>>所属分类 >> 机器人理论   

人工智能的历史

机器人产品查询系统
与主题相关产品查询和购买: 机器人理论 人工智能的历史

标签: 人工智能的历史

维基百科,自由的百科全书
跳转到: 导航, 搜查

人工智能的历史积厚流光。在古代的神话传说中,技能高超的工匠可能制造人造人,并为其赋予智能或意识。古代意思上的AI始于古典哲学家用机械符号处理的观点阐明人类思考过程的尝试。20世纪40年代基于形象数学推理的可编程数字打算机的发明使一批科学家开端严肃地探讨构造一个电子大脑的可能性。

1956年,在达特茅斯学院举办的一次会议上正式确破了人工智能的研究范畴。会议的参加者在接下来的数十年间是AI研究的领军人物。他们中有很多人预言,经过一代人的尽力,与人类存在等同智能程度的机器将会呈现。同时,上千万美元被投入到AI研究中,以期实现这一目标。

终极研究人员发明本人大大低估了这一工程的难度。因为James Lighthill爵士的批驳跟国会方面的压力,美国跟英国政府于1973年结束向不明白目标的人工智能研究名目拨款。七年之后受到日本政府研究打算的刺激,美国政府跟企业再次在AI范畴投入数十亿研究经费,但这些投资者在80年代末从新撤回了投资。AI研究范畴诸如此类的高潮跟低谷始终交替呈现;至今仍有人对AI的前景作出异样乐观的猜测。

只管在政府官僚跟风投资本家那里经历了大起大落,AI范畴仍在获得进展。某些在20世纪70年代被认为不可能解决的问题今天已经获得了美满解决并已成功利用在贸易产品上。与第一代AI研究人员的乐观估计不同,与人类存在等同智能程度的机器至今仍未呈现。图灵在1950年发表的一篇催生古代智能机器研究的有名论文中称,“咱们只能看到面前的一小段间隔……然而,咱们可能看到仍有很多工作要做”。


目录

  • 1 前驱
    • 1.1 神话,幻想跟预言中的AI
    • 1.2 主动机器人
    • 1.3 情势推理
    • 1.4 打算机科学
  • 2 人工智能的出生:1943 - 1956
    • 2.1 把持论与早期神经网络
    • 2.2 游戏AI
    • 2.3 图灵测试
    • 2.4 符号推理与“逻辑实际家”程序
    • 2.5 1956年达特茅斯会议:AI的出生
  • 3 黄金年代:1956 - 1974
    • 3.1 研究工作
      • 3.1.1 搜查式推理
      • 3.1.2 天然语言
      • 3.1.3 微世界
    • 3.2 乐观思潮
    • 3.3 经费
  • 4 第一次AI低谷:1974 - 1980
    • 4.1 问题
    • 4.2 结束拨款
    • 4.3 来自卑学的批驳
    • 4.4 感知器与联结主义受到冷僻
    • 4.5 “简约派(the neats)”:逻辑,Prolog语言跟专家体系
    • 4.6 “混乱派(the scruffies)”:框架跟脚本
  • 5 繁华:1980 - 1987
    • 5.1 专家体系获得赏识
    • 5.2 常识革命
    • 5.3 重获拨款:第五代工程
    • 5.4 联结主义的重生
  • 6 第二次AI低谷:1987 - 1993
    • 6.1 AI之冬
    • 6.2 軀體的重要性:Nouvelle AI與嵌入式推理
  • 7 AI:1993 - 当初
    • 7.1 里程碑跟摩尔定律
    • 7.2 智能代办
    • 7.3 “简约派”的成功
    • 7.4 幕后的AI
    • 7.5 HAL 9000在哪里?

[编辑] 前驱

McCorduck写道:“某种情势上的人工智能是一个遍布于西方常识分子历史的观点,是一个急需被实现的幻想,”先民对人工智能的寻求表示在诸多神话,传说,故事,预言以及制造机器人的实际之中。

[编辑] 神话,幻想跟预言中的AI

希腊神话中已经呈现了机械人跟人造人。中世纪呈现了利用巫术或炼金术将意识赋予无生命物质的传说。19世纪的幻想小说中呈现了人造人跟会思考的机器之类题材,例如玛丽·雪莱的《弗兰肯斯坦》。Samuel Butler的《机器中的达尔文(Darwin among the Machines)》一文(1863)探讨了机器通过天然抉择进化出智能的可能性。至今人工智能仍然是科幻小说的重要元素。

[编辑] 主动机器人

很多文化中都有发明人形机器人的出色工匠,例如偃师(中国西周),亚历山大的希罗(希腊)等等。已知最古老的“机器人”是古代埃及跟希腊的圣像,忠诚的信徒认为工匠为这些神像赋予了思维,使它们存在智慧跟豪情。

