古代荀子也懂AI？达芬奇的手术机器人有多神奇
从古至今，人工智能一直是人类梦寐以求的智慧结晶。从西周周穆王的印纸造文到三国的木牛流马，再到希腊古城的黄金机器女仆，这些机械装置都是人类幻想中的智能替代品。而实际上，人工智能的历史源远流长，早在荀子时代就已有了人工智能的萌芽。
荀子在《正名》中的四句话为我们揭示了人工智能的脉络：“知之在人者谓之知”，“知有所合者谓之智”，“人知在人者谓之能”，“人有所合者谓之本正”。这四句话表达了人类对智能的追求和定义，深刻揭示了人工智能的本质。我们将感知到的数据激发为智慧，再据此做出决策和行动，这就是人工智能的核心。
人工智能的发展并非一帆风顺。站在高处全面思考，我们才能更深刻地理解其沉浮历史。浙江大学计算机学院副院长、人工智能研究所所长吴飞教授为我们剖析了人工智能的学科发展、方法研究以及历史低谷等多个角度的问题。他旁征博引，从英国人工智能发展的偏激调查到日本“第五代机器人研发”的功败垂成，再到斯坦福大学与谷歌合作带来的CYC知识系统，让我们不禁思考人工智能发展的道路和未来方向。
吴飞教授强调，无论是规则、数据还是经验，我们并不能判断谁比谁好，谁可以取代谁。每种方法都有其优点和不足。例如，用规则指导人工智能确实与人的思维非常契合，逻辑性强，但难以涵盖人类所有的规则和理念。我们需要联系实际情况，了解方法和规则之外，更要关注实践中的挑战和机遇。人机博弈除了给我们带来激动和焦虑外，还有何特殊意义？吴飞教授以实践为根基，为我们解答了这一难题。
从历史角度看，人工智能的提出可追溯到1955年。当时，四位学者包括麦卡锡和马文明斯基等人为美国洛克菲勒私人基金会提交了一份提案，首次使用了“Artificial Intelligence”这一术语。他们希望用计算机来模拟人的智能，让机器能够像人一样认知、思考和学习。这也是人工智能在学科历史上的首次亮相。
探究人工智能的七大挑战及其演变
当我们深入探讨人工智能的发展时，无疑会遇到一系列的核心难题。这些难题就像巨石般挡在人工智能前进的道路上，需要我们逐一攻克。
系统计算机的应用和优化是一个巨大的挑战。如何使计算机更加智能化，更好地服务于人类，是我们需要解决的首要问题。编程，那个为计算机注入生命的艺术，如何更高效地对其进行操作，使其更加灵活、智能，也是我们必须面对的问题。
接着，神经网络的模拟和实现，这是一个深度模仿人脑的复杂网络结构的问题，其难度可想而知。计算的复杂性，如何简化算法、提高计算效率，也是人工智能发展中不可忽视的一环。
自我学习与提高，这是人工智能发展的一大瓶颈。尽管机器可以模仿人类的行为，但真正的自我学习、自我进化，仍是人工智能难以跨越的鸿沟。然后是抽象能力，如何让机器理解并处理复杂的人类抽象思维，也是人工智能面临的一大难题。随手创造力，这是人工智能目前最难以捉摸的能力，人类可以随时随地进行创新、创作，而机器却难以模仿。
回溯人工智能的历史发展，我们可以看到从最初的提议到现今的蓬勃发展，经历了漫长的岁月。那时的人工智能被期望能够部分替代人类的工作，例如制造可以执行特定任务的机器，替代翻译家或医生等工作。然而随着发展，人工智能面临了符号阻力、连接阻力和行为阻力三大挑战。
现在让我们来谈谈人工智能的三种分类。首先是语义相关的人工智能，也被称为弱人工智能。它们擅长执行特定任务，比如画瓢。然而它们缺乏创造力，只能按照给定的规则进行工作。接下来是通用的人工智能或跨域人工智能。它们具备举一反三的能力，能够从一种行为迅速跨越到另一种领域。然后是混合增强的人工智能，例如达芬奇手术机器人，它们需要人类医生的指导和操作来完成复杂任务。
