如果將來有外星人翻閱地球的歷史，在它們眼中，也許愚人節的出現就是這群地球上最聰明的生物炫耀的游戲。如同腦筋急轉彎和桌牌游戲相似，人與人之間這種不帶惡意的欺騙反欺騙，往往需要理性和感性、推理和直覺相結合才能完成。這種行為，比之純粹的邏輯更為有趣，也更展示著人類獨一無二的智慧。

近幾年來，從新款手機吸引眼球的AI助理、智能拍照，到未來感滿滿的無人駕駛，再到摘取了享有人類智慧桂冠的之稱的圍棋冠軍的AlphaGo，“人工智能”這個在幾年前還屬于學術前沿與科幻作品的詞語，仿佛一夜間進入了普通人的世界。

那么，這個被稱作“智能”的人工智能，到底是什么東西？人工智能的快速發展，是否已經使得我們的“電腦”逐漸接近人腦了呢？在多久的將來，人工智能可以在愚人節那天，向人類開一個小玩笑呢？

人工智能是什么

隨著“人工智能”概念的火爆，越來越多的新鮮詞語出現在各路媒體——深度學習、機器學習、神經網絡、大數據、專家系統……這些看上去高大上的詞語不免讓人心生困惑：這些技術是人工智能嗎？人工智能和這些技術之間有什么關系？

其實，人工智能（Artificial Intelligence，AI）是一個跨學科、高門檻的行業，涉及的技術與理念可謂是五花八門，涉及神經科學、數學、計算機科學等多個專業領域，即使從業者也很難看清其全貌。加之一些媒體在引用相關新聞時不慎嚴謹，讓許多人對人工智能更加困惑。

今天，小編不講具體的技術，只說人工智能歷史的與分類，以期剝開人工智能的神秘面紗，共同一窺人工智能的面貌。

01人工智能的歷史

其實人工智能并非新興技術，它近年來的火爆來源于幾代科研工作者的默默積累。甚至在很長一段時間中，人工智能曾備受批判和冷落。

早在1956年的達特茅斯會議上，年輕的約翰·麥卡錫等科學家就共同確定了人工智能這一概念。此后，人工智能在挫折中緩慢發展。

人工智能之父——約翰·麥卡錫

然而，七十年代開始，人們對人工智能產生了懷疑——僅僅會邏輯推理和簡單預測棋譜的電腦程序顯然不足以稱之為“智能”，而科研人員找不到更多的應用領域。甚至有人開始質疑“人工智能”不過是一個新鮮概念，并不具有創新性和應用價值。

整個八十年代，人工智能在突破及質疑中繼續發展。許多專家系統出現，他們可以輔助公司指定計劃或者醫生開處方。隨著David Rumelhart提出反向傳播（Back Propagation，BP）算法，解決了多層神經網絡的學習問題，神經網絡開始被廣泛的應用于模式識別、故障診斷、預測和智能控制等多個領域。然而，好景不長，當時的多種人工智能技術要么受制于應用領域狹窄，設計成本高，要么碰到了計算機算力、儲存及數據量的壁壘，發展再次進入低谷。

反向傳播算法

九十年代至今，人工智能迎來了新一輪浪潮。互聯網的普及讓現實數據開始快速積累，計算機及芯片的性能快速提升，人工智能終于開始走進每個人的生活。從九十年代到今天，我們見證了機器在國際象棋、圍棋、德州撲克等等智力競技中戰勝了人類最頂尖的選手，見證了語音識別、圖像識別等技術在生活中的廣泛應用，見證了“AI”對人類社會的深刻影響。

而這波人工智能浪潮，至今沒有顯露出一點頹勢，反而隨著大數據、先進芯片、量子技術等的進步而彰顯愈加強大的生命力。

02人工智能的分類

說了這么多，讀者可能依然對“人工智能”這個詞語感到如墜五里霧中。沒關系，下面的分類將說明人工智能用到的基本技術，為你描繪一幅有關人工智能的感性畫面。

首先，“人工智能”本身并不是不是一個嚴格的技術定義，而是一個寬泛的概念。人工智能（Artificial Intelligence），英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。簡而言之，人工智能試圖用人工的方式實現類人的智慧。