[编辑] 情势推理

人工智能的基本假设是人类的思考过程可能机械化。对机械化推理(即所谓“情势推理(formal reasoning)”)的研究已有很长历史。中国,印度跟希腊哲学家均已在公元前的第一个千年里提出了情势推理的构造化方法。他们的主意为后代的哲学家所持续跟发展,其中有名的有亚里士多德(对三段论逻辑进行了情势分析),欧多少里得(其著述《多少何底本》是情势推理的典范),al-Khwārizmī(代数学的前驱,“algorithm”一词由他的名字演变而来)以及一些欧洲经院哲学家。

马略卡哲学家Ramon Llull(1232-1315)开发了一些逻辑机,试图通过逻辑方法获取常识。Llull的机器可能将基本的,无可否定的真谛通过机械手段用简单的逻辑操作进行组合,以求生成所有可能的常识。Llull的工作对莱布尼兹产生了很大影响,后者进一步发展了他的思维。

在17世纪中,莱布尼兹,Thomas Hobbes跟René Descartes尝试将感性的思考体系化为代数学或多少何学那样的体系。Hobbes在其著述《利维坦》中有一句名言:“推理就是打算(reason is nothing but reckoning)。” 莱布尼兹假想了一种用于推理的普适语言(他的通用表意文字),能将推理规约为打算,从而使“哲学家之间,就像会计师之间一样,不再须要辩论。他们只有拿出铅笔放在石板上,而后向对方说(假如想要的话,可能请一位友人作为证人),咱们开端算吧。” 这些哲学家已经开端明白提出情势符号体系的假设,而这一假设将成为AI研究的领导思维。

在20世纪,数理逻辑研究上的冲破使得人工智能仿佛跃然纸上。这方面的基本著述包含Boole的《思维的定律》与Frege的《概念文字》。基于Frege的体系,罗素跟怀特海在他们于1913年出版的巨著《数学原理》中对数学的基本给出了情势化描述。这一成绩鼓励了希尔伯特,后者向20世纪20年代跟30年代的数学家提出了一个基本性的困难:“是否将所有的数学推理情势化?” 这个问题的终极答复由哥德尔不齐备定理,图灵机跟Alonzo Church的Lambda演算给出。他们的答案令人震惊:首先,他们证明了数理逻辑的局限性;其次(这一点对AI更重要),他们的工作隐含了任何情势的数学推理都能在这些限度之下机械化的可能性。邱奇-图灵论题暗示,一台仅能处理0跟1这样简单二元符号的机械设备可能模仿任意数学推理过程。这里最关键的灵感是图灵机:这一看似简单的实际构造抓住了形象符号处理的本质。这一发明激发科学家们探讨让机器思考的可能。

[编辑] 打算机科学

用于打算的机器古已有之;历史上很多数学家对其作出了改进。19世纪初,查尔斯·巴贝奇设计了一台可编程打算机(“分析机”),但未能建造出来。Ada Lovelace预言,这台机器“将创作出无穷复杂,无穷广阔的精妙的科学乐章”。 (她常被认为是第一个程序员,因为她留下的一些笔记完全地描述了利用这一机器打算伯努利数的方法。)

第一批古代打算机是二战期间建造的大型译码机(包含Z3,ENIAC跟Colossus等)。这些机器的实际基本是图灵跟约翰·冯·诺伊曼提出跟发展的学说。

[编辑] 人工智能的出生:1943 - 1956

在20世纪40年代跟50年代,来自不同范畴(数学,心理学,工程学,经济学跟政治学)的一批科学家开端探讨制造人工大脑的可能性。1956年,人工智能被确破为一门学科。

[编辑] 把持论与早期神经网络

最初的人工智能研究是30年代末到50年代初的一系列科学进展交汇的产物。神经学研究发明大脑是由神经元组成的电子网络,其鼓励电平只存在“有”跟“无”两种状况,不存在旁边状况。维纳的把持论描述了电子网络的把持跟牢固性。Claude Shannon提出的信息论则描述了数字信号(即高低电平代表的二进制信号)。图灵的打算实际证明数字信号足以描述任何情势的打算。这些密切相干的主意暗示了构建电子大脑的可能性。

这一阶段的工作包含一些机器人的研发,例如W。Grey Walter的“乌龟(turtles)”,还有“约翰霍普金斯兽”(Johns Hopkins Beast)。这些机器并未利用打算机,数字电路跟符号推理;把持它们的是纯粹的模仿电路。

Walter Pitts跟Warren McCulloch分析了幻想化的人工神经元网络,并且指出了它们进行简单逻辑运算的机制。他们是最早描述所谓“神经网络”的学者。Marvin Minsky是他们的学生,当时是一名24岁的研究生。1951年他与Dean Edmonds一道建造了第一台神经网络机,称为SNARC。在接下来的五十年中,Minsky是AI范畴最重要的领导者跟翻新者之一。

[编辑] 游戏AI

1951年,Christopher Strachey利用Manchester大学的Ferranti Mark 1机器写出了一个西洋棋(checkers)程序;Dietrich Prinz则写出了一个国际象棋程序。Arthur Samuel在五十年代中期跟六十年代初开发的西洋棋程序的棋力已经可能挑衅存在相称程度的业余爱好者。游戏AI始终被认为是评估AI进展的一种标准。

