摘要：谷歌AlphaGo战胜世界围棋冠军李世石的事件,引起了全球人类对于人工智能的兴趣。一时间，人们茶余饭后的谈资都围绕着人工智能这一领域展开。对于人工智能来说，前60年的人工智能历程，可以用“无穷动”来形容；后60年的人工智能发展，可以用“无穷大”来期许。本文就从它的概念、简史、成果、前景、争论来分析这一领域。
关键字：人工智能、机器人、深度学习、专家系统
一、什么是人工智能 ?
（一）、字面理解
人工智能即“人工”和“智能”。
“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。
关于什么是“智能”，就问题多多了。这涉及到其它诸如意识（CONSCIOUSNESS）、自我（SELF）、思维（MIND）（包括无意识的思维（UNCONSCIOUS_MIND））等等问题。人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。
（二）、科学定义
著名的美国斯坦福大学人工智能研究中心尼尔逊教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”而另一个美国麻省理工学院的温斯顿教授认为：“人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。”这些说法反映了人工智能学科的基本思想和基本内容。即人工智能是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。
（三）、分类
1、弱人工智能Artificial Narrow Intelligence (ANI)
弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。
2、强人工智能Artificial General Intelligence (AGI）
人类级别的人工智能。强人工智能是指在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。创造强人工智能比创造弱人工智能难得多，我们现在还做不到。Linda Gottfredson教授把智能定义为“一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”强人工智能在进行这些操作时应该和人类一样得心应手。
3、超人工智能Artificial Superintelligence (ASI)d
牛津哲学家，知名人工智能思想家Nick Bostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。超人工智能也正是为什么人工智能这个话题这么火热的缘故，同样也是为什么永生和灭绝这两个词会在本文中多次出现。
二、发展简史
第一阶段：人工智能的起步期
人工智能的传说可以追溯到古埃及，但随着1941年以来电子计算机的发展，技术已最终可以创造出机器智能，“人工智能”（ARTIFICIAL INTELLIGENCE）一词最初是在1956年DARTMOUTH学会上提出的，从那以后，研究者们发展了众多理论和原理，人工智能的概念也随之扩展，在它还不长的历史中，人工智能的发展比预想的要慢，但一直在前进，从60年前出现至今，已经出现了许多AI程序，并且它们也影响到了其它 技术的发展。
1955年，纽厄尔和司马贺 （卡内基梅隆大学计算机系创立者） 编制了一个名为逻辑专家的程序，这个程序被认为是人工智能应用的开端，是第一个AI程序。
1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。在1956年的这次会议之后，人工智能迎来了属于它的第一段Happy Time。3、1957年康奈尔大学的实验心理学家弗兰克·罗森布拉特在一台IBM-704计算机上模拟实现了一种他发明的叫作“感知机”（Perceptron）的神经网络模型。这个模型可以完成一些简单的视觉处理任务。这引起了轰动。
在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”大批科学家开始研究人工智能，在初期受到显著成果和乐观精神驱使的很多美国大学，如：麻省理工大学、卡内基梅隆大学、斯坦福大学和爱丁堡大学，都很快建立了人工智能项目及实验室,同时他们获得来自APRA（美国国防高级研究计划署）等政府机构提供的大批研发资金。，并出现了一批显著的成果。这段时间的重要工作包括通用搜索方法、自然语言处理及机器人处理积木问题等，主要是方法和算法的研究，离实用相差甚远，但是整个行业的乐观情绪让人工智能获得了不少的投资，获得的重要成果包括机器定理证明、跳棋程序、通用解题机、LISP表处理器语言等。
第二阶段：专家系统的推广
1980年，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种，采用人工智能程序的系统，可以简单的理解为“知识库+推理机”的组合，XCON是一套具有完整专业知识和经验的计算机智能系统。这套系统在1986年之前能为公司每年节省下来超过四千美元经费。有了这种商业模式后，衍生出了像Symbolics、Lisp Machines等和IntelliCorp、Aion等这样的硬件，软件公司。在这个时期，仅专家系统产业的价值就高达5亿美元。
