? ? 從Google AlphaGo到Chatbot聊天機(jī)器人、智能理專、精準(zhǔn)醫(yī)療栖雾、機(jī)器翻譯…近年來時(shí)而聽到人工智能的相關(guān)消息，一夕之間這項(xiàng)技術(shù)攻占了各大媒體版面伟众。

????不但Google析藕、Facebook、微軟凳厢、百度账胧、IBM 等巨頭紛紛進(jìn)軍該領(lǐng)域，無人車先紫、無人快遞治泥、智能機(jī)器人的研發(fā)和誕生，也標(biāo)志著人工智能浪潮的來臨遮精。

????講到人工智能居夹，你能想象到什么？

1. 人工智能的孕育期（1943—1955年）

????現(xiàn)在一般認(rèn)定人工智能的最早工作是 Warren McCulloch和 Walter Pitts（1943）完成的他們利用了三種資源：基礎(chǔ)生理學(xué)知識(shí)和腦神經(jīng)元的功能；歸功于羅素和懷特海德的對(duì)命題邏輯的形式分析：以及圖靈的計(jì)算理論吮播。他們提出了一種人工神經(jīng)元模型变屁，其中每個(gè)神經(jīng)元被描述為是”開”或”關(guān)”狀態(tài)，作為一個(gè)神經(jīng)元對(duì)足夠數(shù)量鄰近神經(jīng)元刺激的反應(yīng)其狀態(tài)將出現(xiàn)到”開”的轉(zhuǎn)變意狠。神經(jīng)元的狀態(tài)被設(shè)想為”事實(shí)上等價(jià)于提出其足夠刺激的一個(gè)命題”粟关。例如，他們證明环戈，任何可計(jì)算的函數(shù)都可以通過相連神經(jīng)元的某個(gè)網(wǎng)絡(luò)來計(jì)算并且所有邏輯連接詞（與闷板、或、非等）都可用簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)來實(shí)現(xiàn)院塞。 McCulloch和Pitts還建議適當(dāng)定義的網(wǎng)絡(luò)能夠?qū)W習(xí)遮晚。唐納德·赫布（ Donald Hebb）（1949）展示了一條簡(jiǎn)單用于修改神經(jīng)元之間的連接強(qiáng)度的更新規(guī)則。他的規(guī)則現(xiàn)在稱為赫布型學(xué)習(xí)（ Hebbian learning）拦止，至今仍然是一種有影響的模型县遣。

????兩名哈佛大學(xué)的本科生，馬文·明斯基（ Marvin Minsky）和 Dean Edmonds汹族，在1950年建造了第一臺(tái)神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)萧求。稱為 SNARC的這臺(tái)計(jì)算機(jī)，使用了3000個(gè)真空管和B-24轟炸機(jī)上一個(gè)多余的自動(dòng)指示裝置來模擬由40個(gè)神經(jīng)元構(gòu)成的一個(gè)網(wǎng)絡(luò)顶瞒。后來在普林斯頓學(xué)夸政，明斯基研究了神經(jīng)網(wǎng)絡(luò)中的一般計(jì)算。他的哲學(xué)博士委員會(huì)懷疑這種工作是否應(yīng)該看作數(shù)學(xué)榴徐，不過據(jù)傳馮·諾依曼說”如果它現(xiàn)在不是守问，那么總有一天會(huì)是”明斯基晚年證明了若干有影響的定理，指出了神經(jīng)網(wǎng)絡(luò)研究的局限性坑资。

????雖然還有若干早期工作的實(shí)例可以被視為人工智能耗帕，但是阿蘭·圖靈的先見之明也許是最有影響的。早在1947年盐茎，他就在倫敦?cái)?shù)學(xué)協(xié)會(huì)發(fā)表了該主題的演講兴垦，并在其1950年的文章”計(jì)算機(jī)器與智能（ Computing Machinery and Intelligence）”中清晰地表達(dá)了有說服力的應(yīng)辦之事。其中他提出了圖靈測(cè)試字柠、機(jī)器學(xué)習(xí)、遺傳算法和強(qiáng)化學(xué)習(xí)狡赐。他提出了兒童程序（ Child Programme）的思想窑业，并解釋為”代替試圖制作程序來模擬成年人的頭腦，為什么不愿嘗試制作模擬兒童頭腦的程序呢?”