人、机器和互联网的结合形成了一个复杂的智能系统。当我们把各种智能系统的长处结合起来，智能的程度就会得到增强。但是我们必须强调，在这个增强的智能体系中，人类永远是智能的开发者。
尽管人工智能如今蓬勃发展，但它也经历了两次低谷。第一次发生在英国，由于一位皇家科学院院士对当时人工智能的评估结果引发了争议，导致英国的人工智能研究进入低谷。第二次低谷则发生在日本，尽管他们在第五代机器人的研发中失败了，但这次失败为他们积累了大量的人才和技术。现在，人工智能正在以前所未有的速度发展着，我们期待着它未来的更多突破和成就。从这件事中，我们深刻认识到，人工智能的发展不仅仅依赖于硬件的丰富，更重要的是内部数据、知识与软件的深度融合。就如同人的大脑，由亿万神经原相互连接，海马体中的数据和知识引导我们的推理。
第三次低谷源自知识百科的挑战。
传统人工智能受限于规则和知识的推理之中。我们曾试图通过构建庞大的知识库系统来解决问题，期望将所有的知识纳入其中以实现精确推理。以斯坦福大学的CYC知识系统项目为例，该项目自1984年开始，尽管历经了二十多年的努力，却最终以失败告终。原因在于，人类的知识具有不确定性和界限性。比如“所有鸟都会飞”这一规则，尽管看似普遍适用，但在特定情境下（如鸵鸟）却并不准确。试图构建一个包含所有精确知识的数据库几乎是不可能的。
随着互联网的兴起，知识不再仅限于静态的数据库之中，而是不断地在演化、更新。我们如今更倾向于从互联网百科中获取知识，而非固定的知识库。例如，当我们想了解新概念时，我们更倾向于访问互联网上的各种资源，而不是去查阅传统的书籍或字典。这是因为知识正在持续地演变和扩充，而互联网为我们提供了一个获取新知识的重要平台。
在人工智能的发展历程中，有三种常见的学习和了解人工智能的方法：
第一种方法：规则传授
这是一种通过逻辑编码来传授知识和规则的方法。以水利工程为例，通过构建一个程序化的概念体系来传授相关知识。IBM的沃森系统就是一个很好的例子。沃森能够通过强大的推理引擎，基于给定的知识不断扩充知识体系中的概念、属性和关系，进而进行知识学习。它能够通过互联网获取海量数据，并处理诸如“哪个城市的钢产量和铁产量平均量全美第一”这样的复杂问题。
第二种方法：数据驱动学习
这是当前深度学习领域广泛采用的方法。对于一些难以用文字或逻辑描述的概念，如海盗船，我们提供大量标注好的图片供计算机学习。计算机通过学习图片的像素点空间分布模式来识别对象。例如，“多少台计算机可以识别一只猫”的答案需要16000台计算机进行大数据驱动的学习与识别。特斯拉的无人驾驶汽车也采用了类似的方法，尽管在理想环境下发生了意外，但也说明了大数据驱动学习的潜力与挑战。这种方法的成功依赖于高质量的数据标注，以确保计算机能够准确识别和学习对象的明确语义或概念。事后回顾，特斯拉汽车的自动驾驶之旅发生了一起令人震惊的事故。当时，司机正在车内观看《哈利波特》VCD，目光和手脚都离开了操作界面。一辆白色箱式大货车在对向车道进行左转弯时，特斯拉未能及时作出反应，直接发生了碰撞。
深入分析这一过程，特斯拉的雷达系统虽然配备了电磁波扫描功能，但由于白色箱式货车的底盘过高，雷达误认为前方没有障碍物。摄像头捕捉到的图像也仅仅是白色的背景，系统误判为白云，导致未能及时预警和避让。这一惨痛的事故提醒我们，即使是高科技的自动驾驶系统，在某些情况下也可能出现误判。