那我們經常聽到的機器學習、神經網絡、深度學習一類的詞語與人工智能是什么關系呢？

有人是這樣總結他們的關系的：

沒看懂？還有中文版本：

看了這張圖，大家是不是對這些詞語之間的關系有了初步的理解呢？還有些迷糊？沒關系，聽我慢慢道來。

最初的時候，人們為實現人工智做了很多嘗試，提出了很多種方法。如專家系統、進化計算、機器學習等等。他們有著完全不同的應用場景和實現方法。如果按知識來源進行區分，他們大致可分為知識手動輸入與知識由計算機獲取兩大類。專家系統就是典型的由人類向機器輸入已有知識，讓機器使用這些知識處理問題的代表。而機器學習就是讓機器自動從數據中學習知識的代表。

隨著本世紀互聯網的大發展，計算機性能的快速提高，人工智能實現理念中的機器學習逐漸受到重視。這是因為機器學習的設計初衷，就是使用算法來解析數據、從數據中學習，然后對真實世界中的事件做出決策和預測。傳統的機器學習使用了比較簡單的數學算法，隨著技術的發展，人們發現傳統機器學習正確率較低且適用環境少。此時，人工神經網絡（Artificial Neural Network，即ANN ）技術異軍突起，給人工智能注入了新的強心劑。

簡單的神經網絡示意圖

其實，早在1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts就建立了神經網絡和數學模型——MP模型，證明了單個神經元能執行邏輯功能。60年代，人工神經網絡得到了進一步發展，更完善的神經網絡模型被提出，其中包括感知器和自適應線性元件等。1986年，Rumelhart, Hinton, Williams發展了BP算法（值得一提的是，Hinton因為其在深度學習領域杰出的貢獻剛剛獲得了2019年的圖靈獎），這是一個迄今為止都極具實用價值的人工智能算法。另外，我們耳熟能詳的的循環神經網絡RNN、卷積神經網絡CNN其實早在90年代末就已經提出了，但是礙于當時計算能力的缺乏和差強人意的可解釋性，沒有引起足夠的重視。

在某種程度上說，人工神經網絡與決策樹、支持向量機、概率圖模型等一樣均屬機器學習的一部分，它又是神經科學與計算科學相結合的技術。

而最近異常火爆的深度學習的概念，源于人工神經網絡的研究，可以認為是更加復雜的人工神經網絡。由于其高性能與靈活性，在最近幾年中備受重視。我們熟知的AlphaGo主要使用的就是深度學習。

講了這么多，我們來回答一下最初的問題——今天的人工智能會聰明到在4月1日的早上給我開個善意的玩笑嗎？

很遺憾還不能。

業界把人工智能按照先進程度，分為三種：

弱人工智能

強人工智能

超級人工智能

弱人工智能只能在特定領域、既定規則中，表現出強大的智能，例如AlphaGo。而強人工智能不受領域、規則限制，具有人類同樣的創造力和想象力。超級人工智能呢？就是遠遠超越人類的智能。

之前我們講的各種人工智能的實現，不論是專家系統還是深度學習，目前都還基本屬于“弱人工智能”。也許目前的機器比人類更加出色地識別圖形、文字、音樂，甚至可以識別人類的情緒，模仿人類作詞作曲，在棋局上擊敗人類。然而這都是一個個特定的任務，機器本身還未形成意識。

也許你會為此感到掃興

但如果我們回顧過去

十年前我們無法想象

一部個人手機加一枚攝像頭

就可以實現對人臉的快速識別

而今天

人工智能已經可以比人類自己更準確地識別人的表情

目前的人工智能已經可以像人類一樣

看到世界、感受世界

計劃當下、預測未來

誰知道接下來人工智能會有怎樣的發展呢？

斯皮爾伯格電影《人工智能》劇照