2. 人工智能的誕生（1956年）

????普林斯頓大學(xué)曾是人工智能的另一位有影響的人物約翰·麥卡錫（ John McCarthy）的陣地枕屉。1951年在那里獲得哲學(xué)博士學(xué)位以后又作為教師王作了兩年常柄，接著麥卡錫搬到斯坦福大學(xué)，然后又到了達(dá)特茅斯大學(xué)，這里后來成為了公認(rèn)的人工智能領(lǐng)域的誕生地西潘。麥卡錫說服了明斯基卷玉、克勞德·香農(nóng)（ Claude shannon）和內(nèi)森尼爾·羅切斯特（ Nathaniel Rochester）幫助他把美國(guó)對(duì)自動(dòng)機(jī)理論、神經(jīng)網(wǎng)絡(luò)和智能研究感興趣的研究者們召集在一起喷市。1956年夏天他們?cè)谶_(dá)特茅斯組織了一個(gè)為期兩個(gè)月的研討會(huì)相种。會(huì)議的提案申明：

????我們提議1956年夏天在新罕布什爾州漢諾威市的達(dá)特茅斯大學(xué)開展一次由10個(gè)人為期兩個(gè)月的人工智能研究，學(xué)習(xí)的每個(gè)方面或智能的任何其他特征原則上可被這樣精確地描迷以至于能夠建造一臺(tái)機(jī)器來模擬它品姓，該研究將基于這個(gè)推斷來進(jìn)行寝并，并嘗試著發(fā)現(xiàn)如何使機(jī)器使用語(yǔ)言，形成抽象與概念腹备，求解多種現(xiàn)在注定由人來求解的問題衬潦，進(jìn)而改進(jìn)機(jī)器，我們認(rèn)為：如果仔細(xì)選擇一組科學(xué)家對(duì)這些問題一起工作一個(gè)夏天植酥，那么對(duì)其中的一個(gè)或多個(gè)問題就能夠取得意義重大的進(jìn)展镀岛。

????總共有10位與會(huì)者，包括來自普林斯頓大學(xué)的 Trenchard More友驮、來自IBM公司的阿瑟·薩繆爾（ Arthur Samuel）漂羊，以及來自MT的Ray Solomonof和 Oliver Selfridge.兩位來自卡耐基技術(shù)學(xué)院2的研究者，艾倫·紐厄爾和赫伯特·西蒙喊儡，相當(dāng)引人注目拨与。雖然其他人也有想法且在某些情況下還有諸如西洋跳棋那樣的特定應(yīng)用的程序，但是紐厄爾和西蒙卻已有一個(gè)推理程序：邏輯理論家（ Logic Theorist艾猜，T）买喧。對(duì)此西蒙聲稱：”我們發(fā)明了一個(gè)能非數(shù)值地思考的計(jì)算機(jī)程序，因此解決了古老的心身問題匆赃∮倜”在這次研討會(huì)之后不久，他們的程序就能證明羅素和懷特海德的《數(shù)學(xué)原理》（ Principia Mathematica）的第2章中的大部分定理算柳。據(jù)說當(dāng)西蒙演示程序能為定理提供比數(shù)學(xué)原理中更短的證明時(shí)羅素非常高興低淡。《符號(hào)邏輯雜志》（ Journal of Symbolic Logic）的編輯們卻并未留下深刻的印象瞬项；他們拒絕了由紐厄爾蔗蹋、西蒙和邏輯理論家合著的一篇論文。

????達(dá)特茅斯研討會(huì)并未導(dǎo)致任何新突破囱淋，但它確實(shí)互相介紹了所有主要的人物猪杭。對(duì)隨后的20年，人工智能領(lǐng)域就被這些人以及他們?cè)贛T妥衣、CMU皂吮、斯坦福和IBM的學(xué)生和同事們支配了戒傻。

