摘要 从早期的哥德尔、图灵等人的研究到“人工智能”一词的提出，在到后期的人工智能三大学派：符号学派、连接学派和行为学派，以及近几年的新进展：深度学习、通用人工智能。
关键词 人工智能 螺旋式上升 发展史
人工智能（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。它最早提出于上个世纪50年代，并在1997年IBM公司“深蓝”电脑击败了国际象棋大师加里·卡斯帕洛夫广为世人所知，引起了不小的轰动。在去年AlphaGo击败李世石后，人工智能再次出现在世人视野中，并成为谈论的焦点。
人工智能自从出现以来，一直是科幻小说和科幻电影中的经典形象。无论是《终结者》、《黑客帝国》中的AI，还是《机器人瓦力》，所有这些荧幕上的人工智能都具备一些共同特征：异常强大，能力非凡。虽然现实中的人工智能与荧幕上的机器人相去甚远，但他们早已出现在我们身边，例如搜索引擎、邮件过滤器、智能语音助手Siri、二维码扫描器、游戏中的NPC，都是近60年来人工智能技术实用化的产物。在60年来人工智能的探索之路中，充满了波折与不确定。
在1900年的在巴黎召开的数学家大会，大卫·希尔伯特宣布了23个未解决的难题。其中的第二问题和第十问题则与人工智能密切相关，并最终促成了计算机的发明。希尔伯特的第二问题来源于一个大胆的想法——运用公理化的方法统一整个数学，并运用严格的数学推理证明数学自身的正确性，这被后人称为希尔伯特纲领。这就是希尔伯特第二问题：证明数学系统中应同时具备一致性（数学真理不存在矛盾）和完备性（任意真理都可以被描述为数学定理）。
库尔特·哥德尔起初是希尔伯特的忠实粉丝，并致力于第二问题。然而，他很快就发现，自己之前的努力都是徒劳的，因为希尔伯特第二问题的断言根本就是错的：任何足够强大的数学公理系统都存在瑕疵：一致性和完备性不能同时具备。他于1931年提出了哥德尔不完备性定理。希尔伯特纲领的最大弱点恰恰就是它的自指性:要用数学公理系统本身而不能借助外力来证明数学公理的完备一致性。若要实现这一点，这个数学系统就要具备谈论自己的能力。于是，我们便可以在数学公理系统中构造一个悖论句，从而彻底摧毁希尔伯特的猜想。这个数学公理中的悖论就是哥德尔句子。哥德尔句子可以通俗的表述为：本数学命题不可以被证明。正命题和反命题同时都是系统中的定理，一致性遭到了破坏。因此对于一个足够强大（强大到具备了自指能力）的数学公理系统，一致性和完备性不能兼得。这就是哥德尔不完备性定理。尽管在1931年，人工智能学科还没有建立，计算机也没有发明，但是哥德尔定理似乎已经为人工智能提出了警告。这是因为如果我们把人工智能也看作一个机械化运作的数学公理系统，那么根据哥德尔不完备性定理，必然存在着某种人类可以构造、但是机器无法求解的人工智能的“软肋”。数学无法证明数学本身的正确性，人工智能也无法仅凭自身解决所有问题。所以，存在着人类可以求解但是机器却不能解的问题，人工智能不可能超过人类。但问题没有这么简单，上述命题成立的一个前提是人与机器不同，不是一个机械的公理化系统。然而，这个前提是否成立迄今为止我们并不知道，所以这一问题仍在争论之中。
另一个与哥德尔年龄相仿的年轻人被希尔伯特的第十问题深深的吸引了，并决定为此奉献一生。这个人就是艾伦·图灵。希尔伯特第十问题的表述是：“是否存在着判定任意一个丢番图方程有解的机械化运算过程。” “机械化运算过程”就是算法。图灵设想了一个机器——图灵机。它是计算机的理论原型，圆满的刻画出了机械化运算过程的含义，并最终为计算机的发明铺平了道路。图灵机是指一个抽象的机器，它有一条无限长的纸带，纸带分成了一个一个的小方格，每个方格有不同的颜色。有一个机器头在纸带上移来移去。机器头有一组内部状态，还有一些固定的程序。在每个时刻，机器头都要从当前纸带上读入一个方格信息，然后结合自己的内部状态查找程序表，根据程序输出信息到纸带方格上，并转换自己的内部状态，然后进行移动。1950年10月，图灵又发表另一篇题为“机器能思考吗”的论文，成为划时代之作。也正是这篇文章，为图灵赢得了“人工智能之父”的桂冠。图灵还进一步预测称，到2000年，人类应该可以用10GB的计算机设备，制造出可以在5分钟的问答中骗过30%成年人的人工智能。
1945年，冯·诺依曼提出了“冯诺依曼体系”。把程序本身当作数据来对待，程序和该程序处理的数据用同样的方式存储，并确定了存储程序计算机的五大组成部分和基本工作方法。一直沿用至今。
诺伯特·维纳在控制论中深入探讨了机器与人的统一性——人或机器都是通过反馈完成某种目的的实现，因此他揭示了用机器模拟人的可能性，这为人工智能的提出奠定了重要基础。
在1956年8月的达特矛斯会议，正式提出了人工智能的概念。因此，1956年也就成了人工智能元年。
