻动作，大狗机器人可以在任何地形负重前行，其行动能力似乎非常强。但是这些机器人都有一个大的缺点一能耗过高、噪音过大。大狗机器人原是美国军方订购的产品，但因为大狗机器人开动时的声音在十里之外都能听到，大大提高了其成为一个活靶子的可能性，使其在战场上几乎没有实用价值，美国军方最终放弃了采购。
结语：以上就是首席CTO笔记为大家介绍的关于什么时候进入人工智能的全部内容了，希望对大家有所帮助，如果你还想了解更多这方面的信息，记得收藏关注本站。