《AI 3.0》讀書筆記
《AI 3.0》讀書筆記 序1
《AI 3.0》讀書筆記 序2
《AI 3.0》讀書筆記 序3
《AI 3.0》讀書筆記 譯者序

01從起源到遭遇寒冬，心智是人工智能一直無法攻克的堡壘

AI起源

1955年約翰·麥卡錫聯(lián)合申農(nóng)（信息論創(chuàng)立者）记盒、明斯基（人工智能大師憎蛤，《心智社會》的作者）、羅徹斯特（IBM計算機(jī)設(shè)計者之一）纪吮，發(fā)起了達(dá)特茅斯項目（Dartmouth Project）蹂午，這個項目計劃在1956年夏天開展，為期兩個月彬碱，共10個人參與豆胸，他們4位組織者向洛克菲勒基金會遞交了一份提案，請求其為這一夏季研討會提供資助巷疼。他們寫道晚胡，這一提案是基于“學(xué)習(xí)的每個方面灵奖，或者說智能的任何特征，從原則上來說都可以被精確地描述估盘，因此瓷患，可以制造一臺機(jī)器來進(jìn)行模擬”。該提案列出了一系列需要討論的主題遣妥，如自然語言處理（natural-language processing, NLP）擅编、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)箫踩、抽象概念和推理爱态、創(chuàng)造力等，這些主題至今仍定義著人工智能這一領(lǐng)域境钟。

第二年項目正式啟動锦担，會議的主要議題有以下7個方面：

• 自動計算機(jī)（自動指可編程）
• 如何為計算機(jī)編程，使其能夠使用語言
• 神經(jīng)網(wǎng)絡(luò)
• 計算規(guī)模理論
• 自我改進(jìn)（指機(jī)械學(xué)習(xí)）
• 抽象
• 隨機(jī)性與創(chuàng)造性

會議取得的一些非常重要的成果：

• 該領(lǐng)域得到了命名慨削；在會議上麥卡錫首次提出“人工智能”（artificial intelligence）這一概念洞渔。
• 其總體目標(biāo)也基本明確了磁椒，使人工智能成為計算機(jī)科學(xué)中一門獨立的經(jīng)驗科學(xué)。
• 即將成為該領(lǐng)域“四大開拓者”的麥卡錫宝冕、明斯基、艾倫·紐厄爾（Allen Newell）和西蒙得以會面洁闰，并對未來做出了一些規(guī)劃腰素，而且不知出于什么原因洋访，這4個人開完會后都對該領(lǐng)域持極大的樂觀態(tài)度扶歪。
  • 20世紀(jì)60年代初乎完，麥卡錫創(chuàng)立了斯坦福人工智能項目（Stanford Artificial Intelligence Project），其目標(biāo)是：“在10年內(nèi)打造一臺完全智能的機(jī)器桥状∶本荆”
  • 大概在同一時間，后來的諾貝爾獎得主西蒙預(yù)測：“用不了20年辅斟，機(jī)器就能夠完成人類所能做的任何工作转晰。”
  • 不久之后士飒，麻省理工學(xué)院人工智能實驗室（MIT AI Lab）的創(chuàng)始人明斯基就預(yù)言：“在一代人之內(nèi)查邢，關(guān)于創(chuàng)造‘人工智能’的問題將得到實質(zhì)性的解決〗湍唬”

“定義你的術(shù)語……否則我們將永遠(yuǎn)無法相互理解扰藕。”18世紀(jì)的哲學(xué)家伏爾泰的忠告
人工智能的核心概念——“智能”（intelligence）仍然沒有明晰的定義芳撒。
針對類似“智能”及其引申詞实胸，如“思想”（thinking）他嫡、“認(rèn)知”（cognition）、“意識”（consciousness）庐完、“情感”（emotion）這樣的詞語钢属，明斯基創(chuàng)造了“手提箱式詞匯”（suitcase word）這一術(shù)語，其意思是：每個詞語就像是打包封裝了不同含義的手提箱门躯。人工智能就經(jīng)過了“打包”淆党，在不同的上下文中承擔(dān)不同的含義。
智能的定義可能是二元的（一個物體是或不是智能的）讶凉、在一個連續(xù)統(tǒng)上的（一個物體比另一個物體更智能）染乌，或者是多維的（一個人可以具有高語言智能和低情感智能）。

