人工智能的歷史其實正好與計算機的歷史差不多一樣長，但兩者的發(fā)展進度卻大相徑庭。一個很像一帆風順的富二代，一個則起起落落很像白手起家的創(chuàng)業(yè)者。

我們都知道現代計算機（包含我們常見的電腦、手機等）其實開始于圖靈這個人。圖靈在數學上證明了如果處理盒（相當于處理器）選擇了一套正確的規(guī)則，并給予無限長的紙帶（相當于內存和硬盤），那么這種裝置可以進行任何宇宙里可以定義的操作，此后才由馮·諾依曼確定了計算機的基本體系結構，最終才是最近30年計算機的蓬勃發(fā)展。

圖靈機

不管看到的電子產品多么神奇，其實原理都來自上面這么個簡單的東西。

這就和很多科技發(fā)展所遵循的規(guī)律一樣，一個偉大的人物先在理論上達成一個自洽的、讓人仰望的高度，后人則在這個大框架下不斷細化和應用。牛頓的定律是這樣，愛因斯坦的相對論是這樣，計算機也是這樣，但很不幸人工智能則不是這樣，科學家始終還處在摸索中，只不過摸到的東西確實越來越多了。

人工智能也誕生于圖靈那個年代，甚至也就是圖靈這個人提出了今天引起了極大關注的那些方向，比如圖靈測試、機器學習、遺傳算法和強化學習等。但此后人工智能的發(fā)展則是三起兩落，既有萬眾矚目，人們信心爆棚，資金大量注入的時候，也有被打入冷宮、無人問津的時候。這與計算機乃至互聯(lián)網的發(fā)展完全不一樣，這兩個東西在摩爾定律的助推下，很像是安了天使翅膀的人類，幾乎是一路向前狂奔，到現在也還沒怎么減速。這里面也許最根本的差別就是人工智能本身并沒有一種理論基礎，所以懷疑它不行或者相信它肯定能行都很像一種信念。信念在受到事實威脅時實在不足以支撐這樣一個極其費錢的大科目，這就導致了人工智能的發(fā)展起起落落，一波三折。

人工智能的起點要追溯到大概60年前。1956年，當時這個領域非常有影響力的約翰·麥肯錫說服了明斯基、香農等人，幫助他把全美所有自動機理論、神經網絡和智能研究的人召集到了一起，這年夏天，他們在達特茅斯組織了一場研討會，從這場會議的聲明中可以看出那時候的科學家對人工智能持何種樂觀態(tài)度：

那時候的頂級科學家其實希望迅速地做完圖靈對計算機所做的事情，但很不幸，事情的進展和他們想的完全不一樣，并且可以確定到2016年夏天，也就是60年后，這事也還沒搞定。但這次會議的特別價值在于它形成了一種共識——讓人工智能成為一個獨立的學科，因此這個會議通常被看成是人工智能這一學科真正誕生的標志。

人工智能是在人們信心大爆棚時誕生的，盡管科學家非常樂觀，也聲稱自己的程序能夠證明《數學原理》第2章中的大部分定理，但大多數人并不能從這一樂觀態(tài)度中看到什么明顯的進步。當時美國政府對此非常熱心，在這個領域投了很多錢，與之相反英國政府卻采取了一種完全不同的做法，他們請了一位著名的數學家——詹姆斯·萊特希爾（Sir James Lighthill）教授，對人工智能做一個徹底的評估。這位教授在看了所有重要的相關論文后，寫出了一份報告，后來世人稱之為《萊特希爾報告》。這份報告說人工智能絕不可能有什么用途，因為它只能被用來解決簡單的問題。英國政府以后沒有在人工智能上進行大量的投資，此后人工智能逐漸變得少有人問津。事實上第一波人工智能浪潮止步于以下三種困難：

