浅谈人工智能的前世今生

在人类文明的长河中，科技的发展总是伴随着时代的脉搏跳动，不断推动着社会的进步与变革。人工智能作为当今世界科技创新的前沿领域之一，正以其独特的魅力和巨大的潜力，引领着全球新一轮产业变革。中共二十届三中全会通过的《中共中央关于进一步全面深化改革 推进中国式现代化的决定》，全文多次提到人工智能关键词，并在论述发展新质生产力时，明确提到“完善推动新一代信息技术、人工智能、航空航天、新能源、新材料、高端装备、生物医药、量子科技等战略性产业发展政策和治理体系”。不可否认，人工智能已成为媒体和公众接触的高频科技词汇之一，了解它的前世今生有助于我们更好地工作和生活。

人工智能的萌芽传说

一般学术描述都会从1956年达特茅斯会议开始。这次会议上首次提出了人工智能（Artificial Intelligence，简称AI）这一概念，标志着人工智能学科的诞生。但是不难看到，更朴素的人工智能想法其实很早时候就埋下种子了。例如，在中国古代民间传说中有道士捏泥人办事的故事，无独有偶，在古希腊神话中也有铜制巨人守护小岛的故事。这些传说朴素地表达着人类希望有非人类的“智能伙伴”来贴心帮我们完成一些任务。如果按当下的标准来看，这些“智能伙伴”都达到了高级智能体的标准，因为我们不需要细致地为助手去说明规则或具体动作体系，只需要表达任务目标，“智能伙伴”自己就可以理解我们的需要，规划和使用他们自己可用的工具执行。

后来，这类梦想开始变得没有那么“全能化”，显得更加“专业化”。例如，传说诸葛亮的“木牛流马”专用于运输物资，达·芬奇的“机甲骑士”专用于驱动机甲等。

而随着技术的进一步发展，我们有了布尔代数、首台计算机以及图灵测试等必要元素。这些便促进了1956年人工智能概念的正式诞生。

人工智能的几多寒暑

人工智能概念提出后，随着技术发展也不断演进。中国科学院院士谭铁牛的观点较为典型并被广泛接受：“人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。”

人工智能从1956年走来至今，并非一帆风顺，用“几经风雨”来形容不夸张。

早期的人工智能并不像当下跟数据那么紧密地联系在一起，跟最早人类的“智能伙伴”传说形态相距更远。例如，当时有个模拟心理治疗师对话的程序ELIZA，可以通过模式匹配和简单的规则生成对话，“相对简单”地体现人工智能。这些应用场景v0sHrRF75b5C6su8td7xp3xVCkyDN75kW4r9Xnq5IT0=的早期实现，极大提升了人们对人工智能的期望值。大家于是不断设定新的挑战，但很快，随着这些新的挑战计划不断遇到各类挫折失败，人工智能迎来了它的第一次寒冬。

20世纪70年代出现了专家系统，通过基于一系列的“如果-那么”规则支持，来模拟人类知识认知，以体现人工智能反馈。我们可以想象，这样的规则和知识，浓缩了人类特别是特定领域的专家的经验沉淀，易于人类理解，且推理过程透明，在医疗等领域也很快获得初步落地。这让人工智能从概念真正走向了领域应用，又迎来了春天。但是问题也很快就来了，随着应用普及规模扩大，那么多领域的各类规则知识，实际提取以及整合操作越发复杂。“没人可以搞定现实中所有的因为所以”，人工智能迎来了它的第二次寒冬。

随着上世纪90年代互联网发展，以及计算软硬件成本的不断下降，我们逐渐迈入了计算思维时代。比如，假设现在我们要解x3=8这个 方程的实数根，如果从符号逻辑角度来说，需要设定一元三次方程的知识，然后来逻辑性获得实数解x=2；如果是计算思维，那么可以想象为两步：先随意猜个实数，然后“根据方向”再猜，不断猜下去，直到答案稳定逼近等式成立，同样可获得答案x=2。正是依靠这样的数据计算优势，我们在解决问题时，可以在显式规则知识之外，多了数据驱动解决的新范式。伴随着计算思维普及和机器学习技术发展，数据驱动的人工智能逐渐兴起，有效克服了之前专家系统的各类落地弊端，人工智能再次迎来全新的春天至今。

