一、机器会思考吗？
20世纪上半叶，科幻小说让世界熟悉了人工智能机器人的概念。它从《绿野仙踪》中的“无情”铁皮人开始，然后是在大都会模仿玛丽亚的人形机器人。到 1950 年代，我们有一代科学家、数学家和哲学家，他们的头脑中已经融入了人工智能（或 AI）的文化概念。其中一个人是艾伦图灵，一位年轻的英国博学者，他探索了人工智能的数学可能性。图灵建议人类使用可用信息和推理来解决问题和做出决定，那么为什么机器不能做同样的事情呢？这是他 1950 年发表的论文《计算机与智能》的逻辑框架，他在其中讨论了如何构建智能机器以及如何测试它们的智能。
二、让追求成为可能
不幸的是，谈话是廉价的。是什么阻止了图灵当时和那里的工作？首先，计算机需要从根本上改变。 1949 年之前，计算机缺乏智能的关键先决条件：它们不能存储命令，只能执行命令。换句话说，计算机可以被告知该做什么，但无法记住它们做了什么。其次，计算非常昂贵。在 1950 年代初期，租用计算机的费用高达每月 200,000 美元。只有名牌大学和大型科技公司才能负担得起在这些未知领域的磨练。需要概念证明以及知名人士的倡导才能说服资金来源，机器智能值得追求。
三、开始这一切的会议
五年后，概念证明由 Allen Newell、Cliff Shaw 和 Herbert Simon 的逻辑理论家初始化。 The Logic Theorist 是一个旨在模仿人类解决问题能力的程序，由研究与开发 (RAND) 公司资助。许多人认为它是第一个人工智能项目，并在 1956 年由约翰·麦卡锡和马文·明斯基主持的达特茅斯人工智能夏季研究项目 (DSRPAI) 中提出。来自各个领域的顶尖研究人员一起就人工智能进行开放式讨论，这个词正是他在活动中创造的。遗憾的是，会议没有达到麦卡锡的预期。人们随心所欲地来来去去，并且未能就该领域的标准方法达成一致。尽管如此，每个人都全心全意地认同人工智能是可以实现的。这一事件的重要性不可低估，因为它催化了未来 20 年的人工智能研究。
四、成功与挫折的过山车
从 1957 年到 1974 年，人工智能蓬勃发展。计算机可以存储更多信息，并且变得更快、更便宜、更易于访问。机器学习算法也得到了改进，人们更善于知道将哪种算法应用于他们的问题。早期的演示，例如 Newell 和 Simon 的 General Problem Solver 以及 Joseph Weizenbaum 的 ELIZA，分别显示出对解决问题和语言解释诸如此类的目标的期许。这些成功以及领先研究人员（即 DSRPAI 的参与者）的倡导说服了国防高级研究计划局 (DARPA) 等政府机构为多个机构的 AI 研究提供资金。政府对能够转录和翻译口语以及高吞吐量数据处理的机器特别感兴趣。乐观情绪高涨，期望更高。 1970 年，马文·明斯基 (Marvin Minsky) 告诉《生活》杂志，“从三到八年，我们将拥有一台具有普通人一般智能的机器。”然而，虽然有了基本的原理证明，但要实现自然语言处理、抽象思维和自我识别的最终目标，还有很长的路要走。
打破人工智能最初的迷雾揭示了一大堆障碍。最大的问题是缺乏做任何实质性事情的计算能力：计算机根本无法存储足够的信息或处理得足够快。例如，为了交流，人们需要知道许多单词的含义并理解它们的多种组合。当时麦卡锡的博士生汉斯·莫拉维克 (Hans Moravec) 表示，“计算机仍然太弱了数百万倍，无法表现出智能。”随着耐心的减少，资金也随之减少，十年间的研究进展缓慢。
