人工智能：定义、历史与未来

7.1 人工智能的经典定义

自计算机出现以来，它们深刻改变了人类活动的多个方面，并激发了人们开发智能机器的浓厚兴趣。这种兴趣具有深厚的历史根源，并促成了人工智能（AI）概念的形成。人工智能至今仍是活跃讨论和持续发展的主题。

早在现代计算机出现之前，人们就已提出制造能够模仿人类智能的机器这一想法。人工智能理念受到扩展人类能力愿望的推动，并由此引发了大量哲学与科学研究。但当“智能”一词本身都难以定义时，我们究竟如何理解“人工智能”？

“智能”和“人工智能”的定义都十分复杂，并存在多种解释。几十年来，学者提出的人工智能定义大致可归为以下几类。

作为计算机科学领域的人工智能：指开发能够完成通常需要人类智能的任务的计算机系统，包括学习、推理和自我纠正。

作为机器功能改进的人工智能：把人工智能视为提升机器能力的过程，使机器能够执行传统上与人类智能相关的任务，如适应和自我纠正。

作为人类智能扩展的人工智能：把人工智能看作增强人类智能的工具，类似机械工具增强人类体力。

作为高效编程方法研究的人工智能：强调开发使计算机更有效解决问题的技术。

随着技术进步，人工智能定义也不断演化。早期定义侧重模仿人类认知过程；较新的方法则强调，人工智能不应只是复制人类行为，而应追求解决问题时的理性与效率，并可能在某些方面超过人类能力。

现代人工智能研究涵盖机器学习、深度学习、神经网络等多种方法。它们为创建智能系统提供不同技术路径。人工智能的关键任务之一，是开发能够从数据中适应和学习的算法，为医学、太空探索等多个领域的自动化和复杂问题求解提供新能力。

人工智能系统有多种分类方式，但多数可归结为四类。

像人一样思考的系统：开发模仿人类思维和认知过程的 AI 系统，如感知与推理。其核心目标是理解人类心智，并建立能够再现人类思维某些方面的模型。

像人一样行动的系统：强调复现人类智能的外在表现。例如识别语音和手势、理解自然语言，甚至表现出情绪。

理性思考的系统：关注逻辑“思维”或利用规则从已知数据推出新信息。此类系统试图用形式化逻辑原则模拟类似人类的理性推理。

理性行动的系统：创建能够为实现特定目标而采取最优行动的系统。它们不仅模仿人类行为，还能在不同条件下高效、理性地执行任务。强化学习和智能体学习属于这一方向，系统通过反复试错优化行为。

7.1.1 人工智能的现代解释与方向

人工智能不仅是一个术语，也是不断发展中的科学学科。其现代定义融合了多种方法、技术和原则，目标是创造能够模仿甚至超越人类智能某些方面的机器。

现代人工智能中常见的重要方向包括：

深度学习（Deep Learning）：基于多层神经网络的技术，是图像处理、语音识别等许多突破的核心。示例包括社交网络中的人脸识别系统和智能手机中的拍照辅助功能。

强化学习（Reinforcement Learning）：算法通过实践学习，选择能够带来长期最大收益的行动。示例包括学习下棋或玩电子游戏并达到高水平表现的算法。

认知建模：构建模拟人类认知过程的模型，包括推理、学习和记忆。示例包括在不确定条件下模拟决策的系统。

机器人技术与自主系统：新一代机器人可借助 AI 自主分析环境、做出决策并采取行动。示例包括自主清洁住宅的扫地机器人和无人驾驶汽车。

自然语言处理（NLP）：使机器能够理解、解释并生成自然语言。示例包括 Siri、Google Assistant 等语音助手，以及 Google Translate 等自动翻译系统。

