尼康|人工智能的编年史: 早在图灵之前，甚至早于计算机。
文章图片
文章图片
文章图片
文章图片
从简单机器到人工智能的时间轴(非线性时间轴) 。 源自Apteo 。
在关于人工智能的重要论文《计算机器与智能》(Computing Machinery and Intelligence)中 ， 艾伦?图灵(Alan Turing)提出了一个著名的问题:“机器会思考吗?”——或者 ， 更准确地说 ， 机器能成功地模仿思维吗?
70年后 ， 答案仍然是“不” ， 因为没有一台机器通过图灵测试 。
图灵说过 ， 他对那些“能够完成人类可以完成的任何操作”的机器感兴趣 。 换句话说 ， 他对复杂的数字机器感兴趣 。
一台能思考的数字机器的诞生是一个机器进化的过程 ， 这可以从机器的历史的开端开始 。
机器的历史机器是一种能工作的装置 。 在工程术语中 ， 功意味着把能量从一个物体传递到另一个物体 。 机器使我们能施加更大的力并更有效地工作 ， 从而使我们有能力做更多的工作 。
现代机器——如上面提到的波士顿动力机器人Atlas——使用数百个部件 ， 包括液压接头、活塞、齿轮、阀门等来完成复杂的任务 ， 如自己校正稳定器 ， 甚至后空翻 。
简单机器“简单机器”也符合我们之前的定义 ， 包括车轮、杠杆、滑轮、斜面、楔子和螺丝 。 事实上 ， 所有的机械都是由这六种简单机器的某种组合而成的 。
Atlas不仅仅是一台机械设备 ， 更是一台数字设备 。
简单的机械已经有几百万年的历史了 。 “石刻工具(一种楔形物)和人类社会一样古老 ， ”考古学家发现的石器“在150万到200万年前” 。
复杂机器简单机器的组合可以用来制造从独轮车到自行车再到机械机器人的一切东西 。
事实上 ， 关于机械机器人的记录可以追溯到3000多年前 。
道教经典《列子》 ， 写于公元前5世纪 ， 记录了一个关于周(公元前1023-957年)穆王和一个名叫颜氏的工程师之间的更早的会面 。 颜氏向国王赠送了一个真人大小的机器人:
国王惊讶地盯着那个人 。它飞快地走着 ， 上下点着头 ， 任何人都会把它当作活人 。技师抚摸着下巴 ， 然后开始唱歌 ， 音调完美 。他摸了摸它的手 ， 并开始摆姿势……当表演接近尾声时 ， 机器人眨了眨眼睛 ， 向宫女们前进 ， 于是国王被激怒了 ， 本来是要让对它和技师进行处决的 ， 在致命的恐惧中 ， 技师立即把机器人弄成碎片 ， 让国王看到它到底是什么 。实际上 ， 它实际上只是由皮革 ， 木材 ， 胶水等制作成的……”
机械图 。 日期未知 。
国王问道:“难道人类(创造机器的)的技能可以与大自然的创造者(神)相提并论吗?”
换句话说 ， 图灵关于机器是否能模仿人类的问题实际上已经存在了几千年 。
与此同时 ， 希腊科学家们正在创造各种各样的自动机 。 Archytas(公元前428-347年)创造了一种能飞200米左右的机械鸟 ， 被描述为一种人造的、蒸汽推动的鸟形飞行装置 。
“阿基塔斯用如此精巧的机械和艺术制作了一个木制的鸽子模型 ， 它能飞起来 。 ”
一些现代历史学家认为 ， 这可能是由于悬挂的连线的辅助 ， 但无论如何 ， 这显然是一种创造机器的尝试 。
另一位希腊科学家 Daedalus创造了会动的雕像:
“据说Daedalus创造了栩栩如生的雕像 ， 它们可以自己移动 。 ”
在《亚历山大的兴衰:现代世界的诞生地》(132页)一书中描述了“第一个布谷鸟钟”:
“很快 ， Ctesibius的钟就被塞进了活塞和阀门里 ， 用来控制一系列装置 ， 从钟到木偶 ， 再到机械鸽子 ， 它们通过唱歌来记录每过去——这是第一只布谷鸟钟!”