[编辑] 图灵测试

1950年,图灵发表了一篇划时代的论文,文中预言了发明出存在真正智能的机器的可能性。因为留神到“智能”这一律念难以确切定义,他提出了有名的图灵测试:假如一台机器可能与人类开展对话(通过电传设备)而不能被辨别出其机器身份,那么称这台机器存在智能。这一简化使得图灵可能令人佩服地阐明“思考的机器”是可能的。论文中还答复了对这一假说的各种常见质疑。图灵测试是人工智能哲学方面第一个严肃的提案。

[编辑] 符号推理与“逻辑实际家”程序

50年代中期,跟着数字打算机的崛起,一些科学家直觉地感到可能进行数字操作的机器也应当可能进行符号操作,而符号操作可能是人类思维的本质。这是发理智能机器的一条新路。

1955年,Allen Newell跟(后来荣获Nobel奖的)Herbert Simon在J. C. Shaw的帮助下开发了“逻辑实际家(Logic Theorist)”。这个程序可能证明《数学原理》中前52个定理中的38个,其中某些证明比原著更加新鲜跟精巧。Simon认为他们已经“解决了神秘的心/身问题,阐明了物质构成的体系如何获得心灵的性质。” (这一断言的哲学破场后来被John Searle称为“能人工智能”,即机器可能像人一样存在思维。)

[编辑] 1956年达特茅斯会议:AI的出生

1956年达特茅斯会议的组织者是Marvin Minsky,John McCarthy跟另两位资深科学家Claude Shannon以及Nathan Rochester,后者来自IBM。会议提出的断言之一是“学习或者智能的任何其余特点的每一个方面都应能被正确地加以描述,使得机器可能对其进行模仿。” 与会者包含Ray Solomonoff,Oliver Selfridge,Trenchard More,Arthur Samuel,Allen Newell跟Herbert Simon,他们中的每一位都将在AI研究的第一个十年中作出重要奉献。会上Newell跟Simon探讨了“逻辑实际家”,而McCarthy则说服与会者接收“人工智能”一词作为本范畴的名称。1956年Dartmouth会议上AI的名称跟任务得以断定,同时呈现了最初的成绩跟最早的一批研究者,因此这一事件被广泛否定为AI出生的标记。

[编辑] 黄金年代:1956 - 1974

达特茅斯会议之后的数年是大发明的时代。对很多人而言,这一阶段开发出的程序堪称神奇:打算机可能解决代数利用题,证明多少何定理,学习跟利用英语。当时大多数人多少乎无奈信赖机器可能如此“智能”。研究者们在暗里的交换跟公开发表的论文中表白出相称乐观的情感,认为存在完全智能的机器将在二十年内呈现。ARPA(Advanced Research Projects Agency,高等研究打算局)等政府机构向这一新兴范畴投入了大笔资金。

[编辑] 研究工作

从50年代后期到60年代出现了大量成功的AI程序跟新的研究方向。下面列举其中最具影响的多少个。

[编辑] 搜查式推理

很多AI程序利用雷同的基本算法。为实现一个目标(例如博得游戏或证明定理),它们一步步地前进,就像在迷宫中寻找前程个别;假如碰到了逝世胡同则进行回溯。这就是“搜查式推理”。

这一思维碰到的重要艰苦是,在很多问题中,“迷宫”里可能的线路总数是一个地理数字(所谓“指数爆炸”)。研究者利用启发式算法去掉那些不太可能导出正确答案的支路,从而缩小搜查范畴。

Newell跟Simon试图通过其“通用解题器(General Problem Solver)”程序,将这一算法推广到个别情况。另一些基于搜查算法证明多少何与代数问题的程序也给人们留下了深刻印象,例如Herbert Gelernter的多少何定理证明机(1958)跟Minsky的学生James Slagle开发的SAINT(1961)。还有一些程序通过搜查目标跟子目标作出决定,如Stanford为把持机器人Shakey而开发的STRIPS体系。

[编辑] 天然语言

AI研究的一个重要目标是使打算性可能通过天然语言(例如英语)进行交换。早期的一个成功典范是Daniel Bobrow的程序STUDENT,它可能解决高中程度的代数利用题。

假如用节点表示语义概念(例如“房子”,“门”),用节点间的连线表示语义关联(例如“有 -- 一个”),就可能构造出“语义网(semantic net)”。第一个利用语义网的AI程序由Ross Quillian开发;而最为成功(也是最有争议)的一个则是Roger Schank的“概念关联(Conceptual Dependency)”。

Joseph Weizenbaum的ELIZA是第一个聊天机器人,可能也是最有趣的会说英语的程序。与ELIZA“聊天”的用户有时会误认为本人是在跟人类,而不是跟一个程序,交谈。然而实际上ELIZA基本不晓得本人在说什么。它只是按固定套路作答,或者用合乎语法的方法将问题复述一遍。