人工智能領(lǐng)域在很大程度上忽略了這些各式各樣的區(qū)別懂讯，它聚焦于兩方面的工作：

• 一方面是科學(xué)性工作荷憋；
  • 在科學(xué)性工作中，人工智能研究者通過將“自然的”即生物學(xué)上的智能機(jī)制嵌入計算機(jī)的方式來研究它褐望；
• 另一方面是實踐性工作勒庄。
  • 而在實踐性工作中，人工智能研究者單純地希望創(chuàng)造出像人類一樣瘫里，甚至可以比人類更好地執(zhí)行任務(wù)的計算機(jī)程序实蔽，并不擔(dān)心這些程序是否真的在以人類的思維方式進(jìn)行思考。

人工智能方法論

• 數(shù)學(xué)家提倡將數(shù)學(xué)邏輯和演繹推理作為理性思維的語言谨读；
• 歸納法局装，這是一種運用程序從數(shù)據(jù)中提取統(tǒng)計特征，并使用概率來處理不確定性的方法劳殖；
• 應(yīng)該從生物學(xué)和心理學(xué)中汲取靈感來創(chuàng)造類似大腦的程序铐尚。
• 2010年以后，主流的人工智能研究范式哆姻，深度學(xué)習(xí)宣增，其工具就是深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）

“人工智能”不等同于深度學(xué)習(xí):
人工智能是一個包括廣泛研究方法的領(lǐng)域填具，其目標(biāo)是創(chuàng)造具有智能的機(jī)器，而深度學(xué)習(xí)只是實現(xiàn)這一目標(biāo)的一種方法匆骗。深度學(xué)習(xí)本身是機(jī)器學(xué)習(xí)領(lǐng)域眾多研究方法中的一種劳景，后者又是人工智能的一個子領(lǐng)域，著重關(guān)注機(jī)器從數(shù)據(jù)或自身的“經(jīng)驗”中進(jìn)行學(xué)習(xí)碉就。

符號人工智能和亞符號人工智能

早期人工智能研究領(lǐng)域的一個哲學(xué)分歧盟广，符號人工智能和亞符號人工智能之間的分歧。

• 符號人工智能瓮钥，力圖用數(shù)學(xué)邏輯解決通用問題
  • 符號人工智能最初是受到數(shù)學(xué)邏輯以及人們描述自身意識思考過程的方式的啟發(fā)筋量。
  • 一個符號人工智能程序里的知識包括對人類來說通撑氤常可以理解的單詞或短語（即“符號”），以及可供程序?qū)@些符號進(jìn)行組合和處理以執(zhí)行指定任務(wù)的規(guī)則桨武。
  • 對于計算機(jī)肋拔，符號的意義來自它們之間組合、相互關(guān)聯(lián)和相互作用的方式呀酸。
  • 符號人工智能的支持者認(rèn)為凉蜂，想要在計算機(jī)上獲得智能，并不需要構(gòu)建模仿大腦運行的程序性誉。相反窿吩，其觀點是，通用智能完全可以通過正確的符號處理程序來獲得错览。我同意這種看法纫雁，構(gòu)建這樣一個程序要比構(gòu)建傳教士和食人者這個例子中所使用的程序復(fù)雜得多，但它仍然會由符號倾哺、符號組合轧邪、符號規(guī)則和運算組成。
  • 以專家系統(tǒng)最為著名悼粮。在專家系統(tǒng)中闲勺，人類專家為計算機(jī)程序設(shè)計用于醫(yī)療診斷和法律決策等任務(wù)的規(guī)則。
• 感知機(jī)扣猫，依托DNN的亞符號人工智能
  • 亞符號人工智能方法則從神經(jīng)科學(xué)中汲取靈感菜循，并試圖捕捉隱藏在所謂的“快速感知”背后的一些無意識的思考過程，如識別人臉或識別語音等申尤。
  • 亞符號人工智能程序不包含我們在前文的傳教士和食人者的例子中看到的那種人類可理解的語言癌幕。與之相反，一個亞符號人工智能程序本質(zhì)上是一堆等式——通常是一大堆難以理解的數(shù)字運算昧穿。
  • 亞符號人工智能程序此類系統(tǒng)被設(shè)計為從數(shù)據(jù)中學(xué)習(xí)如何執(zhí)行任務(wù)勺远。
  • 亞符號、受大腦啟發(fā)的人工智能程序的一個早期例子是感知機(jī)时鸵，它由心理學(xué)家弗蘭克·羅森布拉特于20世紀(jì)50年代末提出（隨后很快就出現(xiàn)了“認(rèn)知機(jī)”和“神經(jīng)認(rèn)知機(jī)”）胶逢。感知機(jī)是人工智能的一個重要里程碑，同時也催生了現(xiàn)代人工智能最成功的工具——DNN（deep neural network饰潜，深度神經(jīng)網(wǎng)絡(luò)）初坠。
  • 一個神經(jīng)元把它從其他神經(jīng)元接收到的所有輸入信號加起來，如果達(dá)到某個特定的閾值水平彭雾，它就會被激活碟刺。重要的是，一個給定的神經(jīng)元與其他神經(jīng)元的不同連接（突觸）有不同的強(qiáng)度薯酝，當(dāng)計算信號輸入總和的時候半沽，給定的神經(jīng)元會給弱連接分配較少的權(quán)重爽柒，而將更多的權(quán)重分配給強(qiáng)連接的輸入。神經(jīng)科學(xué)家認(rèn)為者填，弄明白神經(jīng)元之間的連接強(qiáng)度是如何調(diào)整的浩村，是了解大腦如何學(xué)習(xí)的關(guān)鍵。
  • 與神經(jīng)元類似幔托，感知機(jī)將其接收到的輸入信號相加穴亏，如果得到的和等于或大于感知機(jī)的閾值，則感知機(jī)輸出1（被激活）重挑，否則感知機(jī)輸出0（未被激活）嗓化。為了模擬神經(jīng)元的不同連接強(qiáng)度，羅森布拉特建議給感知機(jī)的每個輸入分配一個權(quán)重谬哀，在求和時刺覆，每個輸入在加進(jìn)總和之前都要先乘以其權(quán)重。感知機(jī)的閾值是由程序員設(shè)置的一個數(shù)字史煎，它也可以由感知機(jī)通過自身學(xué)習(xí)得到谦屑。
  • 感知機(jī)是一個根據(jù)加權(quán)輸入的總和是否滿足閾值來做出是或否（輸出1或0）的決策的簡易程序。
    • 例如篇梭，你會從一些朋友那里了解到他們有多喜歡某一部電影氢橙，但你相信其中幾個朋友對于電影的品位比其他人更高，因此恬偷，你會給他們更高的權(quán)重悍手。如果朋友喜愛程度的總量足夠大的話（即大于某個無意識的閾值），你就會決定去看這部電影袍患。如果感知機(jī)有朋友的話坦康，那么它就會以這種方式來決定是否看一部電影。