????考察一下達(dá)特茅斯研討會(huì)的提案（ McCarthy等，1955）蜂筹，我們可以看出為什么人工智能變成一個(gè)獨(dú)立的領(lǐng)域是必要的需纳。為什么人工智能中完成的所有工作不能以控制論或運(yùn)籌學(xué)或決策理論的名義進(jìn)行，畢竟他們與人工智能具有類似的目標(biāo)?或者為什么人工智能不是數(shù)學(xué)的一個(gè)分支?第一個(gè)答案是人工智能從誕生以來就采納了復(fù)制人的才能艺挪，如創(chuàng)造性自我改進(jìn)和語(yǔ)言應(yīng)用的思想不翩。其他領(lǐng)域中沒有一個(gè)會(huì)處理這些問題。第二個(gè)答案是方法學(xué)不同闺属。人工智能是這些領(lǐng)域中唯一的顯然屬于計(jì)算機(jī)科學(xué)的一個(gè)分支（雖然運(yùn)籌學(xué)確實(shí)共享了對(duì)計(jì)算機(jī)模擬的重視）慌盯，并且人工智能是唯一試圖建造能在復(fù)雜的、變化的環(huán)境中自主運(yùn)行的機(jī)器的領(lǐng)域掂器。

3. 早期的熱情亚皂，巨大的期望（1952-1969年）

????早年人工智能在有限的方面充滿成功」停考慮到當(dāng)時(shí)簡(jiǎn)單的計(jì)算機(jī)與編程工具灭必，以及就在幾年前計(jì)算機(jī)被看成只能做算術(shù)運(yùn)算這個(gè)事實(shí)，只要計(jì)算機(jī)做了任何稍微聰明的事都是令人驚訝的乃摹〗欤總的來說，善于思考的當(dāng)權(quán)人物寧愿認(rèn)為”機(jī)器永遠(yuǎn)不能做X”（為獲得圖靈收集的這類X的一張長(zhǎng)表參見第26章）孵睬。人工智能研究者通過論證一個(gè)接一個(gè)的X自然地做出了反應(yīng)播歼。約翰·麥卡錫把這段時(shí)期稱作”瞧，媽掰读，連手都沒有秘狞！”的時(shí)代。

????通用問題求解器或GPS繼承并發(fā)揚(yáng)了紐厄爾和西蒙的早期成就蹈集。與邏輯理論家不同該程序一開始就被設(shè)計(jì)來模仿人類問題求解協(xié)議烁试。結(jié)果證明在它能處理的有限難題類中該程序考慮子目標(biāo)與可能行動(dòng)的順序類似于人類處理相同問題的順序。因此拢肆，GPS或許是第一個(gè)體現(xiàn)”像人一樣思考”的程序减响。GPS與隨后的程序作為認(rèn)知模型的成功致使紐厄爾和西蒙（1976）構(gòu)想出著名的物理符號(hào)系統(tǒng)（ physical symbol system）假設(shè)，它指出”物理符號(hào)系統(tǒng)具有必要且充分的表示一般智能行動(dòng)的手段”郭怪。他們的意思是展現(xiàn)智能的任何（人類或機(jī)器）系統(tǒng)一定通過處理由符號(hào)組成的數(shù)據(jù)結(jié)構(gòu)來起作用支示。后面我們將看到，該假設(shè)已受到來自多個(gè)方向的挑戰(zhàn)鄙才。

????在IBM公司悼院，內(nèi)森尼爾·羅切斯特和他的同事們制作了一些最初的人工智能程序Herbert Gelernter（1959）建造了幾何定理證明器，它能夠證明連許多學(xué)數(shù)學(xué)的學(xué)生都感到相當(dāng)棘手的定理咒循。從1952年開始据途，阿瑟·薩繆爾編寫了一系列西洋跳棋程序，該程序最終學(xué)到能以業(yè)余高手的水準(zhǔn)來玩叙甸。在這個(gè)過程中颖医，他駁斥了計(jì)算機(jī)只能做被告知的事的思想：他的程序迅速學(xué)到比其創(chuàng)造者玩得更好。1956年2月這個(gè)程序在電視上進(jìn)行了演示裆蒸，給人留下很深的印象熔萧。像圖靈一樣，薩繆爾也難于找到機(jī)時(shí)僚祷。他只好在夜晚工作佛致，使用的機(jī)器是仍在BM制造廠的測(cè)試層上的計(jì)算機(jī)。