再来看一个例子，谷歌曾经推出过一个图像标注系统。这个系统可以让用户上传图片并打上标签，之后通过标签进行图片搜索。这个系统也引发了一场争议。一位黑人朋友上传的图片被错误地标注为“黑猩猩”，这被视为对他的人格侮辱。谷歌为此付出了巨大的代价，并不得不关闭标注系统，并从词典库中移除“黑猩猩”这一标签。这个案例表明，虽然数据驱动的方法在某些领域表现出色，但在其他领域可能引发误解和争议。
第三种学习方法是从经验中汲取。不同于用知识去教或用数据去学，这种方法是通过强化学习，将智能体置于特定环境中，让其通过与环境互动获得经验和认知。这就像扫地机在撞到桌子后，通过不断尝试和调整，最终学会避开障碍物。波士顿公司的两轮机器人、中国电科院的固定翼集群系统以及美军的固定翼集群系统都是通过这种方式在开放环境中进行学习和提升。
这三种学习方法并非彼此替代，而是各有优劣。规则驱动的方法与人的思维契合度高，但难以涵盖所有的人类规则和理念。数据驱动的方法依赖于大量标注数据，对于某些概念若无法提供足够的数据则无法学习。而从经验中学习的方法的可解读性不强，但能够在交互中逐渐获得知识和能力。
以Alpha Go为例，它通过大量棋局数据的训练和学习，最终战胜了人类顶尖棋手。但其成功也离不开两台机器之间的自我对弈，产生了更多数据用于训练的价值网络。这个网络能够预测整盘棋的走法，为Alpha Go提供了强大的能力。这也证明了成功的人工智能程序不在于提供的数据量大小或知识的多少，而在于是否已经具备处理新数据和知识、生成新能力的能力。这种能力才是衡量人工智能程序成功与否的关键。在今年的四月，乌镇迎来了一场人工智能领域瞩目的对决，正是Alpha Go Zero战胜了柯洁。这场博弈非同寻常，是人工智能本身通过自我对决不断提升能力的过程。这一过程基于令人惊叹的强化学习技术成果。
当我们深入了解Alpha Go背后的机制时，会发现它背后隐藏着一种被称为“利用探索”的策略。想象一下一个棋盘上的世界，无数种可能的棋子布局，如宇宙中的原子般浩如烟海。在围棋的世界里，Alpha Go需要判断哪一步棋是最好的。这背后蕴含着一种“利用探索”的智慧。尽管有无数种可能的棋局组合，Alpha Go仍然能巧妙地将棋盘上的信息整合利用，研究出人类从未尝试过的棋局。这种独特的策略让Alpha Go在对战中展现出前所未有的棋局，让人叹为观止。
随着每一颗棋子的落下，Alpha Go已经预测出整个比赛的胜负走势。在这场较量中，我们看到了Alpha Go的犹豫和失去信心。尽管它的计算能力强大无比，但在预测自己获胜概率下降时，它丧失了与人类一样的背水一战的勇气。相反，人类在绝境中常常会展现出令人难以置信的勇气和毅力。在某些情况下，人工智能缺乏这种置之死地而后生的勇气。只有当其三种网络都被充分利用时，它才能取得胜利。
想象一下宇宙的浩瀚无垠，与围棋棋盘上的可能布局一样难以穷尽。如果量子计算机被制造出来，它将具备强大的计算能力，能够辨别所有可能的布局。届时，人工智能的博弈方式将发生翻天覆地的变化。与此人工智能领域的迭代进步如雨后春笋般涌现。从依赖知识的初步形态逐步发展为从环境中学习并提升效率的高级形态。人工智能的发展潜力巨大无比，尽管现在的人工智能尚未达到全覆盖的程度，但其已经展现出的能力已经足以令人惊叹不已。在这个过程中，《科学杂志》推出了人工智能专刊以追踪这一领域的最新进展和探索未来的发展方向。人工智能将在大数据洪流中发生变革性的突破和发展出一些令人着迷的特质和功能。因此可以说虽然人工智能还需要不断进化和提升但它的潜力和对人类的启示已是非常宝贵和值得期待的。