作者：[美]卢克·多梅尔
出版社：中信出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
人工智能试读：
前言
计算机的那只红眼睛能洞悉一切，它目不转睛，也不眨眼。说话的语气从容平静。“嗨，”它说，“我们还要继续比赛吗？”
它指的是那天早些时候开始的棋局。但是你真的没有心情继续这盘棋，这不是因为计算机总是赢你（尽管这是事实），事实上，你之所以恼怒，是因为它犯下了一个令人费解的错误，这个错误与重要机器的关键部件可能出现的故障息息相关，甚至关系到你能否继续生存下去。尽管计算机坚持称这些部件已经出了故障，但你亲自检查后，却发现它们依然处于良好的工作状态。现在你想知道真正的答案。“是的，我知道你发现它们还在正常运转，但我可以向你保证，它们将要出故障。”计算机一边说，一边试图用那种惯常的、毫无情绪的声音安抚你。
你感觉自己已经怒火中烧了。“够了，根本不是这么回事，”你气急败坏地嚷道，“这些零件完全没有问题，我们在百分之百的过载条件下进行过测试。”“我并不是质疑你的话，但是这的确是有问题的。”计算机继续说道。
随后它又说了6个字，你知道这些话是对的，但这绝对不是你现在想听到的话：“我不可能出错。”
影迷们可以很快发现，这是斯坦利·库布里克（Stanley Kubrick）的经典电影《2001：太空漫游》中的一幕，讲的是有意识的计算机流露杀机并且企图杀死太空船中全部船员的故事。
多年以来，这曾是我们看待人工智能的方式：它是一种若隐若现的威胁，但只安全地存在科幻小说中。
但现在已经不再是这样了。
今天，人工智能的梦想早已走出了影院与科幻小说，进入了人们的现实生活。人工智能可以驾驶汽车，交易股票，仅通过观看视频网站YouTube就能学会施展复杂的技能，在不同语种间任意切换，它比我们更加精确地识别人脸，以及创立原始的假设从而发现治愈疾病的新药。而这仅仅是个开端。《人工智能》讲述的是人工智能的进化之旅及其对人类的意义。在阅读这本书的过程中，我们将遇到假装有娈童癖的计算机、会跳舞的真空吸尘器、会下棋的人工智能以及旨在与死后的人进行对话而被上传了个人意识的计算机。
这是关于我们如何设想未来的故事，以及在一个充满技术的世界，我们在面临计算机智能不断加速发展的情况下如何为人类塑造自己的角色的故事。这是一个关于创造性的本质、未来就业以及当所有知识成为数据并且可以电子存储时，即将发生什么的故事。当我们制造的机器比我们更加聪明，我们将要做什么，人类现在还具备什么优势，以及你和我是否也是一种会思考的机器。
1950年，英国数学家和计算机科学家先驱人物艾伦·图灵（Alan Turing）曾预测，到20世纪末，“词语的使用与一般的教育主张将发生巨大改变，届时人们谈论机器思维时，不会有人对此进行反驳”。
就像许多未来学家对技术的预测一样，图灵对未来非常乐观，但并不过度乐观。在21世纪初期，与“智能”相关的技术以及“机器学习”已经是很常见的话题，而这些概念在图灵时代曾使许多人感到匪夷所思。
如今，人工智能作为一门学科已经诞生60年，它依然是人类最重大、最具雄心的项目：努力建造真正的会思考的机器。随着时光的流逝，技术人员离实现这个目标越来越近，未来的一抹曙光也正在天际迅速明朗。《人工智能》讲述的正是这种熠熠生辉且近在咫尺的未来，隐藏在角落里的变化，以及它们将如何永久性地改变我们的生活。第一章表现不俗的传统人工智能怎么了
当人们走近纽约世博会时，首先映入眼帘的是一个闪闪发光的不锈钢球体，这就是巨型地球仪（Unisphere），它足足有十二层楼那么高。几十座喷泉环绕在巨型地球仪周围，朝着纽约皇后区法拉盛草原可乐娜公园的空中喷射出晶莹的水柱。在一天中的不同时间段，身穿由美军研发的火箭样式道具服的演员会飞过巨大的球体，展示出人类战胜一切挑战的能力。
1964年，纽约世界博览会举办。在世博会期间，大约5 200万人[1]造访了法拉盛草原650英亩的展馆和公共空间。这场盛会展示了美国美好的现状并预见了美国更加辉煌的未来：多车道高速公路、耀眼的摩天大楼、自动人行道和水下社区一应俱全。在美国这样的国家，即使建造太空旅游度假村也并非遥不可及。因为仅仅在5年后，美国就成功将人类送上了月球。纽约的“建筑大师”罗伯特·摩西（Robert Moses）将1964年世博会称为“人类进步的奥运会”。
你所见之处无不暗示着美国在战后的全球统治地位。福特汽车公司选择在世博会上发布其最新车型——福特野马。这款车很快成为史上最畅销的车型之一。纽约辛克莱石油公司所展示的“恐龙乐园”（Dinoland）以电子化卡通制作再现了中生代场景。在“恐龙乐园”中，辛克莱石油公司的吉祥物雷龙比其他史前生物都要高出一截。在[2]美国国家航空航天局展厅，参观者有幸一睹高达51英尺的“土星5号”运载火箭船尾的复制品。该运载火箭不久后在阿波罗太空计划中协助人类成功登上了月球。在港务局大楼，人们排队观看壮观的纽约世界贸易中心“双子塔”的建筑模型。两年后的1966年，世界贸易中心破土动工。
如今，大部分上述进展会让人不禁缅怀过去的科技进步。在“更大、更高、更重”的雄伟壮阔中，这些进步完成了与过去时代的对话。那个时代对当年的世博会参观者还是个未知数，而如今却即将走向终结。工业时代逐渐淡出，被个人电脑所引领的信息时代所取代。对于那些1964年以后出生的孩子来说，数字将代替他们工程师梦想中的铆钉。苹果公司的史蒂夫·乔布斯在纽约世博会举办那年只有9岁，谷歌联合创始人拉里·佩奇和谢尔盖·布林在纽约世博会举办近10年后才出生，而Facebook（脸谱网）的马克·扎克伯格则在纽约世博会举办20年后才来到这个世界。