感知機(jī)的權(quán)重和閾值

感知機(jī)中沒有任何對其需要執(zhí)行的任務(wù)進(jìn)行描述的明確規(guī)則诡延，感知機(jī)中的所有“知識”都被編碼在由數(shù)字組成的權(quán)重和閾值中滞欠。
我們?nèi)绾螢橐粋€給定的任務(wù)準(zhǔn)確地設(shè)定正確的權(quán)重和閾值呢？羅森布拉特再次給出了一個受大腦啟發(fā)的答案：感知機(jī)應(yīng)該通過自己的學(xué)習(xí)獲得這些數(shù)值肆良。
它應(yīng)該如何學(xué)習(xí)獲得正確的數(shù)值呢筛璧？與當(dāng)時流行的行為心理學(xué)理論一樣，羅森布拉特的觀點是：感知機(jī)應(yīng)該通過條件計算（conditioning）來學(xué)習(xí)惹恃。這是受到了行為主義心理學(xué)家伯勒斯·斯金納（Burrhus F. Skinner）的啟發(fā)夭谤，斯金納通過給老鼠和鴿子以正向和負(fù)向的強(qiáng)化來訓(xùn)練它們執(zhí)行任務(wù)，羅森布拉特認(rèn)為感知機(jī)也應(yīng)該在樣本上進(jìn)行類似的訓(xùn)練：在觸發(fā)正確的行為時獎勵座舍，而在犯錯時懲罰沮翔。如今陨帆，這種形式的條件計算在人工智能領(lǐng)域被稱為監(jiān)督學(xué)習(xí)（supervised learning）曲秉。在訓(xùn)練時采蚀，給定學(xué)習(xí)系統(tǒng)一個樣本，它就產(chǎn)生一個輸出承二，然后在這時給它一個“監(jiān)督信號”榆鼠，提示它此輸出與正確的輸出有多大偏離，然后亥鸠，系統(tǒng)會根據(jù)這個信號來調(diào)整它的權(quán)重和閾值妆够。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)的概念是現(xiàn)代人工智能的一個關(guān)鍵部分。監(jiān)督學(xué)習(xí)通常需要大量的正樣本（例如负蚊，由不同的人書寫的數(shù)字8的集合）和負(fù)樣本（例如神妹，其他手寫的、不包括8的數(shù)字集合）家妆。每個樣本都由人來標(biāo)記其類別——此處為“8”和“非8”兩個類別鸵荠，這些標(biāo)記將被用作監(jiān)督信號。用于訓(xùn)練系統(tǒng)的正負(fù)樣本伤极，被稱為“訓(xùn)練集”（training set）蛹找，剩余的樣本集合，也就是“測試集”（test set）哨坪，用于評估系統(tǒng)在接受訓(xùn)練后的表現(xiàn)性能庸疾，以觀察系統(tǒng)在一般情況下，而不僅僅是在訓(xùn)練樣本上回答的正確率当编。