????約翰·麥卡錫從達(dá)特茅斯搬到了MT辙谜，并且在那里于歷史性的1958年做出了三項(xiàng)至關(guān)重要的貢獻(xiàn)俺榆。根據(jù)MIT人工智能實(shí)驗(yàn)室的1號(hào)備忘錄，麥卡錫定義了高級(jí)語(yǔ)言Lisp装哆，該語(yǔ)言在后來的30年中成為占統(tǒng)治地位的人工智能編程語(yǔ)言罐脊。有了Lisp，麥卡錫便具有他所需的工具蜕琴，但訪問稀少且昂貴的計(jì)算資源仍是一個(gè)嚴(yán)重的問題萍桌。作為回應(yīng)，他和MT的其他人一起發(fā)明了分時(shí)技術(shù)凌简。在1958年上炎，麥卡錫還發(fā)表了題為”有常識(shí)的程序”（ Programs with Common Sense）的論文，文中他描述了意見接受者（ Advice Taker）雏搂，這個(gè)假想程序可被看成第一個(gè)完整的人工智能系統(tǒng)藕施。像邏輯理論家和幾何定理證明器一樣，麥卡錫的程序也被設(shè)計(jì)成使用知識(shí)來搜索問題的解畔派。但是與其他系統(tǒng)不同铅碍，它包含世界的一般知識(shí)。例如线椰，他指出某些簡(jiǎn)單的公理如何使該程序能生成一個(gè)開車去機(jī)場(chǎng)的計(jì)劃胞谈。該程序還被設(shè)計(jì)成能在正常的操作過程中接收新公理，從而允許它在未被重新編程的情況下獲得新領(lǐng)域中的能力憨愉。因此意見接受者體現(xiàn)了知識(shí)表示與推理的核心原則：有益的是對(duì)世界及其運(yùn)作具有某種形式的烦绳、明確的表示并且能夠使用演繹過程來處理那種表示。引人注目的是1958年發(fā)表的那篇論文目前仍然非常重要配紫。

????1958年也是馬文明斯基搬到MT的年份径密。然而，他和麥卡錫最初的合作并未延續(xù)躺孝。麥卡錫強(qiáng)調(diào)形式邏輯的表示與推理享扔，而明斯基對(duì)使程序有效工作更感興趣并且最終產(chǎn)生了種反邏輯的觀點(diǎn)底桂。1963年，麥卡錫在斯坦福創(chuàng)辦了人工智能實(shí)驗(yàn)室惧眠。1965年籽懦，J.A.Robinson歸結(jié)方法（一個(gè)完整的一階邏輯定理證明算法；參見第9章）的發(fā)現(xiàn)促進(jìn)了麥卡錫使用邏輯來建造最終的意見接受者的計(jì)劃氛魁。斯坦福的工作強(qiáng)調(diào)邏輯推理的通用方法暮顺。邏輯的應(yīng)用包括 Cordell Green的問題解答與規(guī)劃系統(tǒng)（ Green，1969b）和斯坦福研究院（SRI）的 Shakey機(jī)器人項(xiàng)目秀存。后者第一次展示了邏輯推理與物理行動(dòng)的完整集成捶码。

明斯基指導(dǎo)了一系列學(xué)生，他們選擇研究求解時(shí)看來好像需要智能的有限問題或链。這些有限域稱為微觀世界（ microworlds）惫恼。 James Slagle的SANT程序（1963）能夠求解一年級(jí)大學(xué)課程中典型的閉合式微積分問題。 Tom Evans的 ANALOGY程序（1968）能夠求解出現(xiàn)在智商測(cè)試中的幾何類推問題株扛。 Daniel Bobrow的 STUDENT程序（1967）能夠求解如下所述的代數(shù)故事問題

