0


人工智能发展史

人工智能(AI)的发展史是一段跨越数十年的旅程,涵盖了从早期理论探索到现代技术革新的广泛内容。人工智能的发展历程展示了从最初的概念探索到现代技术突破的演变。尽管经历了多次起伏,但AI领域持续进步,不断拓展其应用范围和影响力。

1 初始探索(1950年代 - 1970年代)

在1956年的达特茅斯会议之后的十余年内,人工智能迎来了发展史上的第一个小高峰,研究者们疯狂涌入,取得了一批瞩目的成就。计算机被广泛应用于数学和自然语言领域,这让很多学者对面机器发展成人工智能充满希望。对很多人来讲,这一阶段开发出来的程序堪称神奇:计算机可以解决代数应用题、证明几何定理、学习和使用英语。在众多研究当中,搜索式推理、自然语言、微世界在当时最具影响力。

1.1 早期概念和定义(1950年代)

  • Alan Turing(图灵测试): 1950年,阿兰·图灵提出了著名的“图灵测试”,作为衡量机器智能的标准。这标志着人工智能概念的初步形成。
  • John McCarthy(人工智能之父): 1956年,在达特茅斯会议上,约翰·麦卡锡首次提出“人工智能”这一术语。

1.2 早期突破

  • 逻辑程序员: 1950年代末到1960年代初,出现了第一代人工智能程序,如逻辑理论家(Logic Theorist)和通用问题求解器(General Problem Solver)。

1.3 政府资助和研究兴起

  • 研究资金: 在1960年代和1970年代,美国政府和其他国家的研究机构开始大量资助AI研究。

1.4 主要成就

  • 1950年:图灵测试
  • 1950年,著名的图灵测试诞生,
  • 1954年:第一台可编程机器人诞生
  • 1954年美国人乔治·戴沃尔设计了世界上第一台可编程机器人。
  • 1956年:人工智能诞生
  • 1956年夏天,美国达特茅斯学院举行了历史上第一次人工智能研讨会,被认为是人工智能诞生的标志。
  • 1966年~1972年:首台人工智能机器人Shakey诞生
  • 1966年~1972年期间,美国斯坦福国际研究所研制出机器人Shakey,这是首台采用人工智能的移动机器人。
  • 1966年:世界上第一个聊天机器人ELIZA发布
  • 1968年:计算机鼠标发明
  • 1968年12月9日,美国加州斯坦福研究所的道格·恩格勒巴特发明计算机鼠标,构想出了超文本链接概念,它在几十年后成了现代互联网的根基。

2 第一次AI冬天(1970年代末 - 1980年代初)

由于当时计算能力的严重不足,在20世纪70年代,人工智能迎来了第一个寒冬。早期的人工智能大多是通过固定指令来执行特定的问题,并不具备真正的学习和思考能力,问题一旦变复杂,人工智能程序就不堪重负,变得不智能了。由于此前的过于乐观使人们期待过高,当AI研究人员的承诺无法兑现时,公众开始激烈批评AI研究人员,许多机构不断减少对人工智能研究的资助,直至停止拨款。

2.1 过高的期望

  • 限制和挑战: 人工智能研究的早期热潮逐渐冷却,因为早期的AI程序在处理现实世界的复杂性时遇到了困难。

2.2 资金减少

  • 研究资助削减: 由于缺乏显著进展,政府和资助机构减少了对AI研究的支持。

2.3 主要成就

  • 贝尔曼公式(增强学习雏形)被提出
  • 感知器(深度学习雏形)被提出
  • 搜索式推理被提出
  • 自然语言被提出
  • 首次提出人工智能拥有模仿智能的特征,懂得使用语言,懂得形成抽象概念并解决人类现存问题
  • Arthur Samuel在50年代中期和60年代初开发的国际象棋程序,棋力已经可以挑战具有相当水平的业余爱好者
  • 机器人SHAKEY项目受到了大力宣传,它能够对自己的行为进行“推理”;人们将其视作世界上第一台通用机器人
  • 微世界的提出

3 规则和专家系统(1980年代)

80年代初,一类名为“专家系统”的AI程序开始为全世界的公司所采纳,人工智能研究迎来了新一轮高潮。在这期间,卡耐基梅隆大学为DEC公司设计的XCON专家系统能够每年为DEC公司节省数千万美金。日本经济产业省拨款八亿五千万美元支持第五代计算机项目。其目标是造出能够与人对话、翻译语言、解释图像、能够像人一样推理的机器。其他国家也纷纷作出了响应,并对AI和信息技术的大规模项目提供了巨额资助。也是从这时起,机器学习开始兴起,各种专家系统开始被人们广泛应用。

