编者按：本文来自微信大众号“全媒派”（ID：quanmeipai），36氪经授权发布。
近期，人工智能频上热搜：Facebook直击现代人“今日穿什么”的痛点，推出Fashion++，经过算法调整服装穿搭；美国作家安德鲁•卡普兰则将运用对话AI技能和数字助理设备在云上完成“永生”；ZAO运用deepfake技能完成视频换脸，“以假乱真”……
从AI换脸到AI试穿，再到AI助“数字永生”……现在，人工智能正全方位渗透到咱们的日子中，重要且不行忽视。
人工智能是怎么走到今日的？本期全媒派（ID：quanmeipai）独家编译Fast Company文章，盘点与人工智能开展相关的七十余载，看看这些高光与低落时间怎么推进人工智能不断“进化”，改动人类日子的国际。
艾萨克·阿西莫夫提出“机器人三大规律”（1942）
1942年，艾萨克·阿西莫夫（IsaacAsimov）宣布了短篇小说《转圈圈》(Runaround，又译作《环舞》)。这位闻名的科幻作家初次完整地论述了他的“机器人三大规律”：
榜首规律：机器人不得损伤人类，或因不作为而让人类遭到损伤。
第二规律：机器人有必要遵守人类的指令，除非这些指令违反了榜首规律。
第三规律：在不违反榜首与第二规律的前提下，机器人有必要维护自己。
《转圈圈》叙述的是一个名叫速必敌（Speedy）的机器人，它接受了人类的指令，去风险的硒溶池履行收集使命。当它越来越接近目的地，风险的程度越来越高，第三规律让它不得不脱离以维护自己；但当它开端远离目的地，第二规律又让它有必要遵守指令行进。因而，它被置于一个前后两难的对立地步，围绕着硒溶池不断地转圈圈。
水星上，两名宇航员寻觅不断转圈圈的速必敌
阿西莫夫的“机器人”系列故事招引了许多科幻迷，其间的一些科学家开端考虑机器具有考虑才能的或许性。直到现在，仍有许多人运用阿西莫夫的三大规律，进行人工智能的智力操练。
艾伦·图灵提出仿照游戏（1950）
1950年，艾伦·图灵（Alan Turing）写道：“我提议考虑一个问题——‘机器能考虑吗？’”
这句话是其开创性的研评论文《核算机器与智能》的开端。该论文提出了一个考虑机器智能的模型。他反问道，假如一台机器可以仿照人类有认识的行为，莫非它不会有认识吗？
艾伦·图灵在1950年初次提出了判别机器认识的基准
遭到理论性问题的启示，图灵经典的“仿照游戏”诞生了。游戏设置了三个人物，人、机器和人类“询问者”。“询问者”需求与其他二者在物理空间上分离隔。“询问者”建议发问，且依据二者的纯文本回应（防止声响答复发生搅扰），区别机器和人。假如一台机器可以与人类交流（注：图灵以为抱负状况是运用Teleprinter，即“电传打字机”），且让“询问者”难以分辩人与机器的别离，那么这台机器就被以为具有智能。
在图灵年代，没有一台机器可以经过这样的测验，直到今日也没有。但他的测验为区别机器是否具有智能供给了一个简略的规范。它协助刻画了人工智能的哲学。
达特茅斯举行人工智能大会（1956）
到1955年，国际各地的科学家现已开端考虑一些概念问题，比方神经网络和自然言语，但还没有一致的概念来归纳这些与机器智能有关的范畴。
达特茅斯学院（Dartmouth College）数学教授约翰·麦卡锡（John McCarthy）发明了“人工智能”这个术语来包含这一切。
由麦卡锡领导的一个小组申请了拨款，在第二年举行了一场人工智能大会。1956年夏天，他们邀请了许多顶尖科研人员到特茅斯礼堂参加会议。科学家们评论了人工智能研讨许多的潜在开展范畴，包含学习和查找、视觉、推理、言语和认知、游戏（尤其是国际象棋），以及人机交互（比方个人机器人）。
这场评论到达的遍及一致是，人工智能具有造福人类的巨大潜力。他们得出了一个“机器智能或许发生影响的研讨范畴”的整体结构。这次会议规范并促进了作为一门研讨学科的人工智能在此后多年的开展。
弗兰克·罗森布拉特发明了感知机（1957）
神经网络的根本结构被称为“感知机”（Perceptron），相当于节点（node），接纳一系列输入并进行核算，对其进行分类和置信水平剖析。举例而言，“输入”或许会剖析一张图片的不同部分，并对图画中是否有人脸进行“投票”。节点将会对投票行为和置信水平进行核算，并得出结论。今日，在强壮的核算机上运转的人工神经网络，连接了数十亿计这样的结构。
