人工智能的十个里程碑事件，你知道几个？ | 行业

【网易智能讯 9月27日消息】人工智能是一个非常重要和复杂的领域。关于人工智能的里程碑式事件，这里我们盘点了你应该知道的十个。

将人工智能（AI）压缩到10个“需要记忆的时刻”并不容易。在数以百计的研究实验室和数千名计算机科学家的帮助下，编制一份每一项具有里程碑意义的成就的清单，都将是一份智能算法的工作。然而，我们已经仔细研究了历史书籍，为你带来了人工智能历史上最重要的10个里程碑式的发展。

你可能已经听说过神经网络，在当今最先进的人工智能背后，是大脑激发的人工智能工具。你可能已经听说过神经网络，这是一种当今前沿人工智能背后受大脑启发的人工智能工具。虽然像深度学习这样的概念是比较新的，但它们背后的理论体系可以追溯到1943年的一个数学理论。

Warren McCulloch和Walter Pitts的《 神经活动内在想法的逻辑演算 》可能听起来非常的普通，但它与计算机科学一样重要（甚至超过计算机科学）。其中，《 PageRank引文排名 》一文，催生了谷歌的诞生。在在《逻辑微积分》中， McCulloch和Pitts描述了如何让人造神经元网络实现逻辑功能。至此，AI的大门正式打开。

如果要提到人工智能的真正开端，那就要追溯到1955年8月31日。当时，研究人员John McCarthy、Marvin Minsky、Nathaniel Rochester和Claude Shannon提交了一份《2个月，10个人的人工智能研究》的提案，第一次提出了“人工智能”的概念。而其中John McCarthy被后人尊称为“人工智能之父”。

1956年，会议在达特茅斯学院占地269英亩的庄园举行。不幸的是，他们对于人工智能的发展有点过于乐观了。他们写到：“我们认为，如果一个精心挑选的科学家团队努力工作一个夏天，那我们就能取得重大进展。”然而事实证明，时间花得远比想象中的要多很多。

反向传播（英语：Backpropagation，缩写为BP），有时缩写为“BP”，是机器学习历史上最重要的算法之一。尽管该算法成为机器学习的主流算法是在20世纪80年代，但该算法第一次被提出是在1969年。这是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法计算对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。

反向传播要求有对每个输入值想得到的已知输出，来计算损失函数梯度。因此，它通常被认为是一种监督式学习方法，虽然它也用在一些无监督网络（如自动编码器）中。它是多层前馈网络的Delta规则的推广，可以用链式法则对每层迭代计算梯度。反向传播要求人工神经元（或“节点”）的激励函数可微。简而言之，这意味着创作者可以通过在犯错时纠正错误来训练他们的网络。完成后，道具会修改神经网络中的不同连接，确保下次遇到同样问题时能得到正确的答案。

提及亚马逊的Alexa、谷歌助手和苹果的Siri大家一定都不陌生。早在20世纪60年代中期，麻省理工学院的一名研究人员就发明了一个名为ELIZA的计算机心理治疗师，可以实现与用户之间的“智能”对话。在当时，ELIZA的发明者就指出，用户如此愿意以这种方式与机器交谈，这让他们感到非常惊讶。

1993年，作家兼计算机科学家Vernor Vinge发表了一篇文章，这篇文章首次提到了人工智能的“奇点”。而这里所指的“奇点”并不是广义上的，而是指未来某一天机器将变得比人类更聪明，甚至会取代人类，主宰人类世界。但在1993年，作家兼计算机科学家Vernor Vinge发表了一篇文章，这篇文章推广了这个想法。

被称为“即将到来的技术奇点”，Vinge预测，在未来30年内，人类将拥有创造超级人工智能的能力。他写到：“不久之后，人类时代就会结束。”这是一个警告，和现如今特斯拉CEO马斯克所担心的一样。

你认为谷歌开发了世界上第一辆自动驾驶汽车吗？错！早在1986年，德国联邦国防军大学的研究人员就在一辆奔驰面包车上安装了摄像头和智能传感器，成功地在空无一人的街道上行驶。

几年后，一位名叫Dean Pomerleau的卡内基梅隆大学的研究人员建造了一辆自动驾驶的庞蒂克运输小货车，并沿海岸线从宾夕法尼亚州的匹兹堡到加州的圣地亚哥,共行驶了2797英里。相较于当今的自动驾驶技术，当时的这项技术像是小儿科，但是至少它证明了无人驾驶是可以实现的。

对于人工智能来说，1997年是一个标志性的年份，IBM的“深蓝”超级计算机在一场人机大战中战胜国际象棋冠军Garry Kasparov。尽管毫无疑问，深蓝的处理信息比人类更快，但真正的问题是，它是否更有策略地思考。事实证明这是可以的！

这一结果可能并没有证明人工智能有能力在有明确规则的问题上表现得异常出色，它仍然是人工智能领域的巨大飞跃。