几个世纪以来 ， 越来越多复杂的装置被用来制造机器 ， 比如风力驱动的机器 。
可编程复杂机械直到公元9世纪才出现了第一个有记录的可编程复杂机械:
“已知最早的可编程机器是自动长笛播放器 ， 它是在9世纪由Baghdad的Musa兄弟发明的 。 ”
它也被描述为“自我演奏的乐器” 。 Vatican图书馆有一本关于这些装置的书 。
思想成果中的秘密之书?ZKM Karlsruhe ， 照片：HaraldV?lkl 。由ZKM Karlsruhe和Biblioteca Apostolica Vaticana提供 。
机械计算机器在通往现代人工智能的漫长道路上 ， 机械计算器的发明迈出了重要的一步 。
17世纪上半叶 ， Wilhelm Schickard发明了第一台机械计算器 ， 允许加法和乘法运算 。
【尼康|人工智能的编年史: 早在图灵之前，甚至早于计算机。】
Schickard的计算器 。 由图宾根大学提供 。
下一个由布莱斯?帕斯卡(Blaise Pascal)制造的机械计算器也可以执行减法 。
这些机器启发了Gottfried Wilhelm Leibniz等思想家思考以下观点:
“如果人类经验的每一个领域都可以通过数学思考来理解 ， 如果思考是一种计算的形式 ， 而计算可以被机械化 ， 那么所有关于现实的问题 ， 原则上都可以通过机器的计算来回答 。 ”
在许多方面 ， 这与我们今天的人工智能概念相似 。
莱布尼茨的想法是 ， 一个普遍特征 ， 或一个普遍逻辑程序 ， 就可以回答关于现实的所有问题 。
可编程计算机器1833年 ， 查尔斯·巴贝奇(Charles Babbage)将9世纪对可编程机器的发明和17世纪对计算机器的发明结合起来 ， 构想出了一台分析机:一台可编程计算机器 。
查尔斯·巴贝奇的分析机的一部分(完成于1910年) 。 在1871年巴贝奇去世时 ， 这个机器只建造了一部分 ， 它包含了“磨坊”(功能上类似于现代计算机的中央处理器)和一个印刷装置 。 来源于伦敦科学博物馆 。
巴贝奇并未成功建造出一台完整的机器 ， 但他的“穿孔卡片技术”后来被用于第一台数字机器 。
数字机器(电脑)从机械计算机到数字计算机的转变是巨大的飞跃 。
在20世纪30年代末到40年代 ， 数台数字计算机出现 ， 争夺“第一台数字计算机”的位置 。
ENIAC被广泛认为是第一个数字计算机 ， 在1946年完成建设 ， 因为它是第一个拥有完全功能的计算机 。
资料来源:计算机历史博物馆
其他同期数字计算机还有1943年的“巨像”(Colossus)和1942年的ABC计算机 。 “巨像”帮助英国密码破译人员读取加密的德国信息 。
此后 ， 随着在内存、RAM、实时图形和晶体管中存储程序等方面的进步 ， 计算机技术的发展迅速加快 。
机器学习最后 ， 随着复杂数字机器的出现 ， 我们可以提出机器学习的主题 。
正如本书开头所探讨的 ， 机器的崛起促使艾伦·图灵在1950年提出了一个问题:“机器会思考吗?”五年后 ， Dartmouth 发表了一篇关于人工智能的开创性论文 ， 该领域的基本原理自那时起一直保持相似 。
1955年 ， M.L.Minsky 基写道
“机器可以通过‘试错’-‘训练’过程来从一系列输入-输出函数中筛选出最优的一个 。 这样的机器 ， 当放在适当的环境中 ， 并给出‘成功’或‘失败’的标准时 ， 就可以训练出‘趋近于目标’的行为 。 ”
换句话说 ， 机器学习算法根据在“训练数据”上建立的数学模型来做决定 ， 而没有经过明确的编程过程来做这些决定 。
这就是计算器和机器学习(或AI)之间的关键区别:计算器 ， 或任何形式的自动机 ， 都有预先确定的输出 。 人工智能则可以即时的做出概率决策 。
