这个被称作“智能”的人工智能，到底是什么东西？

如果将来有外星人翻阅地球的历史，在它们眼中，也许愚人节的出现就是这群地球上最聪明的生物炫耀的游戏。如同脑筋急转弯和桌牌游戏相似，人与人之间这种不带恶意的欺骗反欺骗，往往需要理性和感性、推理和直觉相结合才能完成。这种行为，比之纯粹的逻辑更为有趣，也更展示着人类独一无二的智慧。

近几年来，从新款手机吸引眼球的AI助理、智能拍照，到未来感满满的无人驾驶，再到摘取了享有人类智慧桂冠的之称的围棋冠军的AlphaGo，“人工智能”这个在几年前还属于学术前沿与科幻作品的词语，仿佛一夜间进入了普通人的世界。

那么，这个被称作“智能”的人工智能，到底是什么东西？人工智能的快速发展，是否已经使得我们的“电脑”逐渐接近人脑了呢？在多久的将来，人工智能可以在愚人节那天，向人类开一个小玩笑呢？

人工智能是什么

随着“人工智能”概念的火爆，越来越多的新鲜词语出现在各路媒体——深度学习、机器学习、神经网络、大数据、专家系统……这些看上去高大上的词语不免让人心生困惑：这些技术是人工智能吗？人工智能和这些技术之间有什么关系？

其实，人工智能（Artificial Intelligence，AI）是一个跨学科、高门槛的行业，涉及的技术与理念可谓是五花八门，涉及神经科学、数学、计算机科学等多个专业领域，即使从业者也很难看清其全貌。加之一些媒体在引用相关新闻时不慎严谨，让许多人对人工智能更加困惑。

今天，小编不讲具体的技术，只说人工智能历史的与分类，以期剥开人工智能的神秘面纱，共同一窥人工智能的面貌。

01人工智能的历史

其实人工智能并非新兴技术，它近年来的火爆来源于几代科研工作者的默默积累。甚至在很长一段时间中，人工智能曾备受批判和冷落。

早在1956年的达特茅斯会议上，年轻的约翰·麦卡锡等科学家就共同确定了人工智能这一概念。此后，人工智能在挫折中缓慢发展。

人工智能之父——约翰·麦卡锡 

然而，七十年代开始，人们对人工智能产生了怀疑——仅仅会逻辑推理和简单预测棋谱的电脑程序显然不足以称之为“智能”，而科研人员找不到更多的应用领域。甚至有人开始质疑“人工智能”不过是一个新鲜概念，并不具有创新性和应用价值。

整个八十年代，人工智能在突破及质疑中继续发展。许多专家系统出现，他们可以辅助公司指定计划或者医生开处方。随着David Rumelhart提出反向传播（Back Propagation，BP）算法，解决了多层神经网络的学习问题，神经网络开始被广泛的应用于模式识别、故障诊断、预测和智能控制等多个领域。然而，好景不长，当时的多种人工智能技术要么受制于应用领域狭窄，设计成本高，要么碰到了计算机算力、储存及数据量的壁垒，发展再次进入低谷。

反向传播算法

九十年代至今，人工智能迎来了新一轮浪潮。互联网的普及让现实数据开始快速积累，计算机及芯片的性能快速提升，人工智能终于开始走进每个人的生活。从九十年代到今天，我们见证了机器在国际象棋、围棋、德州扑克等等智力竞技中战胜了人类最顶尖的选手，见证了语音识别、图像识别等技术在生活中的广泛应用，见证了“AI”对人类社会的深刻影响。

而这波人工智能浪潮，至今没有显露出一点颓势，反而随着大数据、先进芯片、量子技术等的进步而彰显愈加强大的生命力。

02人工智能的分类

说了这么多，读者可能依然对“人工智能”这个词语感到如坠五里雾中。没关系，下面的分类将说明人工智能用到的基本技术，为你描绘一幅有关人工智能的感性画面。

首先，“人工智能”本身并不是不是一个严格的技术定义，而是一个宽泛的概念。人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。简而言之，人工智能试图用人工的方式实现类人的智慧。

那我们经常听到的机器学习、神经网络、深度学习一类的词语与人工智能是什么关系呢？

有人是这样总结他们的关系的：

没看懂？还有中文版本：

看了这张图，大家是不是对这些词语之间的关系有了初步的理解呢？还有些迷糊？没关系，听我慢慢道来。

最初的时候，人们为实现人工智做了很多尝试，提出了很多种方法。如专家系统、进化计算、机器学习等等。他们有着完全不同的应用场景和实现方法。如果按知识来源进行区分，他们大致可分为知识手动输入与知识由计算机获取两大类。专家系统就是典型的由人类向机器输入已有知识，让机器使用这些知识处理问题的代表。而机器学习就是让机器自动从数据中学习知识的代表。

随着本世纪互联网的大发展，计算机性能的快速提高，人工智能实现理念中的机器学习逐渐受到重视。这是因为机器学习的设计初衷，就是使用算法来解析数据、从数据中学习，然后对真实世界中的事件做出决策和预测。传统的机器学习使用了比较简单的数学算法，随着技术的发展，人们发现传统机器学习正确率较低且适用环境少。此时，人工神经网络（Artificial Neural Network，即ANN ）技术异军突起，给人工智能注入了新的强心剂。

简单的神经网络示意图

其实，早在1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts就建立了神经网络和数学模型——MP模型，证明了单个神经元能执行逻辑功能。60年代，人工神经网络得到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。1986年，Rumelhart, Hinton, Williams发展了BP算法（值得一提的是，Hinton因为其在深度学习领域杰出的贡献刚刚获得了2019年的图灵奖），这是一个迄今为止都极具实用价值的人工智能算法。另外，我们耳熟能详的的循环神经网络RNN、卷积神经网络CNN其实早在90年代末就已经提出了，但是碍于当时计算能力的缺乏和差强人意的可解释性，没有引起足够的重视。

在某种程度上说，人工神经网络与决策树、支持向量机、概率图模型等一样均属机器学习的一部分，它又是神经科学与计算科学相结合的技术。

而最近异常火爆的深度学习的概念，源于人工神经网络的研究，可以认为是更加复杂的人工神经网络。由于其高性能与灵活性，在最近几年中备受重视。我们熟知的AlphaGo主要使用的就是深度学习。

讲了这么多，我们来回答一下最初的问题——今天的人工智能会聪明到在4月1日的早上给我开个善意的玩笑吗？

很遗憾还不能。

业界把人工智能按照先进程度，分为三种：

弱人工智能

强人工智能

超级人工智能

弱人工智能只能在特定领域、既定规则中，表现出强大的智能，例如AlphaGo。而强人工智能不受领域、规则限制，具有人类同样的创造力和想象力。超级人工智能呢？就是远远超越人类的智能。

之前我们讲的各种人工智能的实现，不论是专家系统还是深度学习，目前都还基本属于“弱人工智能”。也许目前的机器比人类更加出色地识别图形、文字、音乐，甚至可以识别人类的情绪，模仿人类作词作曲，在棋局上击败人类。然而这都是一个个特定的任务，机器本身还未形成意识。

也许你会为此感到扫兴

但如果我们回顾过去

十年前我们无法想象

一部个人手机加一枚摄像头

就可以实现对人脸的快速识别

而今天

人工智能已经可以比人类自己更准确地识别人的表情

目前的人工智能已经可以像人类一样

看到世界、感受世界

计划当下、预测未来

谁知道接下来人工智能会有怎样的发展呢？

斯皮尔伯格电影《人工智能》剧照