感知機(jī)學(xué)習(xí)算法（perceptron-learning algorithm）

算法指的是計算機(jī)為解決特定問題而采取的步驟的“配方”届慈。
羅森布拉特對人工智能的首要貢獻(xiàn)是他對一個特定算法的設(shè)計，即感知機(jī)學(xué)習(xí)算法（perceptron-learning algorithm）凌箕，感知機(jī)可以通過這一算法從樣本中得到訓(xùn)練拧篮，來確定能夠產(chǎn)生正確答案的權(quán)重和閾值。

工作原理

1. 最初牵舱，感知機(jī)的權(quán)重和閾值被設(shè)置為介于-1和1之間的隨機(jī)數(shù)串绩。在我們的案例中，第一個輸入的權(quán)重可被設(shè)置為0.2芜壁，第二個輸入的權(quán)重被設(shè)置為-0.6礁凡，而閾值則被設(shè)置為0.7。一個名為隨機(jī)數(shù)生成器（random-number generator）的計算機(jī)程序可以輕松生成這些初始值慧妄。
2. 接下來開始訓(xùn)練顷牌。
   2.1. 首先，將第一個訓(xùn)練樣本輸入感知機(jī)塞淹，此時窟蓝，感知機(jī)還不知道正確的分類標(biāo)記。感知機(jī)將每個輸入乘以它的權(quán)重饱普，并對所有結(jié)果求和运挫，再將求得的和與閾值進(jìn)行比較状共，然后輸出1或0，其中谁帕，輸出1代表它的輸入為8峡继，輸出0代表它的輸入不是8。
   2.2. 接下來匈挖，將感知機(jī)的輸出和人類標(biāo)記的正確答案（“8”或者“非8”）做比較碾牌。如果感知機(jī)給出的答案是正確的，則權(quán)重和閾值不會發(fā)生變化儡循，但是如果感知機(jī)是錯誤的舶吗，其權(quán)重和閾值就會發(fā)生變化，以使感知機(jī)在這個訓(xùn)練樣本上給出的答案更接近于正確答案择膝。
   2.3. 此外裤翩，每個權(quán)重的變化量取決于與其相關(guān)的輸入值，也就是說调榄，對錯誤的“罪責(zé)”的分配取決于哪個輸入的影響更大或更小踊赠。例如，在圖1-3（A）的“8”中每庆，強(qiáng)度較低的像素（這里為黑色）影響較大筐带，而強(qiáng)度為255的像素（這里為純白色）則不會有任何影響（對此感興趣的讀者，可以查閱我在注釋中介紹的一些數(shù)學(xué)細(xì)節(jié)）缤灵。
3. 下一個訓(xùn)練將重復(fù)上述整個過程伦籍。感知機(jī)會將這個訓(xùn)練過程在所有的訓(xùn)練樣本上運行很多遍，每一次出錯時腮出，感知機(jī)都會對權(quán)重和閾值稍做修改帖鸦。
   3.1. 正如斯金納在訓(xùn)練鴿子時發(fā)現(xiàn)的：通過大量試驗循序漸進(jìn)地學(xué)習(xí)，其效果更好胚嘲，如果在一次試驗中作儿，權(quán)重和閾值的改動過大，系統(tǒng)就可能以學(xué)到錯誤的東西告終馋劈。
   3.2. 例如攻锰，過度關(guān)注于8的上半部分和下半部分的大小總是完全相等的。在每個訓(xùn)練樣本上進(jìn)行多次重復(fù)訓(xùn)練之后妓雾，（我們希望）系統(tǒng)最終將獲得一組能夠在所有訓(xùn)練樣本上都能得出正確答案的權(quán)重和閾值娶吞。此時，我們可以用測試樣本對感知機(jī)進(jìn)行評估械姻，以觀察它在未曾訓(xùn)練過的圖像上的表現(xiàn)妒蛇。
4. 如果你只關(guān)心數(shù)字8，那么這個“8”探測器就很有用，但若要識別其他數(shù)字呢绣夺？其實很簡單毫缆，我們只需將感知機(jī)擴(kuò)展到10個輸出，每個輸出對應(yīng)一個數(shù)字就可以了乐导。給定一個手寫數(shù)字樣本，與該數(shù)字對應(yīng)的輸出應(yīng)該是1浸颓，而其他所有輸出都應(yīng)該是0物臂。這個擴(kuò)展的感知機(jī)可以使用感知機(jī)學(xué)習(xí)算法來獲得其所有的權(quán)重和閾值，只需為它提供足夠多的訓(xùn)練樣本即可产上。
   羅森布拉特等人證明了感知機(jī)網(wǎng)絡(luò)能夠通過學(xué)習(xí)執(zhí)行相對簡單的感知任務(wù)棵磷，而且羅森布拉特在數(shù)學(xué)上證明了：對于一個特定（即便非常有限）的任務(wù)類別，原則上只要感知機(jī)經(jīng)過充分的訓(xùn)練晋涣，就能學(xué)會準(zhǔn)確無誤地執(zhí)行這些任務(wù)仪媒。