如果湯姆招攬到的顧客數(shù)是他做的廣告數(shù)的20%的平方的兩倍尤筐，并且他做的廣告數(shù)是45，那么湯姆招攬到的顧客數(shù)是多少呢洞就？

最著名的微觀世界是積木世界盆繁，它由放置在桌面（或者更經(jīng)常地，一個(gè)模擬桌面）上的一組實(shí)心積木組成旬蟋。這個(gè)世界中的典型任務(wù)是使用一只每次能拿起一塊積木的機(jī)器手按某種方式調(diào)整這些積木油昂。對(duì)于戴維·哈夫曼（ David Huffman）的視覺項(xiàng)目（1971）、 David Waltz的視覺與約束傳播工作（1975）倾贰、 Patrick Winston的學(xué)習(xí)理論（1970）Terry Winograd的自然語(yǔ)言理解程序（1972）和 Scott Fahlman的規(guī)劃器（1974）來說冕碟，積木世界是它們的發(fā)源地。

基于 McCulloch和pis的神經(jīng)網(wǎng)絡(luò)的早期工作也十分興旺匆浙。 Winograd和 Cowan的工作（1963）表明大量元素可以如何共同表示一個(gè)單獨(dú)的概念安寺，同時(shí)相應(yīng)增加魯棒性和并行性。 Bernie Widrow（ Widrow和Hof首尼，1960挑庶；Widrow，1962）加強(qiáng)了赫布的學(xué)習(xí)方法软能，并稱他的網(wǎng)絡(luò)為適應(yīng)機(jī)（ adalines）迎捺。而且 Frank Rosenblat（1962）也用他的感知機(jī)（ perceptrons）加強(qiáng)了赫布的學(xué)習(xí)方法。感知機(jī)收斂定理（ perceptron convergence theorem）（ Block等查排，1962）表明如果存在這樣的匹配凳枝，那么該學(xué)習(xí)算法便可調(diào)整感知機(jī)的連接強(qiáng)度以匹配任何輸入數(shù)據(jù)。

4. 現(xiàn)實(shí)的困難（1966-1973年）

????自開始以來跋核，人工智能研究者們并不羞于預(yù)言他們將來的成功岖瑰。赫伯特·西蒙在1957年的以下說法經(jīng)常被引用：

????我的目的不是使你驚奇或者震驚——但是我能概括的最簡(jiǎn)單的方式是說現(xiàn)在世界上就有能思考叛买、學(xué)習(xí)和創(chuàng)造的機(jī)器。而且锭环，它們做這些事情的能力將快速增長(zhǎng)直到一在可見的未來一一它們能處理的問題范圍將與人腦已經(jīng)應(yīng)用到的范圍共同擴(kuò)張聪全。

????雖然像”可見的未來”那樣的措詞可按不同的方式來解釋，但是西蒙還做出了更具體的預(yù)言：10年內(nèi)計(jì)算機(jī)將成為國(guó)際象棋冠軍辅辩，并且機(jī)器將證明一個(gè)重要的數(shù)學(xué)定理。這預(yù)言在40年而不是10年內(nèi)實(shí)現(xiàn)（或者近似實(shí)現(xiàn)）了娃圆。西蒙的過于自信是因?yàn)樵缙谌斯ぶ悄芟到y(tǒng)在簡(jiǎn)單實(shí)例上令人鼓舞的性能玫锋。然而，在幾乎所有情況下讼呢，當(dāng)這些早期系統(tǒng)試用于更寬的問題選擇和更難的問題時(shí)撩鹿，結(jié)果證明都非常失敗。