但在强壮的核算机呈现前，感知机就现已存在了。20世纪50年代末，一位年青的心理学家，弗兰克·罗森布拉特（Frank Rosenblatt），为一台名为Mark I的感知机树立了一个机械模型。
弗兰克·罗森布拉特在康奈尔航空实验室树立了一个“神经网络”
这台机器是为图画辨认而规划的。它是一个仿照神经网络，其间的感光单元矩阵经过导线与节点相连。罗森布拉特开发了一种“感知机算法”，引导网络逐步调整其输入强度，直到它们一向正确地辨认图画，然后有效地让它进行学习。
其时，罗森布拉特遭到美国水兵的经费赞助，召开了新闻发布会。《纽约时报》抓住了发布会的关键：“水兵透露了一种电子核算机的雏形，期望未来它可以走、说、写、看、自我仿制并认识到自己的存在。”
现在，这台最早的感知器存放在美国的史密森尼博物院（Smithsonian）中。
直到20世纪80年代，科学家们还在剧烈地评论感知机的相关问题。这关于创立神经网络的物理实体十分重要，而在此之前，神经网络首要是一个学术概念。
人工智能的榜首个冬季（20世纪70年代）
人工智能现已将其大部分的前史投入到研讨范畴中。在20世纪60年代的大部分时间里，美国国防部高档研讨方案局（DARPA）等政府机构为研讨投入很多资金，但关于终究的报答要求不多。与此一起，为了确保经费足够，人工智能的学者常常夸张他们的研讨远景。这一切在60年代末70年代初发生了改动。
1966年，言语主动处理咨询委员会（ALPAC）向美国政府提交了一份陈述；1973年，英国科学研讨委员会（SRC）向英国政府提交了一份由闻名运用数学家James Lighthill爵士带头起草的陈述。两份陈述都对人工智能研讨各个范畴的实践开展提出了质疑，它们看待技能远景的情绪也十分绝望。Lighthill陈述以为，用于语音辨认等使命的人工智能很难扩展到对政府或军方有用的规划。
1973年BBC录制的AI拥护者与反对者James Lighthill的争辩
因而，美国政府和英国政府都开端减少大学人工智能研讨的资金。在上世纪60年代的大部分时间里，DARPA一向大方地供给人工智能研讨经费。现在，DARPA要求研讨方案有必要有清晰的时间表，而且详细描绘项目作用。
其时的人工智能似乎是让人绝望的，它的才能或许永久达不到人类的水平。人工智能榜首个“冬季”一向持续到70年代，而且持续蔓延到80年代。
人工智能迎来第二个冬季（1987）
20世纪80年代的人工智能开展，是跟着“专家体系”（Expert Systems）的开展与大获成功开端的。
专家体系是一种仿照人类专家处理范畴问题的核算机程序体系。体系内存储了很多范畴常识，并仿照人类专家来做出决议计划。
这一体系开端是由卡内基梅隆大学为数字设备公司（Digital Equipment Corporation）开发的，后者敏捷采用了这项技能。
可是专家体系需求贵重的专用硬件支撑，这就呈现了一个问题：其时，Sun Microsystems的工作站、Apple和IBM的个人电脑都具有近似的才能，但价格却更低。1987年，专家体系核算机的商场溃散了，首要供货商黯然离场。
上世纪80年代初，专家体系的昌盛让DARPA增加了对人工智能研讨的资金投入。但后来状况再次发生了改动，除了少量人为选择的项目以外，DAPRA再次堵截关于其他人工智能项目的大部分赞助。
“人工智能”一词再次成为研讨范畴的忌讳。为了防止被视为不切实践、渴求赞助的“梦想家”，科研人员开端为人工智能相关的研讨冠上不同的称号——比方“信息学”、“机器学习”和“剖析学”。
第二个“人工智能冬季”连续到了2000年代。
IBM的深蓝打败卡斯帕罗夫（1997）
1997年，当IBM的深蓝国际象棋（Deep Blue chess）电脑在国际象棋竞赛中打败了其时的国际冠军加里•卡斯帕罗夫（Garry Kasparov）时，人工智能的大众形象大幅提高。
在电视直播的六场竞赛中，深蓝赢了两场，卡斯帕罗夫赢了一场，其间三场以平局告终。在前一年，卡斯帕罗夫打败了前期版别的“深蓝”。
1997年，IBM的深蓝打败了国际上最好的人类棋手加里·卡斯帕罗夫