最后，法拉盛草原可乐娜公园中最前卫的区域是IBM（国际商用机器公司）的展区。IBM在1964年世博会上的任务是在航天火箭和核反应堆等更负盛名的奇观中，强化公众对于计算机（更具体而言是人工智能）的认知。为此，IBM选择世博会作为全新System/360系列大型计算机的推介平台——据说，该系列计算机的性能非常强大，足以作为智能电脑首台原型机的基础。
IBM在世博会上最引人瞩目的展示当属美国夫妻档设计大师查尔斯（Charles）和蕾·伊姆斯（Ray Eames）设计的巨蛋形展馆。这颗飞艇般大小的“巨蛋”耸立在一片由45棵32英尺高的几何形金属片树木所构成的“森林”中；14 000片灰色和绿色树脂玻璃叶片展开后形成一个一英亩的硕大穹顶。兴奋不已的世博会参观者需要乘坐一台专用的液压电梯进入“巨蛋”，然后可以坐在一个高科技放映厅内观看一段关于人工智能未来的视频。一位激动不已的评论者借用IBM从19世纪20年代就开始使用的品牌口号“Think”，这样写道：“观看着，思考着，并且惊叹着人类及其所创造的机器的奇妙智慧。”
IBM在这场盛会上展示了多项令人印象深刻的技术。开创性的手写识别计算机便是其中之一，并被世博会官方手册称为“光学扫描和信息检索”系统。在该系统的演示中，参观者可以在一张小卡片上亲笔写下任意一个1851年后的历史日期。然后，卡片被插入“光学字符读取器”，并在该设备中被转换成数字格式，然后再转发给当时最先进的IBM 1460计算机系统。随后，计算机磁盘上一个大型数据库中存储的当日重大新闻事件被打印在一张穿孔卡片上，颇有纪念意义，也让使用者惊叹不已。一张保存下来的穿孔卡片上如是写道：《纽约时报》在你所写下的日期报道了以下新闻事件：1963年4月14日：30 000名朝圣者在复活节造访耶路撒
冷；教皇约翰·保罗为人类的真理和爱祷告。
有人可能会试图预测未来，而且在世博会第一天的确有个爱开玩笑的人这么做了。穿孔卡片上这样写道：“由于这是一个未来日期，我们只有在××天后才能得知当天的事件。”
另一个演示是一场机械木偶表演，而且显然是根据“18世纪的原型”所设计的，表演的内容是夏洛克·福尔摩斯运用计算机逻辑侦破一个案件。
然而，最令人难忘的可能是一台计算机轻松地（或者看似轻松地）进行了英俄互译，跨越了美国与苏联之间不可逾越的鸿沟。这项[3]神奇技术的实现要归功于世博会IBM展区与远在114英里之外的纽约金士顿一台强大的IBM大型计算机之间的专用数据连接，所有繁重的计算工作都由这台计算机来完成。
机器翻译对计算机的清晰思维如何引领我们走向乌托邦进行了简明且出色的概括。政治家们可能无法结束冷战，但他们也只是普通人——有着人类可能具有的所有缺点。议员、将军，乃至总统都严重缺乏当时学术界刚刚开始提出的“机器智能”。智能机器能否比人类做得更好？在1964年的世博会上，激动万分的公众一睹科研人员最乐观的愿景。人工智能给出的建议是，只要能够在机器中尽量利用和复制人脑的最深层奥秘，那么全球和谐终会得以保障。
世博会的官方标语“理解构筑和平”是这一切的最佳总结。未来已来
1964年纽约世博会上凸显了人工智能愿景的两种表现。第一种表现是人们对于等待着他们的未来有多么乐观。尽管冷战威胁时隐时现，但在19世纪60年代，人们却在许多方面都表现出惊人的乐观态度，毕竟在60年代初，约翰·肯尼迪总统宣布：在10年内，人类将登上月球。而在这10年的结尾，人类确实做到了。如果连这都能做到，那么解析和重建意识看似更容易实现。政治学家、人工智能创始人之一赫伯特·西蒙（Herbert Simon）于1960年宣称：“我们离复制人类大脑解决问题的能力和信息处理的能力已经不远了。”可能是借鉴了肯尼迪向对手下战书的方式，他随意地加上了自己估计的时间：“如果我们在未来10年还未实现这一愿景，那才令人惊讶。”
西蒙的预测后来无望地落空了，但事实证明，有关纽约世博会的第二种表现就是：IBM当时并没有错。尽管我们坚持认为人工智能尚未普及，但1964年令人惊掉下巴的三项技术如今已司空见惯。光学扫描和信息检索已演变成互联网，让我们在一瞬间获得的信息比原本一生可能获得的信息还要多。虽然我们仍然无法预见未来，但是基于用户不断预测我们可能感兴趣的新闻故事、书籍或歌曲所生成的巨大数据集，我们正在人工智能方面取得巨大的进展。这种预测的连通性不仅限于传统意义上的计算机，而且还通过大量智能传感器和设备嵌入到了周围的设备、车辆和建筑中。
福尔摩斯木偶剧旨在展示通过计算机逻辑可以完成多种任务的方式。我们的计算机逻辑方法已经在某种程度上做出了改变，但是在查看两张照片并且判断照片中是否为同一人时，福尔摩斯可能还是会被精确度高于人类的现代人脸识别算法所折服。福尔摩斯的创造者、作家柯南·道尔（Conan Doyle）是一位毕业于爱丁堡大学（如今是英国顶尖人工智能院校之一）的专业医生。如果他看到疾病诊断效率高过许多人类医生的人工智能Modernizing Medicine（现代化医疗），也很可能会对此赞叹不已。
最后，世博会上神奇的机器译员已发展演变成为今天我们最为熟悉的谷歌翻译：一项拥有惊人的高准确率、涵盖58种不同语言（共计3 306项独立翻译服务）的免费机器翻译服务。如果说世博会设想的是俄语与英语之间的即时翻译，那么谷歌翻译则更进一步，它能够提供冰岛语和越南语或者波斯语和意第绪语等此前受到局限的语种之间的翻译。凭借云计算，我们甚至不需要固定的主机来执行计算，只需要比一副纸牌还小、被称为智能手机的便携式计算机即可。