3.1 专家系统的兴起

  • 专家系统: 1980年代见证了专家系统的兴起,这些系统在特定领域模仿人类专家的决策过程。

3.2 商业应用

  • 商业利用: 专家系统开始在医学诊断、石油勘探等领域被商业化应用。

3.3 主要成就

  • 专家系统的诞生
  • AI研究人员发现智能可能需要建立在对分门别类的大量知识的多种处理方法之上
  • BP算法实现了神经网络训练的突破,神经网络研究学者重新受到关注
  • AI研究人员首次提出:机器为了获得真正的智能,机器必须具有躯体,它需要有感知、移动、生存,与这个世界交互的能力。感知运动技能对于常识推理等高层次技能是至关重要的,基于对事物的推理能力比抽象能力更为重要,这也促进了未来自然语言、机器视觉的发展。

4 第二次AI冬天(1980年代末 - 1990年代初)

不幸的是,随着专家系统的应用领域越来越广,问题也逐渐暴露出来。专家系统应用有限,经常在常识性问题上出错,而且更新迭代和维护成本非常高。1987年,苹果和IBM公司生产的台式机性超过了Symbolics等厂商生产的通用计算机。日本人设定的“第五代工程”最终也没能实现。人工智能研究再次遭遇了财政困难,一夜之间这个价值五亿美元的产业土崩瓦解。从此,人工智能的第二个寒冬降临了。

4.1 限制和批评

  • 专家系统的局限性: 专家系统虽在特定领域表现良好,但缺乏普遍适用性和灵活性。

4.2 资金和兴趣下降

  • 再次资助减少: 由于专家系统的局限性,投资者和研究资助者再次失去了兴趣。

5 机器学习和互联网时代(1990年代 - 2000年代)

5.1 机器学习

  • 算法和理论的进步: 1990年代,随着机器学习算法(如支持向量机)和神经网络的发展,AI开始出现新的进展。

5.2 互联网的影响

  • 数据可用性: 互联网的兴起为AI提供了海量的数据,推动了机器学习的应用。

5.3 主要成就

  • 1997年,“深蓝”战胜国际象棋世界冠军。IBM公司的国际象棋电脑深蓝DeepBlue战胜了国际象棋世界冠军卡斯帕罗夫。
  • 2006年,神经网络专家Hinton提出神经网络深度学习算法,使神经网络的能力大大提高,向支持向量机发出挑战,同时开启了深度学习在学术界和工业界的浪潮。
  • 2010年,Sebastian Thrun领导的谷歌无人驾驶汽车曝光,创下了超过16万千米无事故的纪录。

6 深度学习和现代AI(2010年代至今)

6.1 深度学习的突破

  • 关键技术: 2010年代初,深度学习,特别是卷积神经网络在图像识别领域取得了显著突破。

6.2 AI的普及

  • 广泛应用: AI开始在语音识别、自然语言处理、医学诊断等多个领域被广泛应用。

6.3 大数据和计算能力

  • 硬件进步: GPU的发展极大地加速了深度学习模型的训练。
  • 大数据: 大数据的可用性为训练更复杂的模型提供了可能。

6.4 主要成就

  • 2011年,Watson参加智力问答节目。IBM开发的人工智能程序“沃森”(Watson)参加了一档智力问答节目并战胜了两位人类冠军。
  • 2014年,百度发布Deep Speech语音识别系统。
  • 2016年,Google AlphaGo以比分4:1战胜围棋九段棋手李世石。
  • 2017年,AlphaGoZero(第四代AlphaGo)在无任何数据输入的情况下,开始自学围棋3天后便以100:0横扫了第二版本的AlphaGo,学习40天后又战胜了在人类高手看来不可企及的第三个版本的AlphaGo。
  • 2017年6月 Transformer模型 《Attention is all you need》 GPT发展的基础
  • 2018年6月 GPT模型(Generative Pre-Training) 《Improving Language Understanding by Generative Pre-Training》 通过生成式预训练提升语言理解能力
  • 2019年2月 GPT-2模型 《Language Models are Unsupervised Multitask Learners》 提出了一个无监督多任务学习者
  • 2020年5月 GPT-3模型 《Language Models are Few-Shot Learners》 少样本下的学习模型
  • 2022年2月底 Instruction GPT模型 《Training language models to follow instructions with human feedback》 使用反馈指令流来控制模型
  • 2022年11月30日 ChatGPT模型 ChatGPT发布

7 AIGC技术的诞生与应用

AIGC(人工智能生成内容)指的是使用人工智能技术来自动创建或生成内容的过程,这些内容可以包括文本、图像、音乐、视频等。AIGC的诞生和应用涵盖了多个领域,并随着人工智能技术的发展而不断扩展。

7.1 AIGC的诞生

AIGC的概念随着机器学习和深度学习的进步而发展。以下是一些关键的发展里程碑:

  • 深度学习的崛起(2010年代初): 随着深度学习技术的进步,尤其是在图像识别和自然语言处理领域的突破,AIGC开始成为可能。
  • 生成对抗网络(GAN)的发明(2014年): GAN的发明是AIGC发展的一个重要里程碑,尤其在图像和视频生成方面。
  • 大规模语言模型的发展(2018年以后): 如GPT系列、BERT等模型的出现极大地推动了文本生成技术的发展。