[编辑] 微世界

60年代后期,MIT AI实验室的Marvin Minsky跟Seymour Papert倡议AI研究者们专一于被称为“微世界”的简单场景。他们指出在成熟的学科中往往利用简化模型帮助基本准则的懂得,例如物理学中的光滑平面跟完美刚体。很多这类研究的场景是“积木世界”,其中包含一个平面,上面摆放着一些不同外形,尺寸跟色彩的积木。

在这一领导思维下,Gerald Sussman(研究组长),Adolfo Guzman,David Waltz(“束缚传播(constraint propagation)”的提出者),特别是Patrick Winston等人在机器视觉范畴作出了发明性奉献。同时,Minsky跟Papert制造了一个会搭积木的机器臂,从而将“积木世界”变为事实。微世界程序的最高成绩是Terry Winograd的SHRDLU,它能用个别的英语句子与人交换,还能作出决定并履行操作。

[编辑] 乐观思潮

第一代AI研究者们曾作出了如下预言:

  • 1958年,H. A. Simon,Allen Newell:“十年之内,数字打算机将成为国际象棋世界冠军。” “十年之内,数字打算机将发明并证明一个重要的数学定理。”
  • 1965年,H. A. Simon:“二十年内,机器将能实现人能做到的所有工作。”
  • 1967年,Marvin Minsky:“一代之内……发明‘人工智能’的问题将获得本质上的解决。”
  • 1970年,Marvin Minsky:“在三到八年的时光里咱们将得到一台存在人类均匀智能的机器。”

[编辑] 经费

1963年6月,MIT从新树破的ARPA(即后来的DARPA,国防高等研究打算局)获得了二百二十万美元经费,用于赞助MAC工程,其中包含Minsky跟McCarthy五年前树破的AI研究组。此后ARPA每年供给三百万美元,直到七十年代为止。ARPA还对Newell跟Simon在CMU的工作组以及Stanford AI名目(由John McCarthy于1963年创建)进行类似的赞助。另一个重要的AI实验室于1965年由Donald Michie在Edinbugh大学树破。在接下来的很多年间,这四个研究机构始终是AI学术界的研究(跟经费)核心。

经费多少乎是无前提地供给的:时任ARPA主任的J. C. R. Licklider信赖他的组织应当“赞助人,而不是名目”,并且容许研究者去做任何感兴趣的方向。这导致了MIT无约无束的研究氛围及其hacker文化的构成。然而好景不长。


[编辑] 第一次AI低谷:1974 - 1980

到了70年代,AI开端遭受批驳,随之而来的还有资金上的艰苦。AI研究者们对其课题的难度未能作出正确断定:此前的过于乐观使人们冀望过高,当承诺无奈兑现时,对AI的赞助就缩减或撤消了。同时,因为Marvin Minsky对感知器的激烈批驳,联结主义(即神经网络)匿影藏形了十年。70年代后期,只管遭受了大众的曲解,AI在逻辑编程,常识推理等一些范畴还是有所进展。

[编辑] 问题

70年代初,AI遭受了瓶颈。即便是最出色的AI程序也只能解决它们尝试解决的问题中最简单的一部分,也就是说所有的AI程序都只是“玩具”。AI研究者们遭受了无奈克服的基本性妨碍。只管某些局限后来被成功冲破,但很多至今仍无奈满意地解决。

  • 打算机的运算才能。当时的打算机有限的内存跟处理速度不足以解决任何实际的AI问题。例如,Ross Quillian在天然语言方面的研究成果只能用一个含二十个单词的词汇表进行演示,因为内存只能包容这么多。1976年Hans Moravec指出,打算机离智能的请求还差上百万倍。他做了个类比:人工智能须要富强的打算才能,就像飞机须要大功率能源一样,低于一个门限时是无奈实现的;然而跟着才能的晋升,问题逐步会变得简单。
  • 打算复杂性跟指数爆炸。1972年Richard Karp根据Stephen Cook于1971年提出的定理证明,很多问题只可能在指数时光内获解(即,打算时光与输入范围的幂成正比)。除了那些最简单的情况,这些问题的解决须要近乎无穷长的时光。这就象征着AI中的很多玩具程序恐怕永远也不会发展为实用的体系。
  • 常识与推理。很多重要的AI利用,例如视觉跟天然语言,都须要大量对世界的意识信息。程序应当晓得它在看什么,或者在说些什么。这请求程序对这个世界存在儿童程度的意识。研究者们很快发明这个请求太高了:1970年没人可能做出如此宏大的数据库,也没人晓得一个程序怎么才干学到如此丰富的信息。
  • Moravec悖论。证明定理跟解决多少何问题对打算机而言绝对轻易,而一些看似简单的任务,如人脸辨认或穿过房子,实现起来却极其艰苦。这也是70年代中期视觉跟机器人方面进展迟缓的起因。
  • 框架跟资格问题。采取逻辑观点的AI研究者们(例如John McCarthy)发明,假如错误逻辑的构造进行调剂,他们就无奈对常见的波及主动打算(planning or default reasoning)的推理进行表白。为解决这一问题,他们发展了新逻辑学(如非单调逻辑(non-monotonic logics)跟模态逻辑(modal logics))。