在某种程度上，由于所有这些技术现已存在，而且不仅存在于研究实验室中，而是几乎每个想要使用它们的人都能唾手可得，因此很难说我们还没有进入人工智能时代。与我们在生活中为自己制定的许多虚无缥缈的目标一样，人工智能成为计算机科学的“梦幻岛”：一种总是潜伏在下一个转角的虚空“假设”。
但是，如果因此就认为人工智能自60年前诞生到今日一直在直线发展就大错特错了。在开始普及目前推动人类重大进步的大规模“深度学习神经网络”前，我们必须对人工智能的历史有更多的了解。
我们也必须了解，长期以来，在走上错误的道路前，人工智能是看上去发展得很顺利的。人工智能的三位卓越先驱
数千年来，人类一直梦想着为无生命的物体注入生命。但当谈到人工智能在普通人中的普及时，就得从世界上第一台可编程计算机——重达30吨的巨型计算机ENIAC开始说起。在1945年“二战”结束后仅6个月，宾夕法尼亚大学就制造出了兼具电子数字集成器和计算器功能的ENIAC。这台计算机耗费了500 000美元的美国军事基金，其运算速度比作为竞争对手的其他机电机器快了大约1 000倍。这台机器及其所代表的理念令媒体极为感兴趣。他们将这台计算机称为“巨脑”。
建造这样一个“巨脑”的想法令人们为之神往。“二战”结束以前，“电脑”专指在记账等领域进行计算的人。忽然之间，电脑所代表的不再是人了，而是装有电子管和晶体管的机器，而且这些机器的计算速度甚至比最有计算天赋的人还要快得多。“二战”及其余波激发了人们对认知心理学的兴趣。仅在战时，美国心理学会的会员人数就从2 600人增至4 000人。到1960年，仅15年间，会员人数就激增到了12 000人。认知心理学研究人员将人类大脑想象成一台机器，复杂行为可以通过这台机器表现为多重简单响应的综合结果。认知心理学家关注的是人类行为中切实可观测到的事物，而非在无法证实的“心理实体”上浪费时间。“行为主义”等领域因此应运而生，因老鼠实验而闻名的著名心理学家伯尔赫斯·弗雷德里克·斯金纳（B. F. Skinner）称行为主义为“行为的技术”。
工程师们之前一直对心理学形而上学的层面避而不谈，但是他们都被一个概念深深吸引，即人脑可能成为电脑。他们同样开始醉心于研究记忆、学习和推理，许多心理学家都将其视为人工智能的基础。激动人心的是，他们同样意识到，与人类相比，计算机具有潜在优势。例如，ENIAC每分钟能够计算多达20 000次乘法，这样的计算能力着实令人惊讶。人类的记忆并不可靠，而相比之下，一台每微秒访问数千条项目的机器更能凸显出优势。
专门介绍现代计算诞生的书籍有很多，其中三名作者脱颖而出，他们为我们现在所熟知的人工智能领域奠定了哲学和技术基础。他们就是：约翰·冯·诺依曼、艾伦·图灵和克劳德·香农。
冯·诺依曼是土生土长的匈牙利人，1903年出生在布达佩斯的一个犹太银行家家庭。1930年，冯·诺依曼来到普林斯顿大学担任数学教师，三年后成为新成立的普林斯顿高等研究院的6位教授之一，并担任这一职位直至去世。无论以什么标准来衡量，冯·诺依曼都堪称才智惊人。相传，他在6岁时就能计算8位数的除法。“二战”期间，冯·诺依曼在洛斯阿拉莫斯（Los Alamos）参与了曼哈顿计划（Manhattan Project），他的一项艰巨任务就是计算氢弹爆炸的精确高度，即在什么位置爆炸能够造成最大的破坏效果。冯·诺依曼对计算领域做出的主要贡献是，提出在计算机存储器中设置计算机程序存储的理念。实际上，冯·诺依曼是第一个将“记忆”这一人类专用术语应用于计算机的人。与同时期的其他人不同，冯·诺依曼并不认为计算机能够像人类一样思考，但是他却创建了与人类面相学相并行的学说。他在一篇文章中指出，计算机零件“相当于人类神经系统中的神经元。感觉神经元（传入神经元）和运动神经元（传出神经元）之间的共同点仍有待探讨”。其他人会很高兴接过这一挑战。
艾伦·图灵是英国的数学家和密码专家。“二战”期间，他在英国布莱切利公园密码破译中心担任政府密码学校的领导，并提出了许多破译德军密码的方法，其中最著名的就是发明了能够破译英格玛（Enigma）密码机设置的机电装置。这使他在破译截获信息方面发挥了重要作用，最终帮助同盟国战胜了纳粹。图灵对“思考的机器”这一想法十分着迷，并设计了著名的图灵测试，我们在后面的章节会进行详细探讨。图灵小时候非常喜欢一本书——《每个孩子都应该知道的自然奇观》（Natural Wonders Every Child Should Know），作者艾德文·坦尼·布鲁斯特（Edwin Tenney Brewster）称：“这本书试图引导8—10岁的孩子对如下问题自问自答：‘我与其他生物有什么相同之处？我们之间又有哪些不同？’”布鲁斯特在书中写道：当然，这就是一台机器。虽然它比以往任何机器都复杂
得多，但归根结底也只是一台机器。人们曾把它比作一台蒸
汽机，但那时我们对它的了解远没有现在多。它实际上是一
台燃气机：就像汽车、摩托艇或飞行器的引擎。
图灵的一个重要理念就是通用图灵机（Universal Turing Machine）。与其他拥有单一功能的电脑相比，图灵诠释了如何通过阅读磁带上的分步说明来使用电脑去完成多个任务。他写道，电脑“实际上能够作为其他机器的模型”。这就意味着没必要在完成每项任务时使用不同的机器。图灵指出：“我们无须再为不同的任务制造不同的机器，只需对通用机进行‘编程’即可完成这些任务。”
图灵猜测，其中一项任务就是模仿人工智能。他在《智能机器》这篇文章中将在机器中复制人工智能称为“一项特殊的挑战”，因为当时的计算机还存在一定的局限性。他认为“人脑的存储容量大约为100亿二进制数字，但其中大部分存储容量被用于记忆视觉印象，或以其他方式浪费掉了。人们有理由希望通过数百万字节的计算机内存而在人工智能方面取得实际的进展”。