可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。仅仅在维持了7年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。到 1987 年时，苹果和 IBM 生产的台式机性能都超过了 Symbolics 等厂商生产的通用型计算机，专家系统自然风光不再。
到 80 年代晚期，DARPA 的新任领导认为人工智能并不是“下一个浪潮”;1991 年，人们发现日本人设定的“第五代工程”也没能实现。这些事实情况让人们从对“专家系统”的狂热追捧中一步步走向失望。人工智能研究再次遭遇经费危机。人工智能再一次成为浩瀚太平洋中那一抹夕阳红。
第三阶段：深度学习
在这个阶段，人工智能其实取得了一些里程碑似的成果。
神经网络研究领域领军者Hinton在2006年提出了神经网络Deep Learning算法，使神经网络的能力大大提高，向支持向量机发出挑战。 2006年，机器学习领域的泰斗Hinton和他的学生Salakhutdinov在顶尖学术刊物《Scince》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。
2006年，加拿大多伦多大学教授、机器学习领域泰斗——Geoffrey Hinton和他的学生Ruslan Salakhutdinov在顶尖学术刊物《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。这篇文章有两个主要的信息：1. 很多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；2. 深度神经网络在训练上的难度，可以通过“逐层初始化”（Layer-wise Pre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
自2006年以来，深度学习在学术界持续升温。斯坦福大学、纽约大学、加拿大蒙特利尔大学等成为研究深度学习的重镇。2010年，美国国防部DARPA计划首次资助深度学习项目，参与方有斯坦福大学、纽约大学和NEC美国研究院。支持深度学习的一个重要依据，就是脑神经系统的确具有丰富的层次结构。一个最著名的例子就是Hubel-Wiesel模型，由于揭示了视觉神经的机理而曾获得诺贝尔医学与生理学奖。除了仿生学的角度，目前深度学习的理论研究还基本处于起步阶段，但在应用领域已显现出巨大能量。2011年以来，微软研究院和Google的语音识别研究人员先后采用DNN技术降低语音识别错误率20％~30％，是语音识别领域十多年来最大的突破性进展。2012年，DNN技术在图像识别领域取得惊人的效果，在ImageNet评测上将错误率从26％降低到15％。在这一年，DNN还被应用于制药公司的Druge Activity预测问题，并获得世界最好成绩，这一重要成果被《纽约时报》报道。
2013年。深度学习算法在语音和视觉识别率获得突破性进展，进入第三个高峰。
阿尔法围棋（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，由谷歌（Google）旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发。其主要工作原理是“深度学习”。
2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；2016年末2017年初，该程序在中国棋类网站上以“大师”（Master）为注册帐号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，在中国乌镇围棋峰会上，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平，在GoRatings网站公布的世界职业围棋排名中，其等级分曾超过排名人类第一的棋手柯洁。
三、发展前景
在管理系统中的应用：
（1）人工智能应用于企业管理的意义不在于提高效率，而是用计算机实现人们非常需要做，但工业工程信息却做不了或很难做到的事。
（2）智能教学系统(ITS)是人工智能与教育结合的主要形式。也是今后教学系统的发展方向。信息技术的飞速发展和新的教学体系开发模式的提出和不断完善，推动人们综合运用媒体技术、网络基础和人工智能技术开发新的教学体系。计算机智能教学体系就是其中的代表。
在工程领域中应用：
（1）医学专家系统是人工智能与专家系统理论和技术在医学领域中的重要应用，具有极大的科研价值和应用价值，它可以帮助医生解决复杂的医学问题，作为医生诊断、治疗的辅助工具。目前，医学智能系统通过其在医学影像方面的重要应用，将其应用在其它医学领域中，并将其不断完善和发展。
（2）地质勘探、石油化工等领域是人工智能的主要发挥作用的领地。
在技术研究中应用
（1）在超声无损检测(NDT)和无损评价(NDE)领域中。目前，主要采用专家系统方法对超声损伤(UT)中缺陷的性质、形状、大小进行判断和分类。
（2）人工智能在电子技术领域的应用可谓由来已久。随着网络的迅速发展，网络技术的安全是我们关心的重点。因此，我们必须在传统技术的基础上进行技术的改进和变更，大力发展数据控制技术和人工免疫技术等高效的人工智能技术，以及开发更高级的AI通用和专用语言。
另外，人工智能应用领域还有：智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂等方面。
四、发展成果
人机对弈