[编辑] 结束拨款

因为缺乏进展,对AI供给赞助的机构(如英国政府,DARPA跟NRC)对无方向的AI研究逐步结束了赞助。早在1966年ALPAC(Automatic Language Processing Advisory Committee,主动语言处理参谋委员会)的报告中就有批驳机器翻译进展的象征,预示了这一局面的降临。NRC(National Research Council,美国国度科学委员会)在拨款二千万美元后结束赞助。1973年Lighthill针对英国AI研究状况的报告批驳了AI在实现其“宏伟目标”上的完全失败,并导致了英国AI研究的低潮(该报告特别提到了指数爆炸问题,以此作为AI失败的一个起因)。DARPA则对CMU的语音懂得研究名目深感扫兴,从而撤消了每年三百万美元的赞助。到了1974年已经很难再找到对AI名目标赞助。

Hans Moravec将批驳归咎于他的同行们不切实际的预言:“很多研究者落进了一张日益虚夸的网中”。还有一点,自从1969年Mansfield修改案通过后,DARPA被迫只赞助“存在明白任务方向的研究,而不是无方向的基本研究”。60年代那种对自由摸索的赞助一去不复返;此后资金只供给给目表明白的特定名目,比方主动坦克,或者战斗管理体系。

[编辑] 来自卑学的批驳

一些哲学家强烈反对AI研究者的主意。其中最早的一个是John Lucas,他认为哥德尔不齐备定理已经证明情势体系(例如打算机程序)不可能断定某些陈述的真感性,然而人类可能。Hubert Dreyfus讽刺六十年代AI界那些未实现的预言,并且批驳AI的基本假设,认为人类推理实际上仅波及少量“符号处理”,而大多是具体的,直觉的,下意识的“诀窍(know how)”。John Searle于1980年提出“中文房间”实验,试图证明程序并不“懂得”它所利用的符号,即所谓的“动向性(intentionality)”问题。Searle认为,假如符号对机器而言不意思,那么就不能认为机器是在“思考”。

AI研究者们并不太把这些批驳当回事,因为它们仿佛有些离题,而打算复杂性跟“让程序存在常识”等问题则显得更加紧急跟重大。对实际的打算机程序而言,“常识”跟“动向性”的差别并不明显。Minsky提到Dreyfus跟Searle时说,“他们曲解了,所以应当忽视”。在MIT任教的Dreyfus受到了AI营垒的礼遇:他后来说,AI研究者们“恐怕被人看到在跟我一起吃中饭”。ELIZA程序的作者Joseph Weizenbaum感到他的共事们对待Dreyfus的立场不太专业,而且有些孩子气。固然他直抒己见地反对Dreyfus的论点,但他“明白地表明了他们待人的方法错误”。

Weizenbaum后来开端思考AI相干的伦理问题,起因是Kenneth Colby开发了一个模仿医师的聊天机器人DOCTOR,并用它当作真正的医疗工具。二人产生争执;固然Colby认为Weizenbaum对他的程序不奉献,但这于事无补。1976年Weizenbaum出版著述《打算机的力量与人类的推理》,书中表示人工智能的滥用可能侵害人类生命的价值。

[编辑] 感知器与联结主义受到冷僻

感知器是神经网络的一种情势,由Frank Rosenblatt于1958年提出。与多数AI研究者一样,他对这一发明的潜力非常乐观,预言说“感知器终极将可能学习,作出决定跟翻译语言”。全部六十年代里这一方向的研究工作都很活泼。

1969年Minsky跟Papert出版了著述《感知器》,书中暗示感知器存在重大局限,而Frank Rosenblatt的预言过于夸大。这本书的影响是破坏性的:联结主义的研究因此停止了十年。后来新一代研究者使这一范畴获得重生,并使其成为人工智能中的重要部分;遗憾的是Rosenblatt没能看到这些,他在《感知器》问世后未多少即因游船事变去世。

[编辑] “简约派(the neats)”:逻辑,Prolog语言跟专家体系

早在1958年,John McCarthy就提出了名为“纳谏者(Advice Taker)”的一个程序构想,将逻辑学引入了AI研究界。1963年,J. Alan Robinson发明了在打算机上实现推理的简单方法:演绎(resolution)与合一(unification)算法。然而,根据60年代末McCarthy跟他的学生们的工作,对这一主意的直接实现存在极高的打算复杂度:即便是证明很简单的定理也须要地理数字的步骤。70年代Robert Kowalsky在Edinburgh大学的工作则更具功能:法国学者Alain Colmerauer跟Phillipe Roussel在他的配合下开发出成功的逻辑编程语言Prolog。