????第一種困難起源于大多數(shù)早期程序?qū)ζ渲黝}一無所知悦屏；它們依靠簡(jiǎn)單的句法處理獲得成功节沦。一個(gè)典型的故事發(fā)生在早期的機(jī)器翻譯工作中。該工作由美國(guó)國(guó)家研究委員會(huì)慷慨資助础爬，試圖加速俄語(yǔ)科學(xué)論文的翻譯甫贯，隨著1957年人造地球衛(wèi)星史普尼克（ Sputnik）的發(fā)射而啟動(dòng)。最初認(rèn)為看蚜，基于俄語(yǔ)和英語(yǔ)語(yǔ)法的簡(jiǎn)單句法變換以及根據(jù)一部電子詞典的單句子的內(nèi)容叫搁。著名的從” the spirit is willing but the flesh is weak（心有余而力不足）”到”the vodka is good but the meat is rotten（伏特加酒是好的而肉是爛的）”的互相翻譯（英譯俄后再俄譯英）說明了遇到的困難。1966年供炎，咨詢委員會(huì)的一份報(bào)告認(rèn)為”尚不存在通用科學(xué)文本的機(jī)器翻譯渴逻，近期也不會(huì)有”。隨后取消了學(xué)術(shù)翻譯項(xiàng)目的所有美國(guó)政府資助∫艚耄現(xiàn)在惨奕，技術(shù)、商業(yè)竭钝、政府和互聯(lián)網(wǎng)文檔梨撞，機(jī)器翻譯仍是一個(gè)不完善但廣泛使用的工具。

????第二種困難是人工智能試圖求解的許多問題的難解性蜓氨。大多數(shù)早期的人工智能程序通過試驗(yàn)步驟的不同組合直到找到解來求解問題聋袋。這種策略最初是有效的，因?yàn)槲⒂^世界包含很少的對(duì)象穴吹，因此是很少的可能行動(dòng)和很短的解序列幽勒。在產(chǎn)生計(jì)算復(fù)雜性理論之前，廣泛認(rèn)為”放大”到更大的問題只是更快的硬件和更大的存儲(chǔ)器的事情港令。例如啥容，樂觀主義伴隨著歸結(jié)定理證明的發(fā)展锈颗，但是，當(dāng)研究者們不能證明包含多于數(shù)十條事實(shí)的定理時(shí)咪惠，很快就受挫了击吱。程序原則上能夠找到解的事實(shí)并不意味著程序就包含實(shí)際上找到解所需的任何機(jī)制。

????無限計(jì)算能力的錯(cuò)覺并不局限于問題求解程序遥昧。機(jī)器進(jìn)化（ machine evolution）現(xiàn)在稱為遺傳算法（ genetic algorithms）（ Friedberg覆醇，1958； Friedberg等炭臭，1959）中的早期實(shí)驗(yàn)就是基于無疑正確的信念：通過對(duì)一段機(jī)器代碼程序恰當(dāng)?shù)刂圃煲幌盗行∽兓琅В憧蔀槿我馓囟ㄈ蝿?wù)生成一個(gè)性能良好的程序。當(dāng)時(shí)的想法是嘗試隨機(jī)的變化并用一個(gè)選擇過程來保持似乎有用的變化鞋仍。盡管花了數(shù)千小時(shí)的CPU時(shí)間常摧，但幾乎沒有展示出任何進(jìn)展。現(xiàn)代遺傳算法使用更好的表示且已展示出更多的成就威创。

????未能對(duì)付”組合爆炸”是包含在萊特希爾（ Eighth）報(bào)告（ Lighthill落午，1973）中的對(duì)人工智能的主要批評(píng)之一，基于該報(bào)告英國(guó)政府決定終止對(duì)除兩所大學(xué)外所有大學(xué)中人工智能研究的支持（口頭傳說描繪了一幅稍微有點(diǎn)不同且更多彩的畫面肚豺，具有政治野心和個(gè)人憎惡溃斋，這樣的描述是離題的）。