人工智能的另一位创始人为克劳德·香农，也就是今天的“信息理论”之父。香农出生于1916年，是三位创始人中最年轻的一位，他为计算领域做出的最大贡献是提出了晶体管的工作原理。晶体管是数十亿个微小的开关，电脑就是由这些开关组成的。算法就是指令序列，通过打开或关闭晶体管向电脑传达指令。香农认为，电脑在接到其他晶体管指令后打开或关闭特定的晶体管，通过这一方式进行基本的逻辑分析。他指出，如果在打开2号和3号晶体管的同时打开1号晶体管，那么这就是一个逻辑运算。如果在打开2号或3号其中一个晶体管时打开1号晶体管，这就构成第二个逻辑运算。如果在2号晶体管关闭的情况下打开1号晶体管，这就是第三个逻辑运算。就像简单的口语词汇一样，所有计算机算法都可以归为以下三种状态之一：与、或、否。香农将这些简单的状态合并成复杂的指令序列，并且建议执行复杂的逻辑推理链。达特茅斯会议
上述三人之中，只有香农继续探索并积极推动人工智能正式成为一个学科。遗憾的是，图灵和冯·诺依曼分别在41岁和53岁时英年早逝，但他们的理念和影响却延续至今。艾伦·图灵是同性恋，在那个时代的英国，同性恋是违法的。尽管图灵的密码破译工作对英国战胜纳粹德国起到了至关重要的作用，但功不抵过，1952年他被指控严重猥亵。作为惩罚，图灵必须在坐牢或化学阉割中做出选择，而他选择了后者。两年后，图灵吞下涂有氰化物的苹果自杀。2013年，他的罪行得到英国皇家的赦免，并且有人提议制定“图灵法”，以赦免那些在历史上被指控犯有猥亵罪的同性恋。
冯·诺依曼死于癌症。他之所以患上癌症，很可能是因为他曾参与原子弹项目。与冯·诺依曼关系密切的一位同事在《经济学杂志》（Economic Journal）上刊登的讣告中称，他的思维“十分特别，有些人（同样是杰出的科学家）不禁扪心自问：他是否将人类心智发展带入了一个新阶段”。
随着两位创始人的离去，其他年轻研究人员接过了建造思考的机器的重任。第二波人工智能研究人员第一次正式为该领域命名，将其确定为一个独立的学科。1956年夏天注定是一个不平凡的夏天：埃尔维斯·普雷斯利的电臀舞（hip gyration）震惊了观众；玛丽莲·梦露嫁给了剧作家亚瑟·米勒；德怀特·艾森豪威尔总统将“我们信仰上帝”确定为美国法定箴言。关于人工智能的首次正式会议也在这个夏天召开。研讨会持续6周，众多学科中最杰出的学者在新英格兰地区汉诺威市达特茅斯学院的269英亩土地上齐聚一堂。除克劳德·香农以外，大会还有另外两名年轻的组织者，他们分别是约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Minsky），他们都在蓬勃发展的人工智能领域发挥了重要的作用。
他们写道：“人们将在一个假设的基础上继续进行有关人工智能的研究，那就是学习的各个方面或智能的各种特性都能够实现精确描述，以便我们能够制造机器来模仿学习的这些方面和特性。人们将尝试使机器读懂语言，创建抽象概念，解决目前人们的各种问题，并且能自我完善。”
然而，他们的雄心壮志和信念都太过绝对，而时间却有些紧迫。他们在达特茅斯会议的提议中指出：“我们认为，如果精心挑选一组科学家，并让他们专心研究人工智能，那么仅需一个夏天我们就能够在这些问题上取得重要进展。”
毋庸置疑，实际花费的时间肯定要比这更长。传统人工智能的黄金时期
随着感兴趣的研究者越来越多，人工智能开始细分为不同的领域，这意味着人们探索的范围开始变得更加广阔。从某种意义上来说，这一现象是大势所趋。在达特茅斯会议上，人们发现，就连为各自的新领域取一个大家都认同的名字都十分困难。约翰·麦卡锡力荐“闪光探测人工智能”，但却并不能令其他人信服。另一位名为亚瑟·塞缪尔（Arthur Samuel）的研究者认为这个名字听起来很“做作”，而艾伦·纽厄尔（Alan Newell）和赫伯特·西蒙则立即又将其作品重新命名为“复杂信息编程”。
人工智能很快就细分为不同专业，仅从1958年在英国密德萨斯的特丁顿国家物理实验室召开的“思维过程的机械化”会议就能看出这一点。达特茅斯会议召开仅仅两年后，人工智能就已经细分为多个领域，包括人工思维、字符和模式识别、学习、机器翻译、生物学、自动编程、产业规划和办公机械化。
接下来的一段时间成了传统人工智能的黄金时期。新的领域层出不穷，研究者们不断取得重要进展，思考的机器也呼之欲出。由于有美国国防部高级研究计划局（ARPA）等政府机构的资金支持，巨大的投资使研究没有受到什么干扰。1963年6月，国防部高级研究计划局为麻省理工学院提供了220万美元的拨款，用于研究“计算机辅助识别”。据拨款受益人称，国防部高级研究计划局采取一次性付款，之后也未太过关心这笔款项是如何使用的。而类似的事情不止一次发生。
约翰·麦卡锡将这一现象称为人工智能的“看！不用手也行！”时代，这一时代成功唤起了青少年的热情和勇气。在之后的十多年里，研究者们应对了众多挑战，并反驳了“没有机器能够做到X”这样一个假设。X所代表的含义取决于提问者是谁。一位研究者曾经编写了一套国际跳棋程序，该程序能够打败大多数业余选手，包括编程者自己。另一项突破是感知人工智能，它能够在一个使用机器人手的桌面上重新排列不同形状的彩色模块：这无疑是计算机视觉方面的一项壮举。一个名为SAINT的项目能够解开大学一年级课程水平的微积分中的积分问题。另一个名为ANALOGY的项目还能够解开智力测验中的几何问题，而STUDENT则能够破解复杂的代数难题，例如：“如果汤姆的客户数量是广告数量20%的平方，他一共做了45个广告，那么请问汤姆一共有多少个客户？”