Dreyfus等人针对逻辑方法的批驳观点认为,人类在解决问题时并不利用逻辑运算。心理学家Peter Wason,Eleanor Rosch,阿摩司·特沃斯基,Daniel Kahneman等人的实验证明了这一点。McCarthy则回应说,人类怎么思考是无关紧要的:真正想要的是解题机器,而不是模仿人类进行思考的机器。

[编辑] “混乱派(the scruffies)”:框架跟脚本

对McCarthy的做法持批驳看法的还有他在MIT的同行们。Marvin Minsky,Seymour Papert跟Roger Schank等试图让机器像人一样思考,使之可能解决“懂得故事”跟“目标辨认”一类问题。为了利用“椅子”,“饭店”之类最基本的概念,他们须要让机器像人一样作出一些非逻辑的假设。可怜的是,这些不正确的概念难以用逻辑进行表白。Gerald Sussman留神到,“利用正确的语言描述本质上不正确的概念,并不能使它们变得正确起来”。Schank用“混乱(scruffy)”一词描述他们这一“反逻辑”的方法,与McCarthy,Kowalski,Feigenbaum,Newell跟Simon等人的“简约(neat)”打算绝对。

在1975年的一篇开创性论文中,Minsky留神到与他共事的“混乱派”研究者在利用同一类型的工具,即用一个框架囊括所有相干的常识性假设。例如,当咱们利用“鸟”这一律念时,脑中会破即浮现出一系列相干事实,如会飞,吃虫子,等等。咱们晓得这些假设并不必定正确,利用这些事实的推理也未必合乎逻辑,然而这一系列假设组成的构造恰是咱们所想跟所说的一部分。他把这个构造称为“框架(frames)”。Schank利用了“框架”的一个变种,他称之为“脚本(scripts)”,基于这一主意他使程序可能答复对于一篇英语短文的发问。多年之后的面向对象编程采取了AI“框架”研究中的“持续(inheritance)”概念。


[编辑] 繁华:1980 - 1987

在80年代,一类名为“专家体系”的AI程序开端为全世界的公司所采取,而“常识处理”成为了主流AI研究的焦点。日本政府在同一年代踊跃投资AI以促进其第五代打算机工程。80年代早期另一个令人振奋的事件是John Hopfield跟David Rumelhart使联结主义重获新生。AI再一次获得了成功。

[编辑] 专家体系获得赏识

专家体系是一种程序,可能根据一组从专门常识中推上演的逻辑规矩在某一特定范畴答复或解决问题。最早的示例由Edward Feigenbaum跟他的学生们开发。1965年起设计的Dendral可能根据分光计读数辨别混淆物。1972年设计的MYCIN可能诊断血液感染病。它们展示了这一方法的威力。

专家体系仅限于一个很小的常识范畴,从而避免了常识问题;其简单的设计又使它可能较为轻易地编程实现或修改。总之,实际证明了这类程序的实用性。直到当初AI才开端变得实用起来。

1980年CMU为DEC(Digital Equipment Corporation,数字设备公司)设计了一个名为XCON的专家体系,这是一个宏大的成功。在1986年之前,它每年为公司省下四千万美元。全世界的公司都开端研发跟利用专家体系,到1985年它们已在AI上投入十亿美元以上,大部分用于公司内设的AI部分。为之供给支撑的产业应运而生,其中包含Symbolics,Lisp Machines等硬件公司跟IntelliCorp,Aion等软件公司。

[编辑] 常识革命

专家体系的才能来自于它们存储的专业常识。这是70年代以来AI研究的一个新方向。 Pamela McCorduck在书中写道,“不甘心的AI研究者们开端猜忌,因为它违背了科学研究中对最简化的寻求。智能可能须要树破在对分门别类的大量常识的多种处理方法之上。” “70年代的教训是智能行动与常识处理关联非常密切。有时还须要在特定任务范畴非常过细的常识。” 常识库体系跟常识工程成为了80年代AI研究的重要方向。

第一个试图解决常识问题的程序Cyc也在80年代呈现,其方法是树破一个包容一个个别人晓得的所有常识的巨型数据库。发动跟领导这一名目标Douglas Lenat认为别无捷径,让机器懂得人类概念的独一方法是一个一个地教会它们。这一工程多少十年也不实现。

[编辑] 重获拨款:第五代工程

1981年,日本经济产业省拨款八亿五千万美元支撑第五代打算机名目。其目标是造出可能与人对话,翻译语言,阐明图像,并且像人一样推理的机器。令“混乱派”不满的是,他们选用Prolog作为该名目标重要编程语言。

其余国度纷纷作出响应。英国开端了耗资三亿五千万英镑的Alvey工程。美国一个企业协会组织了MCC(Microelectronics and Computer Technology Corporation,微电子与打算机技巧集团),向AI跟信息技巧的大范围名目供给赞助。DARPA也举动起来,组织了策略打算促进会(Strategic Computing Initiative),其1988年向AI的投资是1984年的三倍。