用感知機(jī)來強(qiáng)調(diào)人工智能的符號方法和亞符號方法之間的主要區(qū)別。

• 感知機(jī)的“知識”由它所學(xué)到的權(quán)重和閾值這對數(shù)值組成谢鹊，這一事實算吩，意味著我們很難發(fā)現(xiàn)感知機(jī)在執(zhí)行識別任務(wù)時使用的規(guī)則。感知機(jī)的規(guī)則不是符號化的佃扼，不像通用問題求解器的符號偎巢，如“LEFT-BANK”“MISSIONARIES”“MOVE”等。感知機(jī)的權(quán)重和閾值不代表特定的概念兼耀，這些數(shù)字也很難被轉(zhuǎn)換成人類可以理解的規(guī)則压昼。這一情況在當(dāng)下具有上百萬個權(quán)重的神經(jīng)網(wǎng)絡(luò)中變得更加復(fù)雜。
• 如果我能打開你的大腦瘤运，并對其中上千億個神經(jīng)元中的一部分進(jìn)行觀察窍霞，我可能并不能清楚你的想法或者你做某個特定決定時所用的規(guī)則。然而拯坟，人類的大腦已經(jīng)產(chǎn)生了語言但金，它允許你使用符號（單詞和短語）來向我傳達(dá)你的想法，或者你做某件事的目的郁季。從這個意義上說傲绣，我們的神經(jīng)刺激可以被認(rèn)為是亞符號化的，而以它們?yōu)榛A(chǔ)的我們的大腦不知何故卻創(chuàng)造了符號巩踏。
• 類比于大腦中的亞符號化的神經(jīng)網(wǎng)絡(luò)秃诵，感知機(jī)以及更復(fù)雜的模擬神經(jīng)元網(wǎng)絡(luò)，也被稱作“亞符號”派塞琼。這一派的支持者認(rèn)為：若要實現(xiàn)人工智能菠净，類似語言的符號和控制符號處理的規(guī)則，不能像在通用問題求解器中那樣直接進(jìn)行編程，而必須以類似于智能符號處理從大腦中涌現(xiàn)的方式毅往，從類似于神經(jīng)元的結(jié)構(gòu)中涌現(xiàn)出來牵咙。

感知機(jī)是一條死胡同

在1956年的達(dá)特茅斯會議之后，符號人工智能陣營占據(jù)了人工智能的主導(dǎo)地位攀唯。20世紀(jì)60年代初洁桌，當(dāng)羅森布拉特正積極投身于感知機(jī)的研究工作時，人工智能的四大創(chuàng)始人侯嘀，也是符號人工智能陣營的偉大信徒另凌，都各自創(chuàng)建了頗具影響力且資金充足的人工智能實驗室。

• 人工智能的四大創(chuàng)始人
  • 明斯基在麻省理工學(xué)院戒幔；
  • 麥卡錫在斯坦福大學(xué)吠谢；
  • 西蒙與紐厄爾在卡內(nèi)基梅隆大學(xué)。