计算推理领域有一个特别引人注目的例子，那就是Sir（语义信息检索）项目。Sir不仅能够理解英语句子，甚至能够分析宾语之间的关系，这和人工智能有些类似。实际上，这一“知识”依赖于预先设定的模板，例如，A是B的一部分，然后用名词来代替变量。然而，正如马文·明斯基所说的那样，人们可以采用类似的方法解决一系列其他问题。有一个有关Sir的典型案例，案例中未加粗的句子为用户输入的文本，加粗的句子为机器给出的答案：每个男孩都是人。我知道。手指是手的一部分。我知道。每个人都有两只手。上述句子表达不清楚。请改述。每个人都长两只手。我知道。约翰有几根手指？上述句子表达不清楚，但是我猜（有）指的是（长有）。
我不知道手指是否是约翰身体的一部分。约翰是个男孩。我知道。约翰有几根手指？上述句子表达不清楚，但是我猜（有）指的是（长有）。
每只手长有几根手指？每只手都长有5根手指。我知道。约翰长有几根手指？答案是10根。
他们构思人工智能和智能行为的方法就是将这些看似毫不相干的表达联系起来。他们自上而下审视了人工智能，我们如今称之为符号人工智能或传统人工智能。对传统人工智能研究者来说，人类通过构建内部的符号化表现形式来认识世界，而所有人工智能都以人类认识世界的能力为基础。我们可以创建规则来落实这些概念，而捕捉日常知识能够使这些概念变得规范。如果将人脑看作一台电脑，这意味着我们操控的每一种情况都依赖于内部计算程序，这一程序一步步告诉我们如何完全依据逻辑来进行某项操作。如果的确如此，那么这些世界各地机构纷纷采用的规则同样适用于计算机。
这在当时听起来十分容易，不久以后，情况也确实如此。太空机器人沙基
虽然几乎没有人真正遇见，但人工智能在发展的过程中确实存在一些问题。和当前能与公众产生共鸣的某些领域一样，上述问题或多或少要归咎于新闻媒体。过度热情的表现是，人们经常写文章赞扬他们所取得的令人印象深刻的进步，好像他们已经造出了智能机器。例如，20世纪60年代的机器人沙基（SHAKEY）项目受到了大力宣传，人们将其视作世界上第一台通用机器人，它能够对自己的行为进行推理。这样一来，它就能够为模式识别、信息表示、问题解决和自然语言处理等不同领域设定基准。
尽管这已经足够使沙基艳惊四座，但记者们仍忍不住进行了一番修饰。1970年，当沙基在《生命》（Life）杂志上首次亮相的时候，它并没有被视为众多重要研究课题的结合体，而是以世界上第一个“电子人”的身份闪亮登场。《生命》杂志的记者将沙基卷入前一年登月引发的太空狂潮中，甚至称沙基能够“在不接受地球指令的情况下在月球上一次行走几个月”。
这是彻头彻尾的谎言，但是并非所有研究者都能够拒绝去迎合这一观点。20世纪70年代，在波士顿召开的一次会议上，一位研究者向媒体透露，仅需5年时间，像沙基这样的智能机器人就将在家庭中普及。一位年轻的同事激动地将他拉开，并对他说：“不要做这样的预测。以前有人这样做招来了麻烦。你低估了实现这一目标需要花费的时间。”这位研究者想都没想就回答道：“我不在乎。你看，我提到的所有日子都是在我退休后。”
人工智能工作者们并非一直这么激进，但有很多人都有这样的倾向。1965年，赫伯特·西蒙称，用不了20年，机器就能够“完成人类能做的任何工作”。不久以后，马文·明斯基补充道：“我们这一代人能够大体上解决创造人工智能的问题。”“中文房间”实验
有关符号人工智能的哲学问题开始浮出水面。其中最著名的要数名为“中文房间”的思维实验。美国哲学家约翰·希尔勒（John Searle）提出该思维实验，质疑是否应将机器处理符号真正视为智能。
希尔勒提出，假设他被锁在一个房间里，房间里有很多中国书法作品。他并不懂中文，甚至无法将汉语与日语或其他毫无意义的字区分开来。希尔勒在房间中发现了一套规则，这些规则向他展示了一套与其他符号相对应的符号。随后，他被提问，并通过将问题符号和答案符号相匹配来回答这些问题。过了一会儿，希尔勒逐渐熟悉这项任务——尽管他仍然不清楚自己操作的这些符号到底是什么。希尔勒问，这种情况下能否说房间内的人“懂”汉语？他的答案是否定的，因为他完全缺乏意向性。他写道：“计算机可能有的这种意向性只存在于程序设计者、使用者、输入者以及对输出进行解读的人的思维中。”
如果说希尔勒是在指责人工智能研究者们像家长一样绞尽脑汁地炫耀孩子的才华，那么人工智能研究者们本身就面临着一个令人不愉快的事实：他们的孩子实际上并没有那么聪明。令人担忧的是，那些在实验室环境下表现不凡的工具并不能很好地适应现实状况。符号人工智能主要涉及自上而下建立以规则为基础的系统，该系统在实验室中表现出色，各元素都能够得到很好的控制。这些“微型世界”几乎不包含任何物质，因此可以采取的措施也十分有限。然而，一旦进入现实世界，在训练中表现优异的程序就像世界杯揭幕战中的英格兰队一样变得怯场了。
研究者们承认这些弱点的存在，并且将这些微型世界比作“一切事物都十分简单的仙境，如果以现实世界为前提，那么有关这些事物的陈述从字面上看就都变成了错的”。总的来说，人工智能一直在努力摆脱歧义性，但又缺少灵活抽象推理、数据计算和加工能力，而人工智能恰恰需要这些能力来理解其所展示的内容。任何没有事先明确说明的事物都有可能造成恐慌。美国作家约瑟夫·坎贝尔（Joseph Campbell）嘲讽道，这种人工智能与《圣经·旧约》一样，都是“规则太多，仁慈有限”。莫拉维克悖论