第一種困難是早期的人工智能程序對句子的真實含義完全不理解，它們主要依賴于句法處理獲得成功。這樣一來，它們“the spirit is willing but the flesh is weak”（英文：心有余而力不足）到“the vodka is good but the meat is rotten（俄語：伏特加酒是好的，而肉是爛的）的英譯俄再俄譯英就不可能做對。其實直到現在問題仍然存在，只不過大量的數據彌補了不理解真實含義的缺陷。形象地講，現在計算機并不去理解這個句子，而是看哪種翻譯被用得多。

第二種困難則是《萊特希爾報告》里重點強調的組合爆炸。這導致讓程序每次產生一個小變化，最終產生出可以解決問題的程序這種思路被堵死了。這就好比用試錯法尋找正確的路，但每條路上都有無數的岔路甚至岔路間還彼此勾連，因此可走的路近乎無限多，那么試錯法毫無價值。

第三種困難則是那時候發(fā)現雖然人工智能具有的神經網絡簡單形式可以學會它們能表示的任何東西，但它其實只能表示很少的東西，應用范圍十分有限。正因為這些困難得不到有效的解決，在20世紀70年代人工智能漸漸冷卻，直到專家系統(tǒng)的興起和神經網絡讓人們看到了新的希望。到了80年代確實有些專家系統(tǒng)被成功部署，并為公司節(jié)約了數以千萬美元計的費用，比如第一個成功的商用專家系統(tǒng)R1在DEC成功運轉，此后DEC陸續(xù)部署了40個專家系統(tǒng)。也正是在這時候日本宣布了第五代計算機計劃，希望用10年時間研制出智能計算機。作為回應，美國也組建了一家公司來保證國家競爭力。

也是在這個時候，神經網絡上取得了新的進展，一個典型的事件是1989年，燕樂存（Yann LeCun）在AT＆T Bell實驗室驗證了一個反向傳播在現實世界中的杰出應用，即“反向傳播應用于手寫郵編識別”系統(tǒng)，簡單點說就是這個系統(tǒng)能很精準地識別各種手寫的數字，很有意思的是當年的演示視頻被保留了下來，所以我們今天仍然可以清楚地回放當年的效果。但很不幸的，展開這類算法所需要的計算能力和數據那時候并不具備，所以在實際應用中也逐漸敗下陣來。這個方向狼狽到這樣一種程度：現在的深度學習領軍人物以及他們學生的論文被拒成了家常便飯，根本原因就是論文主題是神經網絡。另一件小事也可以從側面說明當時神經網絡不被待見的程度：為了讓神經網絡復興并被大家接受，現在鼎鼎大名的杰弗里·欣頓（Geoffrey Hinton）和它的小組密謀用“深度學習”來重新命名讓人聞之色變的神經網絡領域。很多人很難想到今天鼎鼎大名的深度學習其實是這么來的。

于是人工智能再次陷入低潮，這種低潮從其他方面解釋其實是無意義的，主要還是技術本身的實現程度支撐不起足夠多的應用。當一種技術并沒有在商業(yè)中深度滲透進去，自身又需要較多的研究資源，也沒有堅實的理論基礎讓人看到高額投入肯定會產生效果時，那么它遇冷的可能性就變得極大。

人工智能被低估持續(xù)了十幾年，直到最近互聯(lián)網和云計算的興起。如果要從2010年時任斯坦福大學教授的吳恩達加入谷歌開發(fā)團隊XLab開始計算，那這次的熱潮興起也不過只有五六年。互聯(lián)網和云計算之所以讓深度學習得以復興，其關鍵點有兩個：一是互聯(lián)網提供了海量的數據；二是云計算提供了遠超以往的計算能力。這兩點很像燃料與引擎，它們疊加到一起就可以讓車跑得飛快。

總結起來，我們可以講到現在為止人工智能歷經三起兩落，和前兩次不一樣的是，這次我們有理由相信人工智能會發(fā)展起來而不是再落下去，關鍵原因不在于科學家如何有信心，而在于這種技術已經非常普遍地得到了應用，其應用范圍要遠大于前兩次，不管是在聲音、圖像還是在數據分析上。