1.2　起伏跌宕

然而，人工智能并非一直是時代的寵兒，正如尼采所說：“誰終將聲震人間，必長久深自緘默；誰終將點燃閃電，必長久如云漂泊。”

1940—1955年，早期的人工智能研究始于研究人員對人類思維和計算理論的探索。在這個時期，研究人員對于如何構建一臺像人一樣思考的計算機充滿了好奇。為了達成這個目標，很多研究人員通過研究大腦結構和功能，試圖從中獲取靈感。在這個時期，Warren McCulloch和Walter Pitts提出了神經網絡模型，為人工智能研究奠定了基礎。這個模型基于人腦的神經元之間的連接方式，實現了簡單的邏輯計算。1950年，Alan Turing發表了《計算機與智能》的論文，提出了著名的圖靈測試，成為人工智能領域的奠基之作。他認為，如果一臺計算機能夠通過圖靈測試，即讓人類無法區分計算機和人類的回答，那么這臺計算機就可以被認為是具有智能的。

1956年，在由達特茅斯學院舉辦的一次會議上，計算機專家約翰·麥卡錫提出了“人工智能”一詞，這被人們視為人工智能正式誕生的標志。這次會議之后，人工智能迎來了屬于它的第一段黃金時期，在這段長達十余年的時間里，計算機被廣泛應用于數學和自然語言領域，用來解決代數、幾何和英語問題。這提振了很多研究人員對機器向人工智能發展的信心。當時，很多學者甚至斷言：“二十年內，機器將能完成人能做到的一切。”

然而，早期的人工智能研究面臨著許多挑戰。當時可用的計算能力有限，人工智能研究缺乏資金和資源的支持。此外，對于什么是人工智能的定義缺乏明確性，這導致了領域內的混亂和廣泛的解釋。20世紀70年代，人工智能十余載的光輝逐漸日薄西山。對項目難度預估不足，最終沒有產生實際落地的應用項目，讓人們暗自懷疑人工智能是否只是幻夢一場。輿論壓力慢慢壓向人工智能領域，很多研究經費被轉移到其他項目上。當時，人工智能面臨的技術瓶頸主要有三個方面：

第一，計算機性能不足。早期能在人工智能領域得到應用的程序寥寥無幾。

第二，問題遠比想象的復雜。在問題單一的特定場景下，人工智能程序還可以應對，一旦場景多維，問題更復雜后，就無能為力了。

第三，數據量嚴重缺失。沒有足夠的數據進行深度學習，機器的智能程度要快速上一個臺階變得非常困難。

因此，人工智能項目停滯不前。詹姆斯·萊特希爾于1973年發表了針對英國人工智能研究狀況的報告，批評了人工智能在實現“宏偉目標”上的失敗。此后，人工智能遭遇了長達6年的低迷期。

盡管面臨許多挑戰，但早期的人工智能研究為未來的發展奠定了基礎。它引發了研究人員對于開發能夠執行以前被認為需要人類智能才能完成的任務的機器的興趣。隨著人工智能領域的不斷發展和演變，研究人員開始開發新的技術和模型，如專家系統和機器學習算法，為現代的人工智能時代鋪平了道路。

遇冷6年后，人工智能又奮力爬起。1980年，卡內基梅隆大學為數字設備公司設計了一套名為XCON的“專家系統”。專家系統是一種采用人工智能程序的系統，可以簡單地理解為“知識庫+推理機”的組合。XCON是一套具有完整專業知識和經驗的計算機智能系統，直到1986年，這套系統每年能為公司節省超過4000美元的經費。Symbolics[1]、Lisp Machines[2]和IntelliCorp[3]等軟硬件公司應運而生。在這個時期，僅專家系統產業的價值就高達5億美元。