结束这一不确定性面临着更大的问题，即人工智能研究者是否以正确的方式工作。就像玩拼图要从最困难的部分开始一样，人工智能研究者们设想，如果他们解决了复杂的问题，那么简单的问题就会迎刃而解。毕竟，如果你能让机器像数学天才一样下象棋，那么模仿婴儿学习又有多难呢？然而，事实证明这是相当难的。象棋是一项游戏，包含明确的说明、棋盘位置、合规或违规移动。象棋为棋手营造了一个静态世界，他们在这里拥有完整的信息，前提是他们能够看见棋盘，并且知道如何移动棋子。象棋是现实世界的一部分，但现实世界却与象棋截然不同。汉斯·莫拉维克（Hans Moravec）等研究者突然开始提出惊人的建议，例如“让计算机在智力测验中或在下跳棋时表现出成人水平相对容易一些，而让计算机在知觉和移动性方面达到一岁小孩的水平却是十分困难甚至是不可能的”。
将人工智能设定为关注生活中更复杂的事物，而排除对相对普通任务的关注，这可能与研究人工智能的人有关。在许多案例中，堪称“天才”的科学家们能够控制象棋或布尔逻辑（Boolean Logic）的微小细节，却缺少现实生活中的常识。有一则众所周知的趣闻：麻省理工学院一个名为西蒙·派珀特（Seymour Papert）的研究人员有一次将他的妻子忘在了纽约机场。当他意识到妻子没有陪在他身边时，飞机正在跨越大西洋。约翰·麦卡锡十分顽强地面对具有挑战性的问题，但是却因为经常忘记为资助他的各类机构填写进程报告而招致许多麻烦。据说麦卡锡在斯坦福大学讲授的课程“人工智能入门”并未受到重视，私下里被学生戏称为“听约翰叔叔讲故事”。都说什么样的人会干出什么样的事，这样看来，这些研究人员的人工智能项目都侧重于远大目标而非平凡（可能更实用）小事也就不足为奇了。
心理学家史蒂芬·平克（Steven Pinker）总结道：“人工智能研究的前35年得出的主要教训是，困难的问题容易解决，容易的问题很难解决。”转变目标
在众多挑战的重重包围之下，传统人工智能开始出现问题。从20世纪70年代开始，随着之前几十年人们对人工智能乐观态度的逐渐消散，人们对该领域的热情也渐渐冷却下来。大幅缩减的预算使其首次遭遇了“人工智能的冬天”，而这样的情况不止一次发生。在美国，就连可爱的机器人沙基计划都被叫停，因为美国国防部意识到，其出钱资助的机器人项目并不能创造出他们需要的机器人间谍“詹姆斯·邦德”。暂且不说间谍这一点，沙基在战场上甚至无法发挥常规部队的作用！一名为该项目工作的研究人员回忆起沙基在斯坦福国际研究所（SRI）实验室中最后的日子。一位持怀疑态度的将军问一位创造沙基的研究人员：“能不能在上面安装一个36英尺长的刺刀？”
为应对这一状况，人工智能改变了其目标，按比例缩减了一些大型任务，集中力量处理那些通过采取措施就能够解决的问题。其中的一个例子就是电子游戏领域。人工智能从一开始就与电子游戏联系在一起，那时艾伦·图灵和克劳德·香农曾尝试打造一个自动象棋手。在当时的情况下，象棋就是一个微观世界，用来演示那些后来应用到现实世界的智能行为。电子游戏就是他们的最终目标。
人工智能研究不仅仅需要研究者的技能，还可以创造一定的收益。在莫斯科的苏联科学院计算机中心工作的28岁人工智能研究员阿列克谢·帕基特诺夫（Alexey Pajitnov）就是受益人之一。1984年6月，帕基特诺夫创建了一个简单的程序，用来测试实验室新的计算机系统。一个精明的商人将该系统命名为俄罗斯方块（Tetris）并拿到市场上销售，这款游戏在全世界范围内卖出了超过1.7亿个副本。
20世纪80年代，电子游戏变得更加复杂，人工智能专家也因此变得炙手可热。人工智能能够运用简单的规则模拟复杂的行为，这意味着电脑控制的人物也能有自己的想法。例如，在《主题公园》（Theme Park）游戏中，人工智能实体（指具有智能的任何实体，包括智能硬件和智能软件）聚集在使用者建造的公园周围，采取程序设计员从未明确标出过的路径行走。
在某种意义上，电子游戏是传统人工智能的天堂。如果人工智能仅用于在射击游戏中模仿僵尸敌人，那么其行为是真的智能还是仅仅表现得很智能这类问题就是毫无意义的。专家系统
人工智能的另一项新应用成为人们解决问题的工具。尽管人工智能擅长推理，但研究人员都知道，人工智能并不只有推理。为了创造出能够在现实生活中解决问题的人工智能，科学家们认为，他们需要一台能够将推理和知识相结合的机器。例如，一台应用于神经系统科学的电脑必须像合格的神经系统科学家一样，了解该学科的相关概念、事实、表述、研究方法、模型、隐喻和其他方面。
这意味着程序员突然需要担负起“知识工程师”的重任，他们必须充当各领域专家的角色，并且将他们的知识提炼成计算机能够读取的规则，生成的程序被称为“专家系统”。该系统是在广泛收集概率性规则“如果……那么……”的基础上建立的。有人曾经使用名为“DENDRAL”的专家系统进行过尝试，这个程序能够帮助有机化学家确定未知的有机分子。DENDRAL的创造者爱德华·费根鲍姆（Edward Feigenbaum）对最早记载人工智能历史的一位作家帕梅拉·麦考达克（Pamela McCorduck）说道：“有一段时间，人工智能领域的其他人都与我们保持一定的距离。我想他们可能不敢靠近DENDRAL，因为它涉及化学。但是人们还是会毫不吝啬地发出惊奇的感叹，因为它就像是化学界的博士一样。”
另一个类似的项目名为“MYCIN”，用于为脑膜炎等严重感染状况提供合适的抗生素用药剂量。MYCIN像一个真正的医生一样，能够将程序员之前收集的概率性证据汇总起来，并据此得出结论。人们不断对之前的经验进行归纳，直到它们变得像下面的“规则”：如果……需要治疗的感染是脑膜炎，感染类型为真菌感
染，培养染剂上没有有机体，患者不是易感染病患并且曾经
到过球孢子菌病盛行的地区，患者是黑种人、黄种人或印度
人，并且脑髓液检测中的隐球菌抗原不是阳性，那么……隐