深蓝具有强壮的核算才能，它运用了一种“蛮力”的办法，每秒点评2亿种或许的走法，然后找到最佳走法。而人类每回合只能查看大约50步。深蓝到达的作用就像人工智能相同，可是核算机此刻还并没有真实地在下棋中考虑战略、自主学习。
尽管如此，深蓝的成功仍是将人工智能十分高调地带回了大众视界。有人很入神，也有人则对机器打败顶尖的人类棋手这件事感到很不自在。令投资者难以忘怀的是：深蓝的成功推进IBM股价上涨了10美元，创下了前史新高。
神经网络看到猫（2011）
到2011年，国际各地的科学家都在评论并发明神经网络。那一年，谷歌工程师杰夫·迪恩（Jeff Dean）遇到了斯坦福大学核算机科学教授吴恩达（Andrew Ng）。两人萌生了树立一个大型神经网络的主意，运用谷歌的服务器资源为其供给强壮的核算才能，并向它运送海量的图画数据集。
他们树立的神经网络在16000个服务处理器上运转。他们随机上传了1000万张没有标签的来自YouTube的截图。杰夫和吴恩达并没有要求神经网络供给任何特定信息，或符号图画。当神经网络在“无监督”的状态下运转时，它们自然会企图在数据找到形式，并构成分类。
神经网络对图画数据进行了为期三天的处理。然后，它返回了一个输出，该输出包含了三个含糊图画，这些图画描绘了它在测验图画中一次又一次看到的“图画”——人脸、人体和猫。
神经网络对图画数据的处理
在核算机视觉使命中运用神经网络和无监督学习，该研讨是一个重大突破。这个事情也标志着“谷歌大脑项目”（Google Brain Project）的开端。
杰弗里·辛顿解放了深层神经网络（2012）
在杰夫和吴恩达获得突破性开展之后的一年，多伦多大学教授杰弗里·辛顿（Geoffrey Hinton）和他的两个学生树立了名为AlexNet的核算机视觉神经网络模型。2012年，在闻名的ImageNet的图画辨认大赛傍边，AlexNet一举夺冠。参赛者有必要运用自己的体系来处理数百万的测验图画，而且以尽或许高的精确率进行辨认。AlexNet赢得了竞赛，过错率不到亚军的一半。AlexNet的Top-5过错率是15.3%；而在2012年曾经，最好成果是26%的过错率。
注：Top-5过错率是ImageNet大赛的点评规范之一。简而言之，大赛给图片类别设置了近千项“分类”，而模型辨认图片时，会给出其猜测的“分类”概率排名。关于某个图片，假如该模型猜测成果中，猜测概率最大的前5项都不符合实践成果，则算“过错”。
“深度学习教父”——杰弗里·辛顿
这一成功有力地证明，深度神经网络在对图画进行精确辨认和分类方面远远优于其他体系。这次夺冠影响极端深远，使深度神经网络得以复兴，也为辛顿赢得了“深度学习教父”的绰号。
辛顿和他的搭档约舒亚·本乔（Yoshua Bengio）、扬·勒昆（Yann LeCun）一同获得了2018年图灵奖。
AlphaGo打败人类围棋冠军（2016）
早在2013年，一家名为DeepMind的英国草创公司的研讨人员宣布了一篇论文，展现了他们怎么运用神经网络来赢得50种旧式的雅达利游戏（Atari）。令人形象深入的是，谷歌以4亿美元的价格收买了这家公司。
不过，DeepMind的光芒年月还未到来。
几年后，DeepMind的科学家们（现归于谷歌）从雅达利游戏转向人工智能的长时间应战之一——围棋。他们开发了一个名为AlphaGo的神经网络模型用于玩围棋，并经过玩来学习。该模型与其他版别的AlphaGo进行了数千场竞赛，学习AlphaGo的输赢战略。
它竟然成功了。2016年3月，AlphaGo在一系列竞赛中以4比1打败了国际上最巨大的韩国棋手李世石（Lee Sedol）。整个事情被拍成了纪录片。
人类顶尖棋手与AlphaGo的交兵
观看这部片子的时分，咱们很难忘掉李世石被打败时的哀痛。看起来就好像人类——而不仅仅是一个人——被打败了。
在深度学习发生了广泛影响的一起，人工智能的故事仅仅刚刚开端。
咱们现已进入一个簇新的年代。人工智能仍将充满期望，裹挟着炒作与浮躁。它所带来的，或许将远远超越个人核算和互联网在曩昔30年对国际形成的改动。带着对未来的期许，让咱们回到图灵一开端提的问题：“机器能考虑吗？”
或许不需求再次历经70年的求索，答案或许就在这个十年。