在 1980 年代，人工智能被两个来源重新点燃：算法工具包的扩展和资金的增加。 John Hopfield 和 David Rumelhart 普及了“深度学习”技术，该技术允许计算机使用经验进行学习。另一方面，Edward Feigenbaum 介绍了模仿人类专家决策过程的专家系统。该计划会询问某个领域的专家如何在特定情况下做出反应，一旦了解了几乎所有情况的这一点，非专家就可以从该计划中获得建议。专家系统被广泛应用于工业领域。作为其第五代计算机项目 (FGCP) 的一部分，日本政府为专家系统和其他与人工智能相关的工作提供了大量资金。从 1982 年到 1990 年，他们投资了 4 亿美元，目标是彻底改变计算机处理、实施逻辑编程和改进人工智能。不幸的是，大多数雄心勃勃的目标都没有实现。然而，可以说 FGCP 的间接影响激发了有才华的年轻一代工程师和科学家。无论如何，FGCP 的资金停止了，人工智能也不再受到关注。
具有讽刺意味的是，在缺乏政府资助和公众宣传的情况下，人工智能蓬勃发展。在 1990 年代和 2000 年代，人工智能的许多具有里程碑意义的目标已经实现。 1997 年，卫冕世界国际象棋冠军和大师加里·卡斯帕罗夫 (Gary Kasparov) 被 IBM 的深蓝 (一种下棋计算机程序) 击败。这场广为人知的比赛是世界象棋卫冕冠军第一次输给了计算机，也是朝着人工智能决策程序迈出的一大步。同年，由 Dragon Systems 开发的语音识别软件在 Windows 上实现。这是向前迈出的又一大步，但朝着口语口译努力的方向迈进。似乎没有机器处理不了的问题。甚至人类的情感也是公平的游戏，正如由 Cynthia Breazeal 开发的能够识别和展示情感的机器人 Kismet 所证明的那样。
五、时间治愈所有伤口
我们在如何编写人工智能方面还没有变得更聪明，那么发生了什么变化呢？事实证明，30 年前阻碍我们的计算机存储的基本限制不再是问题。摩尔定律估计计算机的内存和速度每年都会翻一番，终于赶上了，在很多情况下，已经超过了我们的需求。这正是深蓝在 1997 年击败加里·卡斯帕罗夫，以及几个月前谷歌的阿尔法围棋如何击败中国围棋冠军柯洁的原因。它为人工智能研究的过山车提供了一些解释；我们将 AI 的能力饱和到我们当前的计算能力（计算机存储和处理速度）的水平，然后等待摩尔定律再次赶上。
六、人工智能无处不在
我们现在生活在“大数据”时代，在这个时代，我们有能力收集大量繁琐而无法处理的信息。人工智能在这方面的应用已经在科技、银行、营销、娱乐等多个行业取得了丰硕成果。我们已经看到，即使算法没有太大改进，大数据和海量计算也只是让人工智能通过蛮力学习。可能有证据表明摩尔定律正在放缓一点，但数据的增长肯定没有失去任何动力。计算机科学、数学或神经科学的突破都是突破摩尔定律天花板的潜在突破。
七、未来
那么，未来会发生什么？在不久的将来，人工智能语言看起来像是下一件大事。事实上，它已经在进行中。我不记得上次打电话给公司并直接与人交谈是什么时候。这些天，机器甚至在呼唤我！人们可以想象在流畅的对话中与专家系统进行交互，或者实时翻译两种不同语言的对话。我们也可以期待在未来二十年内看到无人驾驶汽车上路（这是保守的）。从长远来看，目标是通用智能，即在所有任务中超越人类认知能力的机器。这与我们习惯在电影中看到的有感知力的机器人相似。在我看来，这在未来 50 年内实现是不可思议的。即使有能力，道德问题也会成为实现成果的强大障碍。当那个时候到来时（但最好在时机到来之前），我们将需要就机器政策和道德（具有讽刺意味的都是人类主题）进行认真的对话，但就目前而言，我们将允许人工智能稳步改进和横行社会上。 Rockwell Anyoha 是分子生物学系的研究生，拥有物理学和遗传学背景。他目前的项目使用机器学习来模拟动物行为。