????第三種困難起源于用來產(chǎn)生智能行為的基本結(jié)構(gòu)的某些根本局限详炬。例如盐类，明斯基和apet的著作《感知機(jī)》（ Perceptrons）（1969）證明了：雖然可以證明感知機(jī)（神經(jīng)網(wǎng)絡(luò)的一種簡(jiǎn)單形式）能學(xué)會(huì)它們能表示的任何東西，但是它們能表示的東西很少呛谜。特別地兩輸入的感知機(jī)（限制為比 Rosenblatt原來研究的形式更簡(jiǎn)單的形式）不能被訓(xùn)練來認(rèn)定何時(shí)其兩個(gè)輸入是不同的在跳。雖然他們的結(jié)果沒有應(yīng)用于更復(fù)雜的多層網(wǎng)絡(luò)，但是對(duì)神經(jīng)網(wǎng)絡(luò)研究的研究資助很快減少到幾乎沒有隐岛。具諷刺性的是猫妙，用于多層網(wǎng)絡(luò)的新反傳學(xué)習(xí)算法在20世紀(jì)80年代后期曾引起神經(jīng)網(wǎng)絡(luò)研究的巨大復(fù)興，但實(shí)際上該算法是在1969年首次發(fā)現(xiàn)的（ Bryson和Ho聚凹，1969）割坠。

5. 基于知識(shí)的系統(tǒng)：力量的秘訣（1969—1979年）

????AI研究的第一個(gè)十年呈現(xiàn)的問題求解的美景是一種通用的搜索機(jī)制，它試圖串聯(lián)基本的推理步驟來尋找完全解妒牙。這樣的方法被稱為弱方法（ weak method）彼哼，因?yàn)楸M管通用，但它們不能擴(kuò)展到大規(guī)模的或困難的問題實(shí)例湘今。弱方法的替代方案是使用更強(qiáng)有力的敢朱、領(lǐng)域相關(guān)的知識(shí)，以允許更大量的推理步驟，且可以更容易地處理狹窄的專門領(lǐng)域里發(fā)生的典型情況拴签。也許有人會(huì)說：要求解一個(gè)難題孝常，你必須已經(jīng)差不多知道答案。

????DENDRAL程序（ Buchanan等蚓哩，1969）是這種方法的早期例子构灸。它是在斯坦福開發(fā)的在那里 Ed Feigenbaum（費(fèi)根鮑姆）（曾是 Herbert Simon的學(xué)生）、 Bruce Buchanan一個(gè)改行研究計(jì)算機(jī)科學(xué)的哲學(xué)家）以及 Joshua Lederberg（一個(gè)獲得諾貝爾獎(jiǎng)的基因?qū)W家）合作岸梨，以解決根據(jù)質(zhì)譜儀提供的信息推斷分子結(jié)構(gòu)的問題喜颁。程序的輸入由基本的分子式（例如，C6H3NO2）和質(zhì)譜組成盛嘿，質(zhì)譜給出了被電子束轟擊產(chǎn)生的各種分子碎片的質(zhì)量洛巢。例如，質(zhì)譜可能在m=15的地方有一個(gè)尖峰次兆，這對(duì)應(yīng)于一個(gè)甲基（CH3）碎片的質(zhì)量。

????一個(gè)簡(jiǎn)單版本的程序先生成與分子式一致的全部可能結(jié)構(gòu)锹锰，然后預(yù)測(cè)每個(gè)結(jié)構(gòu)能觀察到的質(zhì)譜芥炭，再與真實(shí)質(zhì)譜比較。正如人們預(yù)期的一樣恃慧，對(duì)于中等大小的分子而言园蝠，這是不切實(shí)際的。 DENDRAL研究者們咨詢了分析化學(xué)家痢士，發(fā)現(xiàn)他們是通過尋找質(zhì)譜中已清楚了解的尖峰模式進(jìn)行工作的彪薛，這些模式暗示了分子中的普通子結(jié)構(gòu)。例如怠蹂，下列規(guī)則是用來識(shí)別酮（C=O）結(jié)構(gòu)（重量為28）的：

如果在x1和x2處有兩個(gè)尖峰善延，滿足

（a）（M是整個(gè)分子的質(zhì)量）;