这样的数据驱动人工智能被称为机器学习。我们终于可以不用劳烦各类专家主动小结知识与提炼规则了。只要有可靠的数据，无需显式规则在先，我们也可以用机器自我学习的方式，隐式地获得数据中蕴含的规则和知识，形成可用的技术模型。假设我们有《王者荣耀》游戏的众多英雄角色庞杂的各项属性值数据，那么哪怕我们不知道各个英雄属于游斗刺客法师等确切类别，也可以通过机器学习中的聚类方法，快速根据需要聚成不同的组。实验证明，如此机器挖掘判定出来的分组结果，与实际游戏运营设定的事先分组高度一致。于是在计算时代，显式知识的先决价值就被数据集的蕴含价值逐步消融取代。我们也因此逐渐习惯和接受人工智能与数据两个词之间越来越紧密的关联性。

而随着各类数据规模快速增大，在人工智能的机器学习分支中，其“分分支”的神经网络得到进一步的发展和完善，层数和结构也不断演化生长，从神经网络方法发展成为深度学习，并在实际应用中发挥越来越重要的价值，成为当今“数据驱动人工智能”主流中的主流技术。例如，经典的卷积神经网络，可以不需要显式定义猫与狗，却可以通过学习，让模型通过大量猫与狗的图像数据，自主学习和提炼知识沉淀到庞大模型参数上。虽然这些参数沉淀（海量的0到1之间浮点数集合），不像人类可理解的显式知识和概念定义，不方便直观解释，但在应用测试中却“真香”，具备并超越人类水平的“智能识别率”。但是这种深度学习掩盖了原有清晰的逻辑规则传递，带来的不可解释性，也为在严谨伦理场景下，给人工智能的普及带来了实际挑战。

作为人工智能领域的一个重要分支，机器学习的进一步发展又催生了深度学习这一前沿技术。深度学习相关细分技术近年来取得了显著的进展。例如，AlphaGo在围棋比赛中以压倒性的优势击败了人类顶尖棋手，展示了人工智能在复杂决策和策略制定方面的巨大潜力。深度学习技术被广泛应用于图像识别和自然语言处理等领域，使得我们可以通过扫一扫功能轻松识别各种植物，极大地丰富了我们的日常生活和工作。从医疗诊断到金融分析，从自动驾驶到智能制造，深度学习技术正在逐步渗透到社会的各个角落。

随着数据和技术的飞速进步，源自深度学习的大模型、生成式人工智能以及智能体等正蓬勃发展，为人工智能的未来注入了更多可能性。以盘古气象大模型为例，通过分析大量的气象数据，无需传统天气预报的气象原理偏微分方程计算，精度首次超过传统数值方法，速度提升1000倍，为农业、交通、能源等多个行业提供了重要的决策支持，充分体现了新质生产力特性，为社会应对气候变化提供了有力的技术保障。通过类似这样的技术应用，人工智能正在广泛地改变我们的生活和工作方式，为社会的可持续发展注入新的动力。

结语

自1956年以来，我们见证了现代人工智能的发展起伏。目前，热门大模型范式是否将步入新一轮寒冬，一些专家表达了他们的担忧。可解释性、数据安全以及价值伦理对齐等挑战，也是当前大家关注的重点。另一角度，从人类发展的长远历史来看，智能的概念从古代简单传说和梦想开始，经历了历史的洗礼，逐渐变得具体化、场景化，并最终催生了现代人工智能的概念和学科。随后，这一学科领域经过多次技术的突破和应用的普及，人工智能又开始逐步升级，不断回归接近人类最初的那个梦想。

祝人类“智能伙伴”大时代早日成真。

（作者为九三学社安徽省委会科技专委会委员，安徽清博大数据科技有限公司总经理）

兼职编辑：常思哲