[编辑] 联结主义的重生

1982年,物理学家John Hopfield证明一种新型的神经网络(现被称为“Hopfield网络”)可能用一种全新的方法学习跟处理信息。大概在同时(早于Paul Werbos),David Rumelhart推广了“反传法(en:Backpropagation)”,一种神经网络练习方法。这些发明使1970年以来始终遭人抛弃的联结主义重获新生。

1986年由Rumelhart跟心理学家James McClelland主编的两卷本论文集“分布式并行处理”问世,这一新范畴从此得到了同一跟促进。90年代神经网络获得了贸易上的成功,它们被利用于光字符辨认跟语音辨认软件。


[编辑] 第二次AI低谷:1987 - 1993

80年代中贸易机构对AI的追捧与冷僻合乎经济泡沫的经典模式,泡沫的决裂也在政府机构跟投资者对AI的察看之中。只管碰到各种批驳,这一范畴仍在始终前进。来自机器人学这一相干研究范畴的Rodney Brooks跟Hans Moravec提出了一种全新的人工智能打算。

[编辑] AI之冬

“AI之冬(en:AI winter)”一词由经历过1974年经费削减的研究者们发明出来。他们留神到了对专家体系的狂热追捧,预计未多少后人们将转向扫兴。事实被他们可怜言中:从80年代末到90年代初,AI遭受了一系列财政问题。

变天的最早征兆是1987年AI硬件市场须要的忽然下跌。Apple跟IBM出产的台式机机能始终晋升,到1987年时其机能已经超过了Symbolics跟其余厂家出产的昂贵的Lisp机。老产品失去了存在的理由:一夜之间这个价值五亿美元的产业分崩离析。

XCON等最初大获成功的专家体系保护费用居高不下。它们难以进级,难以利用,脆弱(当输入异样时会呈现莫名其妙的错误),成了以前已经裸露的各种各样的问题(例如资格问题(en:qualification problem))的就义品。专家体系的实用性仅仅局限于某些特定情景。

到了80年代晚期,策略打算促进会大幅削减对AI的赞助。DARPA的新任领导认为AI并非“下一个浪潮”,拨款将偏向于那些看起来更轻易出成果的名目。

1991年人们发明十年前日本人宏伟的“第五代工程”并不实现。事实上其中一些目标,比方“与人开展交谈”,直到2010年也不实现。与其余AI名目一样,冀望比真正可能实现的要高得多。

[编辑] 軀體的重要性:Nouvelle AI與嵌入式推理

80年代後期,一些研究者根據機器人學的成绩提出了一種全新的人工智能打算。他們信赖,為了獲得真正的智能,機器必須存在軀體 - 它须要感知,移動,生存,與這個世界交互。他們認為這些感知運動技能對於常識推理等高層次技能是至關重要的,而形象推理不過是人類最不重要,也最無趣的技能(參見Moravec悖論)。他們號召「自底向上」地創造智能,這一主張復興了從60年代就沉寂下來的把持論。

另一位先驅是在理論神經科學上造詣深沉的David Marr,他於70年代來到MIT指導視覺研究組的工作。他排斥所有符號化方法(不論是McCarthy的邏輯學還是Minsky的框架),認為實現AI须要自底向上地懂得視覺的物理機制,而符號處理應在此之後進行。

在發表於1990年的論文「大象不玩象棋(Elephants Don't Play Chess)」中,機器人研究者Rodney Brooks提出了「物理符號系統假設」,認為符號是可有可無的,因為「這個世界就是描述它本人最好的模型。它總是最新的。它總是包含了须要研究的所有細節。訣竅在於正確地,足夠頻繁地感知它。」 在80年代跟90年代也有許多認知科學家反對基於符號處理的智能模型,認為身體是推理的必要條件,這一理論被稱為「具身的心靈/感性/ 認知(embodied mind/reason/cognition)」論題。

[编辑] AI:1993 - 当初

现已年过半百的AI终于实现了它最初的一些目标。它已被成功地用在技巧产业中,不过有时是在幕后。这些成绩有的归功于打算机机能的晋升,有的则是在高贵的科学义务感驱使下对特定的课题始终寻求而获得的。不过,至少在贸易范畴里AI的名誉已经不如往昔了。“实现人类程度的智能”这一最初的幻想曾在60年代令全世界的设想力为之着迷,其失败的起因至今仍众说纷纷。各种因素的合力将AI拆分为各自为战的多少个子范畴,有时候它们甚至会用新名词来粉饰“人工智能”这块被玷辱的金字招牌。AI比以往的任何时候都更加谨慎,却也更加成功。

[编辑] 里程碑跟摩尔定律

1997年5月11日,深蓝成为克服国际象棋世界冠军卡斯帕罗夫的第一个打算机体系。2005年,Stanford开发的一台机器人在一条沙漠小径上成功地主动行驶了131英里,博得了DARPA挑衅大赛头奖。2009年,蓝脑名目(en:Blue Brain Project)声称已经成功地模仿了部分鼠脑。