1969年诗茎，明斯基和他在麻省理工學(xué)院的同事西摩·佩珀特（Seymour Papert）出版了《感知機(jī)》（Perceptrons）工坊。
明斯基和佩珀特指出：如果一個感知機(jī)通過添加一個額外的模擬神經(jīng)元“層”來增強(qiáng)能力，那么原則上敢订，感知機(jī)能夠解決的問題類型就廣泛得多王污，帶有這樣一個附加層的感知機(jī)叫作多層神經(jīng)網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)構(gòu)成了許多現(xiàn)代人工智能技術(shù)的基礎(chǔ)楚午。

明斯基和佩珀特對多層神經(jīng)網(wǎng)絡(luò)的推測：感知機(jī)有很多引人關(guān)注的特性玉掸，它的線性特征、有趣的學(xué)習(xí)定理醒叁，以及它作為一種并行計算而具有的明顯的范式簡潔性司浪，但沒有理由認(rèn)為其中任何一個優(yōu)點可以延展到多層神經(jīng)網(wǎng)絡(luò)。無論如何把沼，我們的直覺判斷是：這些延展是“不育的”啊易，而如何闡明或駁斥我們的這一判斷是一個重要的研究課題。

多層神經(jīng)網(wǎng)絡(luò)是被明斯基和佩珀特所摒棄的饮睬、認(rèn)為很有可能“不育的”帶有擴(kuò)展層的感知機(jī)租谈。

泡沫破碎，進(jìn)入人工智能的寒冬

英國科學(xué)研究理事會的報告特別指出：“面向高度專業(yè)化的問題領(lǐng)域的專家系統(tǒng)捆愁，只有當(dāng)其編程非常充分地借鑒了人類經(jīng)驗和人類智能在相關(guān)領(lǐng)域的知識時割去，才有前景，但得出的結(jié)論是昼丑，迄今為止的結(jié)果呻逆，對通用問題求解器試圖在更廣泛的領(lǐng)域內(nèi)模仿人類（大腦）活動來解決問題而言，徹底令人沮喪菩帝。這樣一個通用目標(biāo)程序咖城，似乎仍然和以往一樣茬腿，離人工智能領(lǐng)域夢寐以求的長期目標(biāo)相當(dāng)遙遠(yuǎn)蜓肆≡是疲”

人工智能領(lǐng)域的泡沫不斷產(chǎn)生又破滅這種循環(huán)的一個早期例子闸度。這一循環(huán)是這樣運轉(zhuǎn)的：

• 第一階段杨凑，新想法在研究領(lǐng)域得到了大量的支持。相關(guān)研究人員承諾人工智能即將取得突破性的成果鸠澈，并被新聞媒體各種炒作贷币。政府資助部門和風(fēng)險投資者向?qū)W術(shù)研究界和商業(yè)初創(chuàng)公司注入大量資金掠廓。
• 第二階段简烘，曾經(jīng)承諾的人工智能突破沒有如期實現(xiàn)苔严，或者遠(yuǎn)沒有當(dāng)初承諾的那么令人滿意。政府資助和風(fēng)險資本枯竭夸研，初創(chuàng)公司倒閉，人工智能研究放緩依鸥。
  研究人工智能的群體已經(jīng)熟悉了這一模式：先是“人工智能的春天”亥至，緊接著是過度的承諾和媒體炒作，接下來便是“人工智能的寒冬”贱迟。從某種程度上來說姐扮，這一現(xiàn)象以5～10年為周期在不斷上演。

看似容易的事情其實很難

人工智能計算機(jī)的最初目標(biāo)是：計算機(jī)能夠以自然語言與我們進(jìn)行交談衣吠，描述它們通過攝像頭“眼睛”看到的事物茶敏，在看到幾個例子之后就可以學(xué)會新的概念。這些小孩子做起來都很容易的事情缚俏，對人工智能來說卻是比診斷復(fù)雜疾病惊搏、在國際象棋和圍棋中擊敗人類冠軍，以及解決復(fù)雜代數(shù)問題等更加難以實現(xiàn)的事情忧换。

達(dá)特茅斯學(xué)院研討會舉辦50年后恬惯，
麥卡錫總結(jié)出了最簡單的一個教訓(xùn)：“人工智能比我們認(rèn)為的要難⊙遣纾”
明斯基指出酪耳，事實上，對人工智能的研究揭示了一個悖論：“看似容易的事情其實都很難刹缝⊥氚担”
明斯基所言：“總的來說，我們完全不清楚我們的心智最擅長什么梢夯⊙粤疲”