令人不勝唏噓的是，命運的巨輪再一次碾過人工智能，讓其回到原點。在維持了僅僅7年之后，這個曾經轟動一時的人工智能系統的歷史進程就宣告結束。到1987年，蘋果和IBM公司生產的臺式機性能都超過了Symbolics等廠商生產的通用計算機。從此，專家系統風光不再。

盡管專家系統的興盛逐漸消退，但機器學習的進展為人工智能帶來了新的希望。自20世紀80年代以來，機器學習已經成為人工智能領域的核心技術之一。機器學習研究如何讓計算機從數據中學習和提取知識，以自動適應不斷變化的環境。這一領域取得了許多突破性成果，為人工智能的發展和應用提供了重要推動力。

一個重要的機器學習技術是神經網絡，尤其是深度學習。深度學習是一種多層次的神經網絡，可以從原始數據中自動學習多層次的表征。在此基礎上，深度學習可以識別復雜的模式，從而應對前所未有的挑戰。21世紀初，隨著計算能力的提升和大數據的涌現，深度學習取得了令人矚目的進展。

20世紀90年代中期，隨著人工智能技術尤其是神經網絡技術的逐步發展，以及人們對人工智能越來越客觀的認知，人工智能技術進入平穩發展期。1997年5月11日，IBM的計算機系統“深藍”[4]戰勝了國際象棋世界冠軍卡斯帕羅夫，這在公眾領域引發了現象級的人工智能話題討論。這是人工智能發展的一個重要里程碑。2006年，辛頓[5]在神經網絡的深度學習領域取得突破，人類又一次看到機器趕超人類的希望，這也是標志性的技術進步。2016年至2017年，由Google DeepMind[6]開發的人工智能圍棋程序AlphaGo戰勝人類圍棋冠軍。AlphaGo具有自我學習能力，它能夠搜集大量圍棋對弅數據和名人棋譜，學習并模仿人類下棋。DeepMind也已進軍醫療保健等領域。2017年，深度學習大熱。在無任何數據輸入的情況下，AlphaGoZero（第四代AlphaGo）自學圍棋3天后便以100∶0的比分橫掃了第二代AlphaGo——“舊狗”；學習40天后，它又戰勝了在人類高手看來不可企及的第三代AlphaGo——“大師”。

后來，大語言模型出現。在這個領域，OpenAI開發的GPT系列模型成了研究和應用的典范。GPT（Generative Pre-trained Transformer）是OpenAI開發的基于Transformer架構的預訓練語言模型系列。從2018年的GPT-1開始，逐步演變到2020年的GPT-3，擁有強大的語言生成和泛化能力。隨后，通過對代碼訓練、有監督指令調優及人類反饋的強化學習，誕生了Codex、InstructGPT、text-davinci-002/003和ChatGPT等多個變體，拓展了在問答、生成任務和對話等領域的應用。需要注意的是，上述模型間的具體關系并未被OpenAI完整公布，部分內容是基于研究和推理得出的。GPT-3的參數量達到1750億，使其具備了強大的自然語言處理能力，以至于在某些任務上已經接近甚至超越了人類水平。GPT-4是OpenAI推出的最新一代大語言模型。該模型在處理自然語言任務方面取得了更為顯著的成果。借助GPT-4，Chatbot得以在很多方面達到令人驚艷的水平，例如在開放領域的問答、文本生成、摘要、翻譯等任務中展現出卓越的性能。這使得Chatbot能夠更自然、更智能地與用戶互動，提供更為精準的信息和服務。

近年來，隨著人工智能的飛速發展，我們見證了一場商業領域的巨變。互聯網巨頭如谷歌、微軟、百度等，以及眾多富有創新精神的初創公司，紛紛投身于人工智能產品的競爭，掀起了一場智能化浪潮。曾經出現在電影中的科幻場景如今似乎觸手可及，愈發多的人帶著憧憬和熱情，加入了這場連接未來的變革。隨著技術日益成熟和公眾接受度的提升，我們有理由相信，這場浪潮將構筑一座連接現代文明與未來文明的橋梁。