7.1 AIGC的应用领域

  • 新闻和内容创作: AIGC被用于自动生成新闻报道、文章和博客内容。
  • 艺术和创意产业: 在音乐、绘画、设计等领域,AIGC可以创作独特的艺术作品。
  • 娱乐和游戏: 用于生成游戏环境、角色和情节,提供更丰富的用户体验。
  • 教育和培训: 生成定制化的教育材料和培训内容。
  • 市场营销和广告: 自动生成个性化的营销文案和广告内容。
  • 视频和电影制作: 用于创作电影场景、特效以及预览视频。
  • 社交媒体: 自动生成或编辑社交媒体帖子和图像。
  • 个性化内容: 生成根据用户偏好和历史定制的内容。

7.3 AIGC的挑战

  • 质量控制: 确保生成内容的质量和准确性。
  • 伦理和法律问题: 如版权、知识产权和道德问题。
  • 偏见和歧视: 防止算法从训练数据中学习偏见。
  • 安全性和隐私: 确保生成内容的安全性和用户隐私保护。

8 人工智能的未来与挑战

人工智能(AI)的未来充满潜力,同时也面临着多重挑战。随着技术的不断发展,AI将在许多领域产生深远的影响,但这也伴随着技术、伦理、法律和社会方面的问题。人工智能的未来将是一个与人类社会紧密融合的时代,它将带来巨大的机遇和益处,同时也需要我们在伦理、法律、社会适应等方面投入大量工作。应对这些挑战需要全球范围内的合作、跨学科的研究和持续的政策创新。通过这些努力,我们可以确保AI技术的健康和可持续发展,为人类社会带来积极的改变。

8.1 人工智能的未来展望

  • 普及化和集成: AI将更广泛地集成到日常生活和工作中,从智能家居到智能城市,以及医疗、教育和交通等领域。
  • 增强人类能力: AI有望在加强人类决策、提高生产效率和创造性等方面发挥重要作用。
  • 自主系统和机器人: 预计将出现更先进的自主系统和机器人,它们将能够执行复杂的任务,甚至超越人类的能力。
  • 个性化服务: AI将提供更加个性化的服务,如定制化的健康计划、教育内容和消费体验。
  • 跨学科发展: AI技术将与其他领域如生物科技、纳米科技和材料科学相结合,推动新技术的诞生。

8.2 面临的挑战

  • 道德和伦理问题: AI的决策过程和行为准则需要符合伦理和道德标准,包括数据隐私、偏见和歧视问题。
  • 安全性和隐私保护: 如何保护用户数据和防止AI系统被恶意利用是一个重要挑战。
  • 监管和合规: 需要制定和更新相关法律法规,以应对AI技术的发展和应用。
  • 就业和社会影响: AI可能会改变工作市场,某些职业可能会被自动化替代,需要社会适应和缓冲措施。
  • 技术局限性: 尽管AI技术发展迅速,但在处理复杂情境和理解人类情感方面仍有局限。
  • 可解释性和透明度: 提高AI决策过程的透明度和可解释性,增强用户的信任感。

9 人工智能里程碑总结

  • 1997年,“深蓝”战胜国际象棋世界冠军。IBM公司的国际象棋电脑深蓝DeepBlue战胜了国际象棋世界冠军卡斯帕罗夫。
  • 2006年,神经网络专家Hinton提出神经网络深度学习算法,使神经网络的能力大大提高,向支持向量机发出挑战,同时开启了深度学习在学术界和工业界的浪潮。
  • 2010年,Sebastian Thrun领导的谷歌无人驾驶汽车曝光,创下了超过16万千米无事故的纪录。
  • 2011年,Watson参加智力问答节目。IBM开发的人工智能程序“沃森”(Watson)参加了一档智力问答节目并战胜了两位人类冠军。
  • 2014年,百度发布Deep Speech语音识别系统。
  • 2016年,Google AlphaGo以比分4:1战胜围棋九段棋手李世石。
  • 2017年,AlphaGoZero(第四代AlphaGo)在无任何数据输入的情况下,开始自学围棋3天后便以100:0横扫了第二版本的AlphaGo,学习40天后又战胜了在人类高手看来不可企及的第三个版本的AlphaGo。
  • 2017年6月 Transformer模型 《Attention is all you need》 GPT发展的基础
  • 2018年6月 GPT模型(Generative Pre-Training) 《Improving Language Understanding by Generative Pre-Training》 通过生成式预训练提升语言理解能力
  • 2019年2月 GPT-2模型 《Language Models are Unsupervised Multitask Learners》 提出了一个无监督多任务学习者
  • 2020年5月 GPT-3模型 《Language Models are Few-Shot Learners》 少样本下的学习模型
  • 2022年2月底 Instruction GPT模型 《Training language models to follow instructions with human feedback》 使用反馈指令流来控制模型
  • 2022年11月30日 ChatGPT模型 ChatGPT发布

本文转载自: https://blog.csdn.net/lsb2002/article/details/134772829
版权归原作者 智慧医疗探索者 所有, 如有侵权,请联系我们删除。

“人工智能发展史”的评论:

还没有评论