计算机视觉：使机器能够像人类一样“看见”并解释视觉信息。示例包括 QR 码扫描系统和医学图像自动诊断系统。

神经网络建模：通过研究大脑来创建模拟人类认知功能的算法。示例包括能够分类和分析复杂数据模式的神经网络。

随着 AI 发展，伦理和社会层面的关注也不断增强。安全性、透明性和责任问题越来越重要。该领域不断吸收新方法和新思路，是现代技术中最具活力的方向之一。

7.1.2 人工智能的关键特征与属性

人工智能具有一系列独特特征，使其区别于其他技术，并成为密集研究对象。

学习能力：AI 算法能够分析数据，适应新信息，并在没有直接人工干预的情况下随时间提高性能。这是多数 AI 应用的基础，使系统能够自我改进和演化。

自主性：系统能够基于既有学习结果和可用数据独立决策。这在人工参与受限或不可能的场景中尤为重要，例如自动驾驶车辆控制或远程系统监测。

大规模数据处理能力：系统能够快速分析和解释海量数据，发现人类分析难以察觉的模式和相关关系。这使 AI 可用于趋势预测、流程优化和数据驱动决策支持。

多任务性与适应性：同一算法可根据情境和条件变化适配不同任务。

推理与规划：高级系统能够对信息进行逻辑处理，得出结论，并规划多个步骤后的行动。

自然语言交互与感知：AI 系统可以通过自然语言和传感器数据与人类及环境互动，从而更自然地理解周围世界。这些能力使 AI 更直观、更容易被广泛使用。

模拟人类情绪：某些高级 AI 系统能够识别甚至模拟人类情绪，使人与机器的交互更自然。

自我意识：完整机器自我意识目前仍主要属于科幻范畴，但一些研究者探索构建具有某种“意识”或自我理解水平的系统。

7.1.3 人工智能与自动化及传统编程的区别

在现代社会，“人工智能”已成为常见词，但并非所有人都清楚它与普通自动化或传统编程的区别。表面看，这些概念都指机器替人执行某些操作；但进一步分析会发现关键差异。

传统编程基于明确定义的算法。程序员明确告诉机器在不同情境或输入下应如何反应。每一步、每个动作都由人预先规定，计算机只是执行这些指令。如果出现程序员没有预设的情况，程序就可能无法完成任务，甚至发生故障。

自动化是借助机械或程序简化、加速原本由人工完成的任务。例如家庭温度自动控制或企业大规模生产线。此类系统同样在明确规则范围内运行。

人工智能则以学习为基础。它不是预先列举每一种可能情境，而是根据接触到的数据和经验学习，并据此做出决策。这使系统能够适应新情境、提高效率，甚至在某些场景中表现出一定“创造性”。AI 系统能够在数据中发现人类不易察觉的规律，并据此进行预测或行动。

因此，人工智能不同于简单自动化，它具有适应性和学习能力；也不同于传统编程，它并不完全依赖人工硬编码的规则。AI 的核心在于从数据和经验中改进自身行为。

7.2 人工智能发展史

人工智能的发展史可以看作人类试图理解、模拟和扩展智能的历史。从神话与哲学想象，到机械自动机，再到现代计算机与机器学习，人工智能经历了多个阶段。

7.2.1 人工智能的起源

人工智能的思想源头可以追溯到古代神话、哲学和机械装置。人类很早就想象过具有自主行动能力的人工造物，也思考过推理、知识和意识的本质。后来，逻辑学、数学和机械计算装置的发展，为人工智能奠定了形式化基础。

7.2.2 早期计算机时代与人工智能的诞生

20 世纪中叶，电子计算机的出现使人工智能从哲学设想逐步转向工程实践。计算机能够高速执行形式化规则，研究者开始尝试把推理、搜索、博弈和语言处理等任务转化为可计算程序。正是在这一背景下，“人工智能”作为研究方向逐渐形成。

7.2.3 人工智能黄金时代：1950—1970 年

20 世纪 50—70 年代常被称为人工智能早期黄金时代。研究者对机器推理、问题求解、定理证明、博弈程序和自然语言处理抱有很高期待。许多早期系统展示了计算机在特定任务上的能力，也推动了符号 AI 和启发式搜索的发展。

7.2.4 人工智能寒冬：1970—1990 年

由于早期期望过高、计算能力不足、数据缺乏以及实际应用困难，人工智能在 20 世纪 70—90 年代经历了若干低潮期，常被称为“人工智能寒冬”。资金和关注度下降，许多项目未能达到预期。不过，这一时期也促使研究者更现实地认识 AI 的局限，并推动了专家系统、知识表示等方向的发展。

7.2.5 对人工智能兴趣的复兴：1990—2010 年

从 20 世纪 90 年代开始，计算能力提升、数据规模增加、统计学习方法发展，使人工智能重新受到关注。机器学习、概率模型、支持向量机、集成方法等技术在语音识别、文本处理、推荐系统和数据挖掘中取得进展。AI 逐渐从纯理论研究走向更广泛的实际应用。

7.2.6 深度学习热潮与现代阶段：2010 年至今

2010 年以后，深度学习在图像识别、语音识别、自然语言处理等领域取得显著突破。大型数据集、GPU 等硬件加速以及神经网络结构改进共同推动了这一发展。现代 AI 系统不仅用于分类和预测，也用于生成文本、图像和代码，并被集成到医疗、交通、教育、工业和科学研究等领域。

7.2.7 关键人物及其对人工智能发展的贡献

人工智能的发展离不开众多研究者的贡献。早期逻辑学家和数学家为形式化推理奠定基础；计算机科学先驱提出可计算性、算法和机器智能问题；神经网络、机器学习、统计学习和深度学习领域的研究者不断推动模型和算法进步。这些贡献共同塑造了人工智能从理论到实践的发展路径。