文 / 孙凌云、孟辰烨、李泽健
人工智能（AI）是一门研究如何让机器具有智能的学科，是一门探索智慧本质、扩展人类智能的科学。它的目标，是让机器会听、会看、会说、会思考、会学习、会行动。它是人类对自身智能的探索和模拟，也是人类对未来世界的想象和创造。它的历史可以追溯到古代的神话和传说中人们对于创造人造生命和智能机器的想象和尝试。现代意义上的AI起源于20世纪40年代。当时，一些科学家开始探索用可编程的数字计算机来模拟人类的思维过程。AI的历史是一部波澜壮阔、跌宕起伏，充满了梦想、挑战、失败和成功的史诗，主要包括三次大的发展浪潮。其发展历程主要可以分为以下几个关键阶段。
起步发展期
1943—1960年
1943—1960年是人工智能起步发展的时期。在这个时期，人工智能从一个概念逐渐演变为一个学科，从一个梦想逐渐成为一个现实。在这个时期，人工智能涌现出了两大学派：符号主义和联结主义。符号主义认为，认知就是对有意义的符号进行推理和计算；联结主义认为，认知就是神经元之间的连接和活动。与此同时，人工智能研究者提出了一些基本的概念和方法，如神经网络、图灵测试、符号推理、游戏AI等，并在一些简单的任务上取得了初步成功，如机器定理证明、跳棋程序、人机对话等。
这是人工智能的诞生阶段，也是理论基础的奠定阶段。在这个阶段，英国数学家艾伦·麦席森·图灵提出了图灵机的概念，将机械计算等同于算法，并提出了用于评价机器是否具有人类智能水平的“图灵测试”这是一个智能判定方面的重要贡献，为人工智能发展奠定基本方向。
1956年，美国达特茅斯学院举办了一次历史性的会议，参会者包括约翰·麦卡锡、马文·明斯基、克劳德·香农等10位科学家。他们讨论了用机器来模仿人类学习和其他方面的智能，并首次提出了“人工智能”的概念。这次会议标志着人工智能作为一个独立的学科正式诞生。
1959年，亚瑟·塞缪尔开发的首个跳棋程序，它可以通过自我对弈来提高自己的水平，并在同年击败了一位跳棋冠军。这是人工智能在游戏AI方面发展的一个重要里程碑，表明机器可以通过强化学习来优化自己的策略。由此，人工智能的第三个重要的学派——行为主义逐步确立，行为主义认为认知是在不断感知和行动中得到反馈后逐步形成的。
总之，这一时期科学家们开启的人工智能研究的大门，为后续人工智能的发展奠定了一定的理论与实践基础。
黄金时代
1960—1974年
1960—1974年是人工智能的黄金年代，也是符号主义的鼎盛时期。在这个阶段，人工智能研究者们充满了自信和乐观，他们试图用逻辑和符号来模拟人类思维过程，认为机器能够实现与人类同等水平的智能，并已经在自然语言理解、微世界推理、专家系统等一些复杂的任务上取得了突破性的进展。
在这一时期，ELIZA人机对话程序的问世引起了人们的广泛关注。ELIZA由美国麻省理工学院约瑟夫·维森鲍姆研发，它是最早的聊天机器人，可以模拟心理咨询师与人进行对话，当时大量的受试者认为机器背后就是一位善解人意的咨询师。ELIZA的发明是人工智能在人机交互方面的一个重要创新，开创了人机自然语言对话的先河。
除了在人机交互领域的开拓性进展，在这一时期出现的“专家系统”更是人工智能发展史上里程碑式的一页。1968年，爱德华·费根鲍姆提出了第一个专家系统DENDRAL，并对知识库给出了初步的定义。该系统具有非常丰富的化学知识，可根据质谱数据帮助化学家推断分子结构。DENDRAL的提出标志着专家系统的诞生，也酝酿了后来的第二次人工智能浪潮。专家系统以知识表示和知识推理技术来模拟专家解决问题的过程，是符号主义的集大成者。专家系统可在特定领域替代专业人士的部分工作，减少人力需要并提升工作效率，因此一度引起人工智能应用热潮。