球菌有50%的可能并非是造成感染的有机物之一。
这些概率规则本身并没有什么了不起。然而，如果达到数百条，通常就能够找到正确答案。DENDRAL和MYCIN都只是实验室的实验，并没有真正应用到现实世界。相比之下，名为“XCON”的专家系统则要成功得多。诞生于1978年的XCON并不像DENDRAL和MYCIN那样具有改变世界的雄心壮志。它既不能帮助科学家创立假设，也不能帮助医生治疗传染病，而是通过为客户选择正确的系统来协助工程师[4]设置VAX超级计算机。简而言之，XCON就是世界上最伟大的“百事通”店员。
XCON的出现使大企业首次对人工智能产生了兴趣，它们不再将人工智能简单视为未来演示。只要专家系统能够为它们赚钱，企业们并不在乎它们到底是真正的人工智能还是“巧妙的编程”。1980年，XCON在数字设备公司（DEC）位于新罕布什尔州塞勒姆的工厂首次投入使用。到1986年，XCON就已经处理了80 000份订单，每年约为数字设备公司节约2 500万美元，准确率高达95%—98%。人们开玩笑称，如果它能够娶了老板的女儿，未来甚至能够当上公司的首席执行官。
其他企业很快也开始公开露面，为需要专家系统的企业客户提供解决方案。在油井钻探作业中，地层倾角顾问（Dipmeter Advisor）能够对地质构造进行分析。著名的粮食市场顾问（Grain Marketing Advisor）的目标是帮助农民进行恰当的营销，并储存粮食作物。1986年10月《电脑世界》（Computer World）杂志上的一则广告做出了这样的问答：“你如何充分利用专家系统技术的优势让员工改进当前软件上现有的数据处理应用？只有Teknowledge公司能够给你答案。公司将在你所在的地区免费举行为期半天的研讨会。”
1985年，约有150家公司投资10亿美元想要开展人工智能业务。这一年，美国人工智能协会召开的一场会议和国际人工智能联合大会共吸引了近6 000名参会者，其中一多半是风险投资家、猎头和媒体。1987年，并非电脑研究前沿阵地的《财富》杂志盛赞“软盘上的直播专家”的到来。研究人员在人工智能历史上首次变得和史蒂夫·乔布斯、比尔·盖茨等个人电脑界的新贵一样富有。
有趣的是，像马文·明斯基这样经验丰富的研究者却在回避这样的情况。我们往往以为，人工智能保守派在经历了20多年辛苦工作后一定急于寻求回报。而实际上，这些人都在提心吊胆地等待最后的结果。好在这并没有花费他们太多的时间。就像20世纪90年代后期投机性的互联网泡沫一样，倡导者们对专家系统能力的高估到了危险的程度。其中有一本教科书十分推崇“打电话规则”，称“使用专家系统打一通电话，家里的所有问题都能够在10—30分钟解决”。专家系统的基本概念是十分可靠的，但是仍存在一些问题。专家系统十分昂贵，需要不断更新，并且是反直觉的，当规则增多时准确率就会下降。斯图尔特·罗素（Stuart Russell）和彼得·诺威格（Peter Norvig）在《人工智能：一种现代方法》（Artificial Intelligence: A Modern Approach）这本教科书中写道：“随着规则集的不断壮大，规则间的不良交互作用就会越来越平常，于是，从业人员发现，添加规则时，必须‘调整’其他规则的可信度。”
1987年财年结束时，两大开发专家系统的公司Teknowledge和Intellicorp损失了数百万美元。其他人工智能企业的情况更糟糕，几乎濒临破产，员工和公司高管们露宿街头。温暖了一阵之后，人工智能的第二个冬天到来了。谷歌诞生
人工智能随后遭遇的寒流比第一次有过之而无不及。资本又一次迅速蒸发，政府补助消失得无影无踪。在1987—1989年，美国国防部高级研究计划局将用于人工智能研究的预算缩减了1/3。专业的人工智能杂志的广告费收入也大幅下降。美国人文与科学院官方期刊《代达罗斯》（Daedalus）在1988年大胆发布了一期人工智能特刊，激怒了哲学家希拉里·普特南（Hilary Putnam）。普特南写道：“现在有什么好大惊小怪的？为什么在《代达罗斯》上发布一期特刊？为什么不等到人工智能真正取得一些进展后再发布特刊？”整个科技界都能感受到人工智能的寒流。美国人工智能协会会员人数大幅减少，1996年骤减至4 000人，达到史上最低点。然而奇迹并没有发生，人工智能的美梦似乎就要破灭。
那一年，斯坦福大学的两个学生——一个是人工智能研究者的后代，另一个是数学家的后代——想到了一个很聪明的方法，在外部链接数量的基础上对网页进行排序，并通过这一方式创建一个智能网络目录。1997年，24岁的拉里·佩奇和谢尔盖·布林利用他们开发出的算法，在美国加利福尼亚州门罗帕克的一个车库里开了一家公司。为了将其打造成为“全球总部”，他们置办了几张桌子、三把椅子、一条蓝绿色的地毯、一张折叠乒乓球桌，以及一些其他物件。为了保持通风，车库的门必须一直敞开。
这在当时看起来似乎不足为奇，但在接下来的20年里，拉里·佩奇和谢尔盖·布林的公司取得了人工智能历史上最大的成就。公司涉猎范围广泛，覆盖了机器翻译、模式识别、计算机视觉、自主机器人等领域，而人工智能研究者们为了实现这一点已经苦苦挣扎了半个世纪。
实际上，公司的这些成就没有一点是通过传统人工智能实现的。
这家公司就是谷歌。[1] 1英亩= 4 046.86平方米。——编者注[2] 1英尺≈ 0.304 8米。——编者注[3] 1英里= 1.609 344千米。——编者注[4] 一种可以支持机器语言和虚拟地址的32位小型计算机。——编者注第二章以自主学习的方式创建新的人工智能
