因為教書咒钟，所以，在講解相關(guān)的概念和技術(shù)的時候疲迂，總是習(xí)慣也向?qū)W生講解下它們的歷史才顿，這是自己的學(xué)習(xí)習(xí)慣，覺得也有助于幫助學(xué)生有宏觀的視野：都知道*不知歷史何以為鑒尤蒿，科學(xué)技術(shù)也是一樣的郑气。
雖然市面上有幾本AI簡史、極簡等書腰池，此文算是狗尾續(xù)貂吧竣贪。不過，肯定更為簡要~
AI?其實屬于人類智慧的數(shù)據(jù)分析能力的部分而已巩螃，那可有歷史嘍...
人類追尋智慧的大歷史，粗略地劃分為三個時期 - 計算機出現(xiàn)以前匕争，當下的AI避乏，和 未來。
計算機出現(xiàn)以前：人類構(gòu)建理論(Human construct theories)
這一階段的主要特點就是Human constructs theories to know the principles behind facts甘桑。
其中拍皮，冠之以數(shù)學(xué)的部分，可以說是人類智慧的突出代表跑杭，曾經(jīng)被稱之為數(shù)學(xué)是宇宙的通用語言铆帽。
摘自:
https://zhidao.baidu.com/question/1516030676384900860.html意大利哲學(xué)家、天文學(xué)家伽利略曾說過：“數(shù)學(xué)是上帝用來書寫宇宙的文字”德谅〉鳎基于這種理念，美國天文學(xué)家窄做、科普作家卡爾·薩根深信,宇宙中的技術(shù)文明無論差異多大,都有一種共同的語言——數(shù)學(xué)語言愧驱。中國數(shù)學(xué)家、語言學(xué)家周海中認為椭盏，數(shù)學(xué)表達上準確簡潔组砚、邏輯上抽象普適、形式上靈活性強掏颊，是宇宙交際的理想工具糟红。因此,數(shù)學(xué)語言就成了人類首選的宇宙語言艾帐。
而且，要想學(xué)好AI(包含ML - Machine Learning等)盆偿，就必須對數(shù)學(xué)
有感覺柒爸！
計算機還沒有誕生自主智慧的時期 - AI: (Human use computers to compute parameters)
有點像是生產(chǎn)工具在人類的進化中的地位一樣：計算機的出現(xiàn)，大大延伸了人類的分析能力 - 大腦的擴展陈肛。
遺憾的是揍鸟，人們也發(fā)明和創(chuàng)造了很多致命的武器
尤其諷刺的是，致命武器的追求很多時候是催生其他技能的催化劑：計算機和網(wǎng)絡(luò)便是如此句旱！
而計算機的出現(xiàn)阳藻，大大催生了人們探索智慧的能力，進而誕生了所謂的AI (人工智能)谈撒。AI的出現(xiàn)腥泥，通常被認為是誕生于1956年的達特茅斯科學(xué)大會：
摘自：
https://zh.wikipedia.org/wiki/人工智能史達特茅斯會議之后的數(shù)年是大發(fā)現(xiàn)的時代。對許多人而言啃匿，這一階段開發(fā)出的程序堪稱神奇：計算機可以解決代數(shù)應(yīng)用題蛔外，證明幾何定理，學(xué)習(xí)和使用英語溯乒。當時大多數(shù)人幾乎無法相信機器能夠如此“智能”。
參看后續(xù)的AI部分裆悄，不在此展開矛纹。
AI的未來？先看看后面當下的AI階段吧 - 留到最后
現(xiàn)在來看看 AI：也是三個時期
[ 憋屈的AI]http://blog.pluskid.org/?p=533
人說 AI 是一門最悲劇的學(xué)科光稼，因為每當它的一個子領(lǐng)域發(fā)展得像模像樣之后或南，就立馬自立門戶，從此和 AI “再無瓜葛”了艾君，而 Machine Learning 大概要算是最新的一個典型吧采够。
早期以邏輯推斷為主流的時期
在早期AI的研究中，研究者對于AI有不同的理解冰垄，所以蹬癌，也就誕生很多不同的思路。
AI has many definitions…
- Behavior by a machine that, if performed by a human being, would be considered intelligent
- “…study of how to make computers do things at which, at the moment, people are better
- Theory of how the human mind works
不同的思路包括基于邏輯推斷虹茶，向大腦學(xué)習(xí)(也就是現(xiàn)在火熱的深度學(xué)習(xí)的濫觴)等冀瓦。
不過，這一時期最火熱的是基于邏輯推斷的思路写烤，工作包括定理證明翼闽。
曾經(jīng)，吳文俊先生在定理證明方面到達過世界之巔
過渡階段 - 知識工程或?qū)＜蚁到y(tǒng) - 構(gòu)造領(lǐng)域知識
第一階段的邏輯推斷的研究洲炊，現(xiàn)在看來是太過于野心了：想著能夠人為構(gòu)造出一套推理系統(tǒng)解決全部(或大部分)的智能問題感局。顯然尼啡，這是不切實際的。
之后询微，學(xué)者退而求其次崖瞭，想著能否縮減到某一領(lǐng)域或者某一專門知識的。這就是知識工程或者專家系統(tǒng)了撑毛。
不過书聚，研究成果也還是寥寥。倒是現(xiàn)在也能找到這一方式的例子
當下 - 機器學(xué)習(xí)階段：深度學(xué)習(xí)是其中的一個研究子集 - GAN 有些意思了
為什么不能學(xué)習(xí)知識呢藻雌？由此進入第三階段雌续，也就是設(shè)計程序去學(xué)習(xí)那些知識，即機器學(xué)習(xí)(Machine Learning)階段胯杭。
按照網(wǎng)上的說法驯杜，Two major ways to propose machine learning methods
- Statistical learning – simulate statistics
- Neural networks – simulate brain
不過，發(fā)展到現(xiàn)在做个，真是百舸爭流鸽心，各種冠之以ML的算法層出不窮
當下火熱的深度學(xué)習(xí)，其實就是ML的一個研究子集居暖。
AI的未來顽频？- Computers construct theories？
首先太闺，挖掘人自身大腦的潛力冲九？- 沒有突破很久了 - 還記得那個10%的段子？
繼續(xù)AI跟束？- 有點死循環(huán)感覺！
在追逐智慧的過程中丑孩，輔助工具的角色也越來越重要 - 當然冀宴，目前為止，人類還是核心：人類不作死温学，還是會好好的略贮。不過，生命存在的意義就是探索未知仗岖。那么逃延，追逐更高等級的AI(那就是如何突破創(chuàng)新或無中生有。那可就是真的向人類智慧接近了)轧拄，是必然的目標揽祥。為此，更為強大的智慧型工具就有越來越高的吸引力檩电，這也是AI的未來拄丰。
不過府树，Unfortunately, this is a paradox. The more helpful the computers should be, the more intelligent they should be!
可能人機結(jié)合是未來一段時間內(nèi)的作死的但是可行的選擇
設(shè)想就是：人類的大腦仍然作為創(chuàng)造性的主體，不過料按，通過人腦與計算機的直接交互奄侠，人腦又能有效地和直接地使用計算機強大的處理能力。
來自：
https://www.adamtownsend.me/artificial-intelligence-who-goes-into-the-borg-first/
現(xiàn)在可以上張大圖了 - 其中的那些算法可以自己去找找吧