这段黄金时期还涌现出许多引发广泛关注的研究成果。如模式识别理论的发表标志着计算机科学逐渐从一个工程学科向一个理论学科转变，从单纯的计算机编程向计算机智能方向发展，为后来的机器学习和人工智能的研究提供了有力的理论支持；模糊计算的出现为人工智能描述和表示客观世界的含糊性提供了坚实的理论基础，人工智能逐渐被应用于大量不确定性的场景；框架知识表示是针对人们在理解事物情景或某一事件时的心理学模型，该框架促进了专家系统的进一步发展，也启发了后来的语义万维网、知识图谱等人工智能技术的发展。这些成果展示了人工智能在知识表示和推理方面的强大能力，也为后来的人工智能研究提供了启示和基础。
第一次低谷
1974—1980年
1974—1980年是人工智能发展的第一个低谷期，也被称为“AI之冬”，是人工智能受挫折和遇困境的阶段。在这个阶段，人工智能研究者主要采用逻辑主义的方法，即通过专家编制规则的方式，教机器进行符号运算和推理。这种方法在一些简单和有限的问题上取得了一些成果，如解决代数应用题、证明几何定理、进行心理咨询等；但是，当问题变得复杂和开放时，这种方法就显得力不从心，会出现如无法处理意外情况、常识缺失和构建维护成本高等问题。同时，由于计算机算力和数据资源的限制，人工智能研究也遇到了瓶颈。因此，在20世纪70年代后期，人工智能进入了第一个寒冬期，资助资金和研究信心都大幅缩减。
人工智能研究遇到的首要困难就是计算能力和存储空间的不足，当时的计算机无法处理复杂的问题，如图像识别、自然语言理解和机器人控制。一些看似简单的任务，如下棋或推理，实际上需要巨大的计算量和存储空间。例如，围棋棋盘有19乘19即361个位置，每个位置有黑子、白子或者空置三种可能，因此共3361种可能，约为10的172次方。若要计算所有的棋子排布可能，即便有一台超级计算机每1纳秒计算1亿亿种可能，也大概需要2千亿亿年才可计算完。
其次是数据量和知识表示的问题。人工智能需要大量的数据和知识来模拟人类的智能，但当时缺少有效的方法来收集、存储、表示和维护这些数据和知识，遑论有效使用。最后，逻辑推理和符号系统的局限性也是当时难以解决的一大痛点。当时的人工智能主要依赖逻辑推理和符号系统来实现智能，但这些方法无法处理特殊或意外情况、缺少常识、与人交互中也难以理解人类情感。而且，逻辑推理和符号系统也不能解释人类如何进行直觉、创造和学习等活动，存在难以跨越的瓶颈。
由于人工智能没有达到预期的目标和效果，政府和社会对其产生了怀疑和批评，一些著名的数学家和哲学家也都对人工智能提出了严厉的质疑和反对，其中最著名的反对意见来源于英国的“莱特希尔报告”。因此，政府削减了人工智能研究的资金支持，使许多项目被迫中止或缩小规模。尽管在这个低谷期人工智能遭遇了重大的挫折和困境，但也有一些亮点和进步，如神经网络技术的出现。神经网络技术是一种模拟人类神经系统的方法，可以实现自适应学习、模式识别和非线性处理等功能。神经网络技术在20世纪50年代被提出，70年代初得到进一步发展，但由于计算能力不足而没有得到广泛应用。然而，在80年代后期，神经网络技术又重新兴起，并成为现代人工智能的重要组成部分。
我国科学家在这段时期也取得了杰出的成果。1977年，著名数学家吴文俊院士在《中国科学》期刊发表的《初等几何判定问题与机械化证明》这一具有划时代意义的科学论文，在国际上引起了巨大轰动。吴文俊院士所独创的新方法在国际上被誉为“吴方法”，它能够使人工智能自动并有效地证明几何定理。这种机器证明方法也被应用到其他数学领域。1979年，潘云鹤院士创造性地把人工智能引入CAD技术，研制出我国首项计算机智能模拟彩色平面图案创作系统，其人工智能成果服务了大量国内产业。
繁荣期
1980—1987年
1980—1987年是人工智能发展的又一个繁荣期，这个阶段，AI研究者利用逻辑编程语言和专家系统技术，在一些商业领域取得了成功，并重新获得了政府和企业的支持。同时，联结主义的代表性技术——人工神经网络重新受到关注。
