1.2　AI的發展與應用

從20世紀50年代到20世紀70年代初，人工智能的研究處于“推理期”。1957年，Rosenblatt基于神經科學的研究，提出了著名的感知器模型，這更像現在的機器學習模型。然而，1969年，研究神經網絡社區的Minsky提出了著名的XOR（異或）問題，之后感知器發展遇到瓶頸。

20世紀70年代中期開始，人工智能研究進入“知識期”。1981年，Werbos提出的多層感知器，引入了反向傳播（BP）算法。直到現在，BP算法仍然是神經網絡架構的關鍵要素。此后，神經網絡得到了快速發展。

1986年，決策樹的機器學習算法被J.R.Quinlan提出，更具體地說就是ID3算法。ID3算法的核心是根據“最大信息熵增益”原則選擇劃分當前數據集的最佳特征，它是一種貪心算法，每次選取的分割數據的特征都是當前的最佳特征，并不關心是否達到最優。

1995年，Vapnik和Cortes提出了支持向量機（SVM），其被作為一種能使機器學習取得重大進展的方法而得到推廣，擁有非常堅實的理論基礎并且取得了理想的結果。

2005年，Hinton、LeCun、Bengio、Andrew Ng提出深度學習，意思是神經網絡的級聯層數變深，同時在算法方面引入新的技術。三層的NN模型強勢崛起，諸多專家在理論和實踐上徹底激活了深度學習。深度學習在對象識別、語音識別、NLP等不同的任務中擊敗了之前的技術。

2006年是深度學習元年，Hinton提出了深層網絡訓練中梯度消失問題的解決方案：無監督預訓練對權值進行初始化和有監督訓練微調。其主要思想是先通過自學習的方法學習訓練數據的結構（自動編碼器），然后在該結構上進行有監督訓練微調。

2012年，Hinton課題組為了證明深度學習的潛力，首次參加ImageNet圖像識別比賽，通過CNN網絡——AlexNet奪得冠軍。也正是由于該比賽，CNN網絡吸引了眾多研究者的關注。

2015年，深度殘差網絡（ResNet）被提出，在眾多比賽中表現突出。深度殘差網絡就是為了解決由于網絡深度加深而產生的學習效率變低、準確率無法有效提升的問題。

2016年，由谷歌旗下的DeepMind公司研發的阿爾法圍棋（AlphaGo），戰勝了當時的圍棋世界冠軍李世石，成為第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智能機器人。升級版的AlphaGo在2017年以3比0的成績戰勝了當時排名世界第一的圍棋棋手柯潔。

2018年，騰訊公司AI Lab研發的“王者榮耀”（一款MOBA類手機游戲）AI機器人，通過監督學習（SL）和強化學習（RL），以及大量數據訓練，單機器人可以達到“王者”的水平。到2019年，AI Lab研發的“王者榮耀”AI機器人可以在5人組隊后達到“王者”的水平。

AI技術的應用現在變得越來越廣泛，在圖像處理、語音識別、藝術創作、自動駕駛等許多方面都有了成熟的技術與穩定的應用。

（1）圖像處理

比如圖像增強，如果你急需使用一張照片，但是這張照片分辨率很低。沒關系，深度學習算法已經能夠提高照片分辨率。

（2）語音識別

語音識別的應用包括多語言實時翻譯、微信語音轉文字、本地方言轉普通話等。

（3）藝術創作

人工智能也能當作曲家，并且寫出來的音樂作品還挺好聽。在繪畫方面，機器學習通過數據進行訓練與學習，能給照片賦予大師級的畫風，即利用畫風轉換神經網絡做到實時生成多種畫風，用戶通過調整不同畫風的參數來控制渲染的風格，生成大師級的繪畫作品。

（4）自動駕駛

國內外很多大的公司都在積極研究自動駕駛技術，谷歌自動駕駛汽車于2012年5月獲得了美國首個自動駕駛車輛許可證，國內的騰訊、百度等互聯網公司也有部門專門在做自動駕駛汽車的研發。