- 1996年2月10～17日， GARRY KASPAROV以4：2战胜“深蓝” （DEEP BLUE）。
- 1997年5月3～11日， GARRY KASPAROV以2.5：3.5输于改进后的“深蓝”。
- 2003年2月GARRY KASPAROV 3:3战平 “小深”（DEEP JUNIOR）。
- 2003年11月GARRY KASPAROV 2:2战平 “X3D德国人” (X3D-FRITZ）。
模式识别
采用 $模式识别引擎，分支有2D识别引擎 ，3D识别引擎，驻波识别引擎以及多维识别引擎，2D识别引擎已推出指纹识别，人像识别 ，文字识别，图像识别 ，车牌识别，驻波识别引擎已推出语音识别；3D识别引擎已推出指纹识别玉带林中挂（玩游智能版1.25）
自动工程
- 自动驾驶（OSO系统）
- 印钞工厂（￥流水线）
- 猎鹰系统（YOD绘图）
知识工程
以知识本身为处理对象，研究如何运用人工智能和软件技术，设计、构造和维护知识系统
- 专家系统
- 智能搜索引擎
- 计算机视觉和图像处理
- 机器翻译和自然语言理解
- 数据挖掘和知识发现
五、应用领域
机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。
值得一提的是，机器翻译是人工智能的重要分支和最先应用领域。不过就已有的机译成就来看，机译系统的译文质量离终极目标仍相差甚远；而机译质量是机译系统成败的关键。中国数学家、语言学家周海中教授曾在论文《机器翻译五十年》中指出：要提高机译的质量，首先要解决的是语言本身问题而不是程序设计问题；单靠若干程序来做机译系统，肯定是无法提高机译质量的；另外在人类尚未明了大脑是如何进行语言的模糊识别和逻辑判断的情况下，机译要想达到“信、达、雅”的程度是不可能的。智能家居之后，人工智能成为家电业的新风口，而长虹正成为将这一浪潮掀起的首个家电巨头。[3] 长虹发布两款CHiQ智能电视新品，主打手机遥控器、带走看、随时看、分类看功能
六、争论
1、对人工智能技术路线的争论
专用路线
专用路线强调研制与开发专用的智能计算机、人工智能软件、专用开发工具、人工智能语言和其它专用设备，如LISP机、PROLOG机、PROLOG、LISP语言、M.I语言、OPSS83语言、专家系统开发工具EMYCIN、EXPERT、INSIGHT2和GURU等。
通用路线
通用路线认为通用的计算机硬件和软件能够对人工智能开发提供有效的支持，并能够解决广泛的和一般的人工智能问题。这方面的例子有以VLSI技术为基础的RISC技术、UNIX分时操作系统、C语言及其改进型、SUN工作站和SPARC工作站等。通用路线强调人工智能应用系统和人工智能产品的开发，应与计算机立体技术和主流技术相结合，并把知识工程视为软件工程的一个分支。
硬件路线
硬件路线认为人工智能的发展主要依靠硬件技术，如VLSI、人工神经网络、脑模型、智能机和智能机器人等。该路线还认为智能机器的开发主要有赖于各种智能硬件、智能工具及固化技术。
软件路线
软件路线强调人工智能的发展主要依靠软件技术，例如，启发性程序设计、自动编程专家系统、知识工程以及其它各种智能算法等。软件路线认为智能机器的研制主要在于开发各种智能软件、工具及其应用系统。
2、强人工智能的哲学争论
关于强人工智能的争论不同于更广义的一元论和二元论（dualism）的争论。其争论要点是：如果一台机器的唯一工作原理就是对编码数据进行转换，那么这台机器是不是有思维的？希尔勒认为这是不可能的。他举了个中文房间的例子来说明，如果机器仅仅是对数据进行转换，而数据本身是对某些事情的一种编码表现，那么在不理解这一编码和这实际事情之间的对应关系的前提下，机器不可能对其处理的数据有任何理解。基于这一论点，希尔勒认为即使有机器通过了图灵测试，也不一定说明机器就真的像人一样有思维和意识。
也有哲学家持不同的观点。Daniel C. Dennett 在其著作 Consciousness Explained 里认为，人也不过是一台有灵魂的机器而已，为什么我们认为人可以有智能而普通机器就不能呢？他认为像上述的数据转换机器是有可能有思维和意识的。
有的哲学家认为如果弱人工智能是可实现的，那么强人工智能也是可实现的。比如Simon Blackburn在其哲学入门教材 Think 里说道，一个人的看起来是“智能”的行动并不能真正说明这个人就真的是智能的。我永远不可能知道另一个人是否真的像我一样是智能的，还是说她/他仅仅是看起来是智能的。基于这个论点，既然弱人工智能认为可以令机器看起来像是智能的，那就不能完全否定这机器是真的有智能的。Blackburn 认为这是一个主观认定的问题。
需要要指出的是，弱人工智能并非和强人工智能完全对立，也就是说，即使强人工智能是可能的，弱人工智能仍然是有意义的。至少，今日的计算机能做的事，像算术运算等，在百多年前是被认为很需要智能的。
参考资料：
[1] https://baike.baidu.com/item/人工智能/9180
[2] http://www.360doc.com/content/15/0212/21/18791455_448220606.shtml
[3] http://mini.eastday.com/mobile/161203062329556.html
[4] http://www.sohu.com/a/62612281_115318
[5] http://news.zol.com.cn/604/6040334.html