这些成绩的获得并不是因为范式上的革命。它们仍然是工程技巧的复杂利用,然而打算机机能已经今非昔比了。事实上,深蓝打算机比Christopher Strachey在1951年用来下棋的Ferranti Mark 1快一千万倍。这种激烈增加可能用摩尔定律描述:打算速度跟内存容量每两年翻一番。打算机能上的基本性妨碍已被逐步克服。

[编辑] 智能代办

90年代,被称为“智能代办(en:intelligent agents)”的新范式被广泛接收。只管早期研究者提出了模块化的分治策略,然而直到Judea Pearl,Alan Newell等人将一些概念从决定实际跟经济学中引入AI之后古代智能代办范式才逐步构成。当经济学中的“感性代办(rational agent)”与打算机科学中的“对象”或“模块”相结合,“智能代办”范式就完美了。

智能代办是一个体系,它感知四周环境,而后采取办法使成功的多少率最大化。最简单的智能代办是解决特定问题的程序。已知的最复杂的智能代办是感性的,会思考的人类。智能代办范式将AI研究定义为“对智能代办的学习”。这是对早期一些定义的推广:它超出了研究人类智能的范畴,涵盖了对所有品种的智能的研究。

这一范式让研究者们通过学习孤破的问题找到可证的并且有用的解答。它为AI各范畴乃至经济学,把持论等利用形象代办概念的范畴供给了描述问题跟共享解答的一种通用语言。人们盼望能找到一种完全的代办架构(像Newell的en:SOAR那样),容许研究者们利用交互的智能代办树破起通用的智能体系。

[编辑] “简约派”的成功

越来越多的AI研究者们开端开发跟利用复杂的数学工具。人们广泛地意识到,很多AI须要解决的问题已经成为数学,经济学跟运筹学范畴的研究课题。数学语言的共享不仅使AI可能与其余学科开展更高品位的配合,而且使研究成果更易于评估跟证明。AI已成为一门更严格的科学分支。Russell跟Norvig(2003)将这些变更视为一场“革命”跟“简约派的成功”。

Judea Pearl发表于1988年的名著将概率论跟决定实际引入AI。现已投入利用的新工具包含贝叶斯网络,隐马尔可夫模型,信息论,随机模型跟经典优化实际。针对神经网络跟进化算法等“打算智能”范式的正确数学描述也被发展出来。

[编辑] 幕后的AI

AI研究者们开发的算法开端变为较大的体系的一部分。AI曾经解决了大量的困难,这些解决打算在产业界起到了重要作用。利用了AI技巧的有数据发掘,产业机器人,物流,语音辨认,银行业软件,医疗诊断跟Google搜查引擎等。

AI范畴并未从这些成绩之中获得多少好处。AI的很多巨大翻新仅被看作打算机科学工具箱中的一件工具。Nick Bostrom阐明说,“很多AI的前沿成绩已被利用在个别的程序中,不过通常不被称为AI。这是因为,一旦变得足够有用跟广泛,它就不再被称为AI了。”

今天的很多AI研究者成心用其余一些名字称说他们的工作,例如信息学,常识体系,认知体系或打算智能。部分起因是他们认为他们的范畴与AI存在基本的不同,不过新名字也有利于获取经费。至少在贸易范畴,导致AI之冬的那些未能兑现的承诺仍然困扰着AI研究,正如New York Times在2005年的一篇报道所说:“打算机科学家跟软件工程师们避免利用人工智能一词,因为怕被认为是在说梦话。”(Computer scientists and software engineers avoided the term artificial intelligence for fear of being viewed as wild-eyed dreamers.)

[编辑] HAL 9000在哪里?

1968年Arthur C. Clarke跟Stanley Kubrick创作的“2001太空环游”中假想2001年将会呈现达到或超过人类智能的机器。他们发明的这一名为HAL-9000的角色是以科学事实为根据的:当时很多顶极AI研究者信赖到2001年这样的机器会呈现。

“那么问题是,为什么在2001年咱们并未领有HAL呢?” Marvin Minsky问道。Minsky认为,问题的答案是绝大多数研究者醉心于研究神经网络跟遗传算法之类贸易利用,而忽视了常识推理等核心问题。另一方面,John McCarthy则归咎于资格问题(en:qualification problem)。Ray Kurzweil信赖问题在于打算机机能,根据摩尔定律,他猜测存在人类智能程度的机器将在2029年呈现。Jeff Hawkins认为神经网络研究忽视了人类大脑皮质的关键特点,而简单的模型只能用于解决简单的问题。还有很多别的阐明,每一个都对应着一个正在进行的研究打算。

来自“http://zh.wikipedia.org/w/index.php?title=人工智能的历史&oldid=19400623”
机器人产品查询系统
与主题相关产品查询和购买: 机器人理论 人工智能的历史

上一篇第3次超級機器人大戰α 終焉之銀河 下一篇恐怖谷理论

词条信息

ncnynl
ncnynl
超级管理员
词条创建者