机械机器还有更严格的物理限制 ， 比如一个精巧的装置能装多少机器部件(例如滑轮、杠杆、齿轮) ， 而现代数字机器的CPU能装上数十亿个晶体管 。
“机器学习”这个词是由Arthur Samuel在1952年提出的 ， 当时他开发了一个通过死记硬背来玩跳棋的电脑程序 。
在IBM 701上玩跳棋的Arthur Samuel 。 图片来源:IBM 。
1958年 ， 在向美国海军展示了他的作品后 ， 《纽约时报》报道:
感知机是“电子计算机的胚胎 ， 海军希望它能走路、说话、看、写、复制自己并意识到自己的存在 。 ”
在1958年 ， 研究人员甚至就预见了有感知能力的人工智能的出现 。
后来的成就包括前馈神经网络(类似于感知器 ， 但有多层) ， 67年的最近邻算法 ， 70年代计算机上的反向传播(现在用于训练深度神经网络) ， 90年代早期的增强算法 ， 以及97年的LSTMs 。
数据的增加和计算能力的提高有人在人工智能首席研究员Andrew Ng最近的人工智能课程中指出 ， 目前在一般人工智能领域“几乎没有进步” ， 但在“小众人工智能”领域取得了令人难以置信的进步——“只做智能扬声器或自动驾驶汽车这样单一事件的输入输出功能” 。
从高层次来说 ， 人工智能仍然是关于“学习一个从x映射到y的函数” 。
我们最近看到的令人难以置信的进步主要是由于数据和计算能力的爆炸式增长 ， 以及更好(更高质量)的数据和更多的人工智能工程师 。
更多的数据和计算能力自然会提高大多数AI模型的准确性 ， 特别是在深度学习方面 。
来源:安德鲁·吴的《机器学习向往》 。
人工智能工具的民主化随着人工智能架构、计算能力和数据的发展 ， 人工智能最近已经在工业中占据了一席之地 ， 这要归功于获取知识的难度下降 。
降低获取知识难度的工具的出现有很长的历史 。 例如 ， 古腾堡的印刷机在15世纪普及了知识 。
Johannes Gutenberg(1904年)重建 。
在互联网时代 ， 像Wordpress和Wix这样的“无代码”工具简化了网站建设 。
沿着同样的思路 ， 人工智能在50年代提出之后的几十年里 ， 很大程度上局限于学术界 ， 没有看到太多的实际用途 。
TensorFlow和Keras等工具让更多企业实现人工智能成为可能 ， 尽管它们仍是复杂的工具 ， 需要高薪的机器学习工程师 。
数据科学专业人员的短缺导致那些能够创建人工智能系统的人获得了天价的薪水 ， 这使得复杂的问题变得更加复杂 。 结果 ， 像FAANGs这样的大公司在人工智能领域占据了主导地位 。
像Apteo这样的无代码人工智能工具的出现降低了前期成本 ， 同时消除了对技术专长的需求 ， 实现了真正的民主化人工智能 。
无代码人工智能无代码人工智能工具是民主化人工智能道路上关键的一步 。
早在200万年前 ， 人类就制造出了石刻工具 ， 使之能够更方便的进行工作 。
今天 ， 人工智能让我们更有效率 ， 可以为我们工作 ， 而无代码人工智能给每个人带来了这些好处 。
随着无代码人工智能工具的兴起 ， 我们正在进入一个人工智能的新时代 。
deephub翻译组：孟翔杰
推荐阅读
- 腾讯控股的保险代理平台“微保”被深圳银保监局处罚
- 成龙的功夫是杂技，洪金宝胖的不灵活，周比利评价两人实战能力
- 凉茶|凉茶最大的问题不是添加西药，而是冒充饮料
- 台风|里弗斯谈独行侠：不会忽视有联盟前五球员的球队
- 高考遇洪水,交警铁骑送 景德镇考生的＂国宾待遇＂
- 未来的大学生活“长啥样”？ 来看学长为你写下的万字指南
- 不起眼的朗姐|和老人出去旅游，为什么会觉得心累？网友：只要老妈身体允许以后还要带她去，哈哈哈哈
- 粤游记|旅游就该诗酒趁年华，带你一起到东京，我们玩点不一样的！
- 三分钟游世界|云南新走红一座公园，门票高达100元，但去过的游客都说好
- 识别“95”号段中的“李鬼” 这些小技巧要掌握!