在这一时期，日本通商产业省发起了第五代计算机系统研究计划，当时预算投入8.5亿美元，目的是抢占未来信息技术的先机，创造具有划时代意义的超级人工智能计算机。日本尝试使用大规模多CPU并行计算来解决人工智能算力问题，并希望打造拥有更大规模的人类知识库的专家系统以实现更强的人工智能。
在此期间，美国数十家大公司联合成立了微电子与计算机技术公司（MCC）。该公司于1984年发起了人工智能历史上最大也是最具争议性的项目Cyc，这个项目至今仍然在运作。Cyc项目的目的是建造一个包含全人类全部知识的专家系统，即一位“包含所有专家的专家”。
探索10年之后，人工神经网络迎来了新的研究进展，尤其是在1982年，英国科学家霍普菲尔德与杰弗里·辛顿几乎同时发现了具有学习能力的神经网络算法，为神经网络后续发展提供了必要基础。神经网络在20世纪90年代开始商用于文字图像识别和语音识别。
这是人工智能的复苏阶段，也是分化和竞争的阶段。在这个阶段，人工智能研究者开始尝试新的方法和方向，主要有两个流派：一是神经网络流派，它试图模拟人类大脑的结构和功能，通过数据驱动的方式让机器自动学习；二是专家系统流派，它试图利用领域专家的知识和经验来解决特定领域的复杂问题。这两个流派各有优势和局限，在不同领域取得了不同程度的成功。神经网络流派在人脸识别、手写识别等问题上有突破，专家系统流派进一步在医疗诊断、化学分析等问题上有应用。这个阶段的人工智能重新引起了人们的关注和期待。
第二次低谷
1943—1960年
1987—1993年是人工智能的第二次寒冬期，这段时期人工智能再次遭遇挫折和困境，AI研究者也面临技术和社会的挑战，标志性事件是日本第五代计算机系统的研制计划失败。与此同时，神经网络研究遇到了新的瓶颈，专家系统的局限性依然困扰着研究者。针对人工智能研究的资助再次缩减。
这是人工智能的转折阶段，也是挑战和反思的阶段。在这个阶段，人工智能研究者意识到，要解决更复杂和更普遍的问题，需要使用更复杂更大的模型，也意味着更高的设计难度、更多的计算代价、更丰富的数据资源，而当时的计算机技术和数据资源还无法满足其需求，需要等待高性能计算和互联网等基础设施完善。同时，人工智能也面临着一些哲学和伦理的问题，如机器是否有意识，机器是否有道德，机器是否会威胁人类等。这些问题让人们对人工智能产生了更多的质疑和担忧。
平稳发展期
1993—2011年
1993—2011年是人工智能的平稳发展期。这个阶段，AI研究者开始采用更加实用和渐进的方法，将AI技术应用于各种领域。这段时期人工智能领域虽然没有出现太多的突破性成果，但也有一些重要的进展和贡献，涌现出许多创新的理论、方法、技术和应用，如深蓝下棋击败卡斯帕罗夫、沃森机器人在《危险边缘》节目中获胜等。
1997年，IBM的深蓝超级计算机在国际象棋比赛中战胜了世界冠军加里·卡斯帕罗夫，成为首台打败国际象棋世界冠军的电脑。
1998年，蒂姆·伯纳斯-李提出语义网的概念，通过丰富和扩展万维网的语义意义，促进了信息的获取和交流，使得计算机技术在人类社会中承担起越来越重要的角色。
2006年，多伦多大学的杰弗里·辛顿等人提出了深度置信网络的概念，并提出了一种有效的无监督逐层预训练方法，为神经网络的复兴和深度学习的兴起奠定了基础。
2010年，IBM公司开发了一款基于自然语言处理和知识问答技术的智能系统沃森，并在美国电视节目《危险边缘》上击败了两位人类冠军，展示了人工智能在复杂领域的强大能力。
在这个时期，人工智能的研究范围不断扩大，涉及计算机视觉、自然语言处理、机器人学、知识表示、推理、规划、搜索等多个子领域。人工智能的应用领域不断拓展，涉及医疗、教育、金融、交通运输、军工等多个行业。人工智能的技术手段也不断丰富，出现了迁移学习、元学习、主动学习、持续学习等多种方法和模型。这些发展为人工智能的未来奠定了坚实的基础。
蓬勃发展期
2011年至今
