语言进化以支持 AI 开发

在早期，AI 主要由运行原始 Lisp 操作的专用硬件上的 Lisp（LISt 处理器）编程语言提供支持。Lisp 是最早的语言之一，可以高效地处理项目列表。通用机器随后成为时尚，编程模型也随之流行。但随着机器学习，特别是深度学习的复兴，新的方法和工具包优化了这些数据流。在这里，我们将探索机器学习和软件平台的融合。

早期人工智能历史

人工智能和 Lisp 不可避免地交织在一起，因为概念和语言起源于同一个人 John McCarthy（1927-2011）。在其最早的形式中，人工智能比当今占主导地位的数字方法更专注于搜索和符号处理。Lisp 凭借其简单自然地表示复杂数据的能力及其对递归（用于迭代和搜索）的使用使其成为当时许多问题的理想选择。凭借其交互式解释器（称为 REPL 或读取评估打印循环），Lisp 使探索性编程变得更加容易，这非常适合解决未完全理解的问题。

但是 Lisp 的强大功能也是它最大的贬低者。它的函数式编程风格很困难，并为新的编程语言范例打开了大门。虽然今天继续使用函数式编程，但命令式、面向对象和多范式语言在今天更为普遍。

现代人工智能语言

虽然可以使用任何编程语言开发 AI 应用程序，但有些语言比其他语言更好。无论是语言本身还是围绕语言的支持，某些语言都极大地简化了 AI 开发。

逻辑编程

Prolog语言于 1972年推出，其根源在于一阶逻辑，其中程序由事实和规则定义。可以查询程序以将规则应用于事实并产生结果。Prolog 今天仍然广泛用于专家系统和自动规划系统等应用程序。Prolog 最初是为自然语言处理而设计的，并且它继续在那里找到应用程序。

通用语言

Prolog 推出 20 年后，出现了一种名为Python的通用语言，它是围绕代码可读性而设计的。尽管 Python 作为一种教授编程的教育语言很早就引起了人们的兴趣，但它已经发展成为一种在各个领域广泛使用的语言，包括人工智能和机器学习。Python 的主要优势之一是其庞大的库和工具包集，使构建应用程序变得更加简单。例如，Python 可以与 TensorFlow 开源工具包一起用于构建深度学习应用程序。当您想要部署深度学习而不开发所需的详细深度神经网络结构时，这很有用。

统计计算

R 语言中使用了类似的模型，它既是一种语言，也是一种用于图形化表示的统计计算环境）。R 是一种高度可扩展的语言，可通过包的集成进行扩展。包将一些特定应用程序的函数和数据收集在一起，然后可以在 R 程序中使用，例如统计函数或整个深度学习工具包。截至 2020 年，超过 15,000 个包可用于 R 语言。

新的功能方法

尽管 Lisp 主要是当今机器学习的一个注脚，但它的功能根源已经催生了遵循这种范式的新语言。Haskell语言是一种纯函数式语言，具有强大的类型系统，可以生成更安全的代码；在考虑机器学习和物联网设备的爆炸式增长时，这是一个有用的特性。尽管缺乏可用于 Python 和 R 的广泛库集，Haskell 包含机器学习工具包的绑定，这使得使用 Haskell 构建机器学习应用程序变得简单。

工具包

随着语言、工具包和库也在追求机器学习应用程序的过程中得到发展。这些工具包（例如TensorFlow）为语言提供了构建复杂机器学习应用程序的能力，而无需从头开始构建这些能力。TensorFlow 为各种语言（如 Python、Haskell 和 R）提供接口，使深度学习应用程序的构建和部署变得简单。

概括

人工智能的概念及其数字后代机器学习的形成创造了语言和工具包的共同进化。语言提供了构建各种应用程序的通用功能，而工具包则通过特定的机器学习功能扩展了这些语言。 

审核编辑 hhy