2014年，在谷歌旗下一家名为“DeepMind”的人工智能公司的办公室里，一台计算机通过玩一款名为《打砖块》（Breakout）的老雅达利（Atari）2600电子游戏消磨时间。该款游戏是两个年轻人在20世纪70年代初设计的，他们就是苹果公司的创始人史蒂夫·乔布斯和史蒂夫·沃兹尼亚克。《打砖块》实际上是乒乓球游戏《乒乓》（Pong）的一个变体。不同之处在于，不是在屏幕上将球挥向另一位玩家，而是对着砖墙击球，将砖块击碎。这款游戏的目标是摧毁所有砖块。
正如我们在上一章中提到的，人工智能玩电子游戏并没有什么稀奇的。艾伦·图灵早在1947年就开发出了首款象棋程序，尽管当时的计算机不能运行这一程序。如今电子游戏的特点是有大量非玩家控制角色，这一编程将简单的规则结合起来产生复杂的行为。这样看来，DeepMind的人工智能玩游戏又有什么特别的呢？
针对这个问题的回答有两个。一是DeepMind的人工智能会逐渐变得更加成熟。就像见证孩子逐渐长大一样，如果一直盯着计算机看，很难察觉到它的变化。然而，每隔50多次游戏再看一下，效果是十分惊人的。开始的时候，DeepMind的人工智能在《打砖块》游戏中的表现简直糟透了，最简单的击球都做不好，而且它似乎并不清楚状况，就好像是把PS4（索尼第四代游戏主机）手柄交到90岁的老奶奶手里，并希望她立刻知道应该做什么一样。虽然它也会偶尔得分，但即使最乐观的旁观者也只能称之为运气。
200次游戏后，一切变得大为不同。现在游戏中的球拍能够在屏幕上左右移动：即使不是持续得分，也可谓能够轻松得分。再经过数百次游戏，游戏中的人工智简直如同《星球大战4：新希望》结束时的天行者卢克（Luke Skywalker）或《黑客帝国》中的尼奥（Neo）一样，懒散地击球，毫不费力。所有无关的动作都消失了，而且它产生了清晰的策略。
令DeepMind的人工智能具有重要意义的另一个原因是，它不需要进行大规模训练。传统人工智能的核心原则是必须将规则预先载入系统，这就像是老师在学生参加考试前会依次教他们问题的答案一样。DeepMind的人工智能与众不同之处在于，它能够自主学习，甚至无须告诉它应该怎样做。它所需要接入的就是构成《打砖块》游戏每一帧的30 000个像素点和屏幕上的选手得分。其他需要做的事，就是给它输入得分最大化的指令。之后，人工智能就可以随着游戏的进展获得游戏“规则”，然后逐渐形成能够改善其表现的策略。
DeepMind的人工智能可以玩的游戏并不只有《打砖块》。它最早玩的游戏是《太空入侵者》（Space Invaders），在掌握极少信息的情况下还学会了其他48个游戏，包括拳击模拟器、武术游戏甚至是3D（三维）赛车游戏。然而，要想突破电子游戏的“微型世界”还有很长的路要走。但这仍是一项惊人的成就，为人工智能的下一步发展指明了方向。下一步发展是什么？按照DeepMind的宗旨，下一步就是“解决人工智能”。自主学习的重要性
人类的与众不同之处就在于能够学习，这也一直是传统人工智能一直努力要实现的。第一章中描述的系统只有在能够遵从规则时进行学习，这些知识是从“知识工程师”的知识中提炼并编入系统架构的。它是对知识自上而下的一种想象，并暗示一个假设，即机器不能自动学习知识。相反，必须将知识进行编程，而且一次编一条。这一点在很多情况下都能够很好地实现，进而在可接受的水平上完成有限的任务。随着解决方案的增多，问题也开始显现。像官僚机构一样，它们开始变得庞大、笨拙、缓慢而且昂贵。
这提出了一个显而易见的问题。华盛顿大学计算机科学教授普德罗·多明戈斯（Pedro Domingos）指出：“如果机器人掌握了人类除学习以外的所有能力，人类很快就会抛弃它。”但是从一开始就存在一种与人工智能的发展并行的观点，这一观点现在正触发该领域的诸多进展。该人工智能学派不是将思维概念化，而是源于在电脑内部建立大脑模型。该学派不相信逻辑推理是获取真理的最佳（可能是唯一的）途径，而是采用基于观察和实验的实证研究法。这类人工智能并非知识工程师的作品，而是属于名为“机器学习者”的计算机科学家领域。
这一流派的人工智能由统计学家、神经科学家和理论物理学家开创的概率模型主导，大部分基于所谓的“神经网络”（或者计算术语中所说的“神经网”）来运行，该网络的功能与人脑近似。信息在人脑中以神经元电子放电模式存在。人脑中约有1 000亿个神经元，大约和银河系中的星星一样多。记忆是通过加强不同神经元共同放电而形成的：这一过程被称作“长时程增强”。尽管我们尚须建立一个与人脑一样复杂的神经网络（下一章将详细介绍），但人工神经网络为创造记忆和学习借用了人脑的机制。人脑与神经网络最基本的不同在于，人脑中的长时程增强是一个生物化学过程，而在神经网络中，学习是通过修改其自身代码，以在复杂或不明朗的情况下，找到输入和输出之间或者原因和结果之间的联系而发生的。
虽然神经网络今天在人工智能领域具有重要地位，但在过去许多年里，它都是被忽视的；它被视作真正人工智能的“异父兄弟”。正如20世纪80年代进入这一领域的知名研究人员戴维·艾克利（David Ackley）所说：“我们接触到神经网络时，人们并未将其视作人工智能。于是，我们被人工智能拒之门外。当时，人们认为人工智能是与符号相关的。它所涉及的是生产系统、专家系统等。进入卡内基–梅隆大学读研究生时，我已经十分厌倦与传统的符号化的计算机相关的事物……我似乎对推理的关注过多，而对判断的关注太少。”
艾克利影响了一代人工智能研究者，他们几乎使统计工具替代了主流意识中的传统人工智能。这样一来，神经网络就实现了以前的研究人员做梦都想实现的东西：建造能够学习如何玩电子游戏、理解语
试读结束[说明：试读内容隐藏了图片]