达特矛斯会议之后，人工智能获得了井喷式发展。1946年，配合着计算机超强的穷举和计算能力，阿佩尔等人把四色猜想证明了。1958年夏天，王浩在一台IBM704机器上用汇编写了三个程序，证明了罗素和怀特海《数学原理》一书中的 200多个定理。计算过程仅仅用了半个多小时。达特矛斯会议上，萨缪尔研制了一个跳棋程序，该程序具有自学习功能，可以在比赛中不断总结经验提高棋艺。过了3年后，该程序已经可以击败美国一个州的跳棋冠军。1956年，奥利弗·萨尔夫瑞德研制出第一个字符识别程序，开辟了模式识别这一新的领域。1957年，纽厄尔和西蒙等开始研究一种不依赖于具体领域的通用问题求解器，他们称之为GPS（General Problem Solver）。
70年代初，AI遭遇了瓶颈。由于缺乏进展，对AI提供资助的机构（如英国政府，DARPA和NRC）对无方向的AI研究逐渐停止了资助。NRC（美国国家科学委员会）在拨款二千万美元后停止资助。这使得人工智能进入了寒冷的冬天。
1977年美国斯坦福大学计算机科学家费根鲍姆教授在第五届国际人工智能会议中提出知识工程的新概念。他认为，“知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题。”这类以知识为基础的系统，就是通过智能软件而建立的专家系统。第一个成功的专家系统DENNRAL于1968年问世，它可以根据质谱仪的数据推知物质的分子结构。在这个系统的影响下，各种各样的专家系统很快连续涌现，形成了一种软件产业的全新分支：知识产业。
然而，在专家工程、知识工程获得大量的实践经验之后，弊端逐渐显现了出来，这就是知识的获取。面对这个全新的棘手问题，人工智能这个学科逐渐分化成了几大不同的学派。
传统的人工智能被统称为符号学派。该学派认为：人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。它认为人是一个物理符号系统,计算机也是一个物理符号系统,因此,我们就能够用计算机来模拟人的智能行为,即用计算机的符号操作来模拟人的认知过程。这种方法的实质就是模拟人的左脑抽象逻辑思维，通过研究人类认知系统的功能机理，用某种符号来描述人类的认知过程，并把这种符号输入到能处理符号的计算机中，就可以模拟人类的认知过程，从而实现人工智能。可以把符号主义的思想简单的归结为“认知即计算”。
连接主义认为人工智能源于仿生学，特别是对人脑模型的研究。它的代表性成果是1943年由生理学家麦卡洛克和数理逻辑学家皮茨创立的脑模型，即MP模型，开创了用电子装置模仿人脑结构和功能的新途径。它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。二十世纪六七十年代，连接主义，尤其是对以感知机为代表的脑模型的研究出现过热潮，由于受到当时的理论模型、生物原型和技术条件的限制，脑模型研究在20世纪70年代后期至80年代初期落入低潮。直到霍普菲尔德教授在1982年和1984年发表两篇重要论文，提出用硬件模拟神经网络以后，连接主义才又重新抬头。1986年，鲁梅尔哈特等人提出多层网络中的反向传播算法(BP)算法。此后，连接主义势头大振，从模型到算法，从理论分析到工程实现，为神经网络计算机走向市场打下基础。现在，对人工神经网络的研究热情仍然较高，但研究成果没有像预想的那样好。
行为主义认为人工智能源于控制论。控制论思想早在二十世纪四五十年代就成为时代思潮的重要部分，影响了早期的人工智能工作者。维纳和麦克洛克等人提出的控制论和自组织系统以及钱学森等人提出的工程控制论和生物控制论，影响了许多领域。控制论把神经系统的工作原理与信息理论、控制理论、逻辑以及计算机联系起来。早期的研究工作重点是模拟人在控制过程中的智能行为和作用，如对自寻优、自适应、自镇定、自组织和自学习等控制论系统的研究，并进行“控制论动物”的研制。到二十世纪六七十年代，上述这些控制论系统的研究取得一定进展，播下智能控制和智能机器人的种子，并在20世纪80年代诞生了智能控制和智能机器人系统。
在人工智能开始分化的背景下，马库斯·胡特尝试统一人工智能，并为新学科取名通用人工智能。
深度学习的概念由Hinton等人于2006年提出。基于深度置信网络(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
尽管人工智能这条道路蜿蜒曲折，但至少它在发展并不断壮大。最重要的是，人们对于人工智能的梦想永远没有破灭过。人工智能之梦将永远启动着我们不断前行，挑战极限。
【1】 集智俱乐部. 漫谈人工智能 北京；人民邮电出版社，2015年
【2】 蔡自兴、徐光祐. 人工智能及其应用(第三版) 北京；清华大学出版社，2003年