1.3　人工智能的曲折發展

進入20世紀70年代，人工智能并沒有迎來井噴式的發展，反而遭遇到了首個瓶頸期。從美國到歐洲、從學術界到企業，整個行業出現了項目無法按期交付、資金大量撤出、研究人員轉向等現象，對人工智能的樂觀期待受到了挫敗。回顧當初，人工智能遭受挫敗的主要原因是計算復雜度與計算能力不匹配，即當時的計算能力達不到人工智能的要求；此外，當時的互聯網還遠未普及，人工智能中必不可缺的各種數據，在當時的積累還是很少的。

1969年，Marvin Minsky和Seymour Papert從數學的角度證明了單層神經網絡甚至連簡單的異（OR）和異或（XOR）等問題都無法解決（異或問題就是當輸入的兩個值不相同時，輸出結果為1，反之為0），自此神經網絡在學術界進入“冰河期”。

1982年，物理學家John Hopfield提出了一種名為Hopfield的神經網絡。Hopfield網絡的單元只能接收兩個不同的值（-1或1，也可以是0或1，具體的值取決于輸入的大小是否達到某個設定的值）。在網絡結構上，Hopfield神經網絡是一種單層全連接的反饋型神經網絡。與20世紀60年代提出的神經網絡的不同之處是，Hopfield神經網絡從輸出到輸入有反饋連接。在多層神經網絡中，誤差是一層一層地傳遞和放大的，就好像讓一個人看圖說話，然后告訴下一個人，到最后一個人的時候往往描述的內容與第一個人說的內容已相差十萬八千里了。反饋的作用就是讓每個人不僅可以聽到描述，而且還可以和講述的人反復驗證他的理解是否正確，這種方法能保證到最后一個人描述的內容與第一個人描述的內容差異盡可能小。Hopfield神經網絡示意圖如圖1.6所示。

圖1.6　Hopfield神經網絡示意圖

1986年，Rumelhart和McCelland提出了后向傳播（Back Propagation，BP）的方法。具體來說就是，對于每個輸入的理想輸出和真實輸出（如在進行動物分類時，輸入的是動物的圖像，理想輸出應該是動物的名稱），根據二者之間的差值來反復調整網絡，直到二者之間的差值達到令人滿意的程度為止。后向傳播使得大規模神經網絡的訓練成為可能，這意味著人工智能的第一次復興。BP神經網絡示意圖如圖1.7所示。

圖1.7　BP神經網絡示意圖

20世紀80年代末，美國開始大幅削減對人工智能研究的資助。特別是從1990年開始，DARPA研制的人工智能計算機沒能實現。1991年，所謂的“第五代工程”并未實現，事實上其中一些目標，如“與人展開交談”，此后十年內也未實現。時任的DARPA負責人認為人工智能并非“下一個浪潮”，因此將經費投到了相對更容易出成果的項目上。

Geoffrey Hinton是近年來人工智能領域最響亮的名字，這位加拿大多倫多大學的教授從2004年開始就以“深度學習”替換“神經網絡”，同時和蒙特利爾大學的Yoshua Bengio教授一起攻克神經網絡面臨的難題，于2006年實現了訓練深層神經網絡的算法，于2012年在ImageNet上首次使用深度學習技術戰勝傳統技術，將深度學習的研究推到一個新的高峰。

2016年，Google旗下DeepMind公司的智能系統AlphaGo，在韓國首爾對戰世界圍棋冠軍、職業九段選手李世石，最終AlphaGo以4:1戰勝李世石；2017年，我國選手柯潔和AlphaGo展開三次較量，柯潔以0:3敗北。

以神經網絡為代表的人工智能技術開始被廣為人知，成為投資者、研究機構和學者關注的對象。從農田到華爾街、從工廠到大學、從家庭到單位，各行各業各領域都發現，自己的崗位和工作內容多多少少已受到人工智能技術的滲透和影響。