Ⅰ 人工智慧發展史 4張圖看盡AI重大里程碑
作者 | 王健宗 瞿曉陽
來源 | 大數據DT
01 人工智慧發展歷程
圖1是人工智慧發展情況概覽。人工智慧的發展經歷了很長時間的歷史積淀，早在1950年，阿蘭·圖靈就提出了圖靈測試機，大意是將人和機器放在一個小黑屋裡與屋外的人對話，如果屋外的人分不清對話者是人類還是機器，那麼這台機器就擁有像人一樣的智能。
▲圖1 人工智慧起源及發展
隨後，在1956年的達特茅斯會議上，「人工智慧」的概念被首次提出。在之後的十餘年內，人工智慧迎來了發展史上的第一個小高峰，研究者們瘋狂湧入，取得了一批矚目的成就，比如1959年，第一台工業機器人誕生；1964年，首台聊天機器人也誕生了。
但是，由於當時計算能力的嚴重不足，在20世紀70年代，人工智慧迎來了第一個寒冬。早期的人工智慧大多是通過固定指令來執行特定的問題，並不具備真正的學習和思考能力，問題一旦變復雜，人工智慧程序就不堪重負，變得不智能了。
雖然有人趁機否定人工智慧的發展和價值，但是研究學者們並沒有因此停下前進的腳步，終於在1980年，卡內基梅隆大學設計出了第一套專家系統——XCON。該專家系統具有一套強大的知識庫和推理能力，可以模擬人類專家來解決特定領域問題。
從這時起，機器學習開始興起，各種專家系統開始被人們廣泛應用。不幸的是，隨著專家系統的應用領域越來越廣，問題也逐漸暴露出來。專家系統應用有限，且經常在常識性問題上出錯，因此人工智慧迎來了第二個寒冬。
1997年，IBM公司的「深藍」計算機戰勝了國際象棋世界冠軍卡斯帕羅夫，成為人工智慧史上的一個重要里程碑。之後，人工智慧開始了平穩向上的發展。
2006年，李飛飛教授意識到了專家學者在研究演算法的過程中忽視了「數據」的重要性，於是開始帶頭構建大型圖像數據集—ImageNet，圖像識別大賽由此拉開帷幕。
同年，由於人工神經網路的不斷發展，「深度學習」的概念被提出，之後，深度神經網路和卷積神經網路開始不斷映入人們的眼簾。深度學習的發展又一次掀起人工智慧的研究狂潮，這一次狂潮至今仍在持續。
圖2列出了人工智慧發展史上的一些重要事件。從誕生以來，機器學習經歷了長足發展，現在已經被應用於極為廣泛的領域，包括數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲、藝術創作和機器人等，以及我們特別關注的機器學習和深度學習未來發展的一大趨勢——自動化機器學習和深度學習（AutoML及AutoDL）。
▲圖2 人工智慧發展重大事件
02 下一代人工智慧
我們首先通過圖3來回顧一下人工智慧的發展歷程。
▲圖3 人工智慧發展歷程
到目前為止，人工智慧按照總體向上的發展歷程，可以大致分為4個發展階段，分別為精耕細作的誕生期、急功近利的產業期、集腋成裘的爆發期，以及現在逐漸用AutoML來自動產生神經網路的未來發展期。
早期由於受到計算機算力的限制，機器學習處於慢速發展階段，人們更注重於將邏輯推理能力和人類總結的知識賦予計算機。但隨著計算機硬體的發展，尤其是GPU在機器學習中的應用，計算機可以從海量的數據中學習各種數據特徵，從而很好地完成人類分配給它的各種基本任務。
此時，深度學習開始在語音、圖像等領域大獲成功，各種深度學習網路層出不窮，完成相關任務的准確率也不斷提升。同時，深度學習神經網路朝著深度更深、結構更加巧妙復雜的方向推進，GPU的研發與應用也隨著神經網路對算力要求的不斷提高而持續快速向前推進。圖4展示了近年來主要神經網路的發展。
▲圖4 主要深度神經網路的發展
2012年，AlexNet為了充分利用多個GPU的算力，創新性地將深度神經網路設計成兩部分，使網路可以在兩個GPU上進行訓練。
2013年，ZFNet又進一步解決了Feature Map可視化的問題，將深度神經網路的理解推進了一大步。2014年，VGGNet通過進一步增加網路的深度而獲得了更高的准確率；同年，GoogLeNet的發明引入了重復模塊Inception Model，使得准確率進一步提升。
而2015年ResNet將重復模塊的思想更深層次地發展，從而獲得了超越人類水平的分辨能力。這時，由於深度神經網路層數的不斷加深，需要訓練的參數過於龐大，為了在不犧牲精度的同時減少需要訓練的參數個數，2017年DenceNet應運而生。
隨著深度神經網路的不斷發展，各種模型和新穎模塊的不斷發明利用，人們逐漸意識到開發一種新的神經網路結構越來越費時費力，為什麼不讓機器自己在不斷的學習過程中創造出新的神經網路呢？
出於這個構思，2017年Google推出了AutoML——一個能自主設計深度神經網路的AI網路，緊接著在2018年1月發布第一個產品，並將它作為雲服務開放出來，稱為Cloud AutoML。
自此，人工智慧又有了更進一步的發展，人們開始探索如何利用已有的機器學習知識和神經網路框架來讓人工智慧自主搭建適合業務場景的網路，人工智慧的另一扇大門被打開。