2011年至今（2023年）可看作人工智能的爆发阶段，也是创新和应用的阶段。在这个时期，随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器（GPU）等计算平台推动以深度神经网络为代表的人工智能技术飞速发展。代表性事件是2012年9月，计算机视觉领域顶级权威比赛——ImageNet大规模视觉识别挑战赛中，卷积神经网络AlexNet将Top-5错误率降到了15.3%，以压倒性优势获得第一名，比第二名低10.8%。从此，以深度神经网络为主的深度学习技术开始兴起，并逐步从图像分类推广到语音识别、知识问答、人机对弈、无人驾驶等领域，并都取得了惊人的效果。AI研究者大受鼓舞，逐步利用大数据、强化学习等方法为人工智能提供了更强大的学习能力、创造能力和适应能力，并创造了超大规模的AI模型，如GPT（Generative Pre-trained Transformer）等大模型。大模型也更广泛地渗透到各个行业和领域，成为社会和经济的重要驱动力。
在航空航天领域，人工智能技术被应用于卫星遥感、火星探测、无人机导航、空中交通管理等。它可以帮助分析和处理海量的航天数据，提高航天器的自主性和安全性，降低航天任务的成本和风险，拓展人类对宇宙的认知和探索。在医疗保健领域，人工智能技术被应用于医学影像诊断、基因测序分析、新药物研发、疾病预防和治疗等。它可以帮助提高医疗质量和效率，降低医疗成本和误诊率，增强医疗资源的公平性和可及性，改善人类的健康水平和生活质量。除此之外，人工智能在教育、建筑、能源等领域也都得到了相关的应用，它是当今时代最具变革性和创造性的科技力量，正在不断突破自身的局限，拓展新的可能性，为各行各业带来深刻的影响和价值。
当然，人工智能的发展也带来了一些深刻的社会影响和伦理问题，比如个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等。这些问题需要社会不断接受技术变革、探讨治理规范，以确保人工智能的健康和可持续发展。人工智能的发展也并非毫无瓶颈，现有人工智能技术已然远超相应理论的发展，人工智能研究缺少严谨自洽的理论指导、人工智能大模型不可解释、AI生成内容的“幻觉”和“虚构”等问题和现象依然是笼罩在人工智能发展上的乌云，亟需突破。
自1956年人工智能这一概念被提出，人工智能经历了三次高潮和两次低谷，取得了一系列令人瞩目的成果，曾给人类无限遐想，也面临过挑战和困难。如今，信息技术飞速发展，数据资源高速积累，AI研究者得以训练更大、更深、更复杂的人工神经网络模型，取得了前所未有的技术进步和应用突破，人工智能的研究和应用进入了大模型时代。人工智能被认为是第四次工业革命的关键，未来是会一直蓬勃发展而改变人类社会，还是会遇到新瓶颈而再临凛冬，让我们拭目以待、见证历史！
作者介绍
Authors Introduction
孙凌云
浙江大学国际设计研究院教授、副院长，浙江大学-阿里巴巴前沿技术联合研究中心IDEA Lab主任，主要研究方向为设计思维与计算机辅助、设计自动化与多感知通道信息传递等。
李泽健
浙江大学软件学院平台“百人计划”研究员，博士生导师，主要研究方向为图像生成、智能设计、AI可解释性、人机协同创作等。
孟辰烨
浙江大学软件学院工业设计工程硕士研究生，主要研究方向为人工智能、智能设计、生成模型等。
“博弈论”小彩蛋
凡参与“博弈论：亚运竞技主题数字艺术展”展览互动，并在微信朋友圈、小红书、新浪微博、哔哩哔哩等社交媒体平台，发送“博弈论：亚运竞技主题数字艺术展”展览活动相关内容，集赞数30个以上可获得小书签1套，集赞数50个以上可获得气囊手机支架1个，集赞数80个以上可获得大书签1套。礼品数量不可重复累计。
符合礼品派发条件的观众，请凭有效活动截图至浙江美术馆服务总台登记专属编号，领取相应文创礼品。