（b）是一個(gè)高的尖峰；

（c）是一個(gè)高的尖峰城侧；

（d）和至少有一個(gè)峰值比較高易遣。

那么存在一個(gè)酮結(jié)構(gòu)

????認(rèn)識(shí)到分子包含特定子結(jié)構(gòu)，這大大減少可能的候選數(shù)量嫌佑。 DENDRAL功能強(qiáng)大是因?yàn)?/p>

所有解決這些問題的相關(guān)理論知識(shí)都被從其在[質(zhì)譜預(yù)測(cè)成分]（“基本原理”）中的一般形式映射到了效率高的特殊形式（“食譜配方”）豆茫。（Feigenbaum等，1971）

????DENDRAL的意義在于它是第一個(gè)成功的知識(shí)密集系統(tǒng)：它的專業(yè)知識(shí)來自大量的專用規(guī)則屋摇。后來的系統(tǒng)還吸收了麥卡錫的意見接收者（ Advice Taker）方法的主旨一把知識(shí)（規(guī)則）和推理部件清楚地分離開揩魂。

????有了這個(gè)經(jīng)驗(yàn)， Feigenbaum和斯坦福的其他一些人啟動(dòng)了啟發(fā)式程序設(shè)計(jì)項(xiàng)目（HPP）炮温，以研究新的專家系統(tǒng)（ expert systems）方法論可用到其他人類專家知識(shí)領(lǐng)域的程度火脉。接下來的一個(gè)主要奮斗領(lǐng)域是醫(yī)療診斷。 Feigenbaum、 Buchanan和 Edward Shortliffe醫(yī)生開發(fā)了MYCN忘分，用于診斷血液傳染棋枕。MYCN具有450條規(guī)則，能夠表現(xiàn)得與某些專家一樣如并且表現(xiàn)得比初級(jí)醫(yī)生好很多妒峦。MYCN與 DENDRAL有兩點(diǎn)主要差異重斑。首先，不像DENDRAL規(guī)則肯骇，不存在通用的理論模型可以從中演繹出MYCN規(guī)則窥浪。他們不得不從專家會(huì)見大量病人的過程中獲取規(guī)則，而專家進(jìn)而又從書本笛丙、其他專家以及案例的直接經(jīng)驗(yàn)中獲取規(guī)則其次漾脂，規(guī)則必須反映與醫(yī)療知識(shí)關(guān)聯(lián)的不確定性。MYCN吸收了稱為確定性因素（ certainty factors）的不確定性演算胚鸯，似乎（在當(dāng)時(shí)）很符合醫(yī)生如何評(píng)估診斷證據(jù)的作用的情況骨稿。

????領(lǐng)域知識(shí)的重要性在自然語(yǔ)言理解領(lǐng)域也很明顯。盡管 Winograd的理解自然語(yǔ)言的SHRDLU系統(tǒng)讓人們非常興奮姜钳，它對(duì)句法分析的依賴引起了在早期機(jī)器翻譯工作中出現(xiàn)的同樣的問題坦冠。它能夠克服歧義性并能理解代詞指代，但這主要是因?yàn)樗菫橐粋€(gè)特定領(lǐng)域積木世界—設(shè)計(jì)的哥桥。一些研究者辙浑，包括 Eugene Charniak他是 Winograd在MT帶的一名研究生，提出魯棒的語(yǔ)言理解將需要關(guān)于世界的一般知識(shí)和使用知識(shí)的一般方法拟糕。

????在耶魯判呕，語(yǔ)言學(xué)家出身的AI研究者 Roger Schank強(qiáng)調(diào)了這一點(diǎn)，宣稱”沒有語(yǔ)法這樣的東西”送滞，這打擊了很多語(yǔ)言學(xué)家侠草，但又確實(shí)發(fā)動(dòng)了一場(chǎng)有用的討論。 Schank和他的學(xué)生們建立了一系列程序（ Schank和 Abelson累澡，1977梦抢；Wilensky，1978愧哟；Schank和 Riesbeck奥吩，1981；Dyer蕊梧，1983）霞赫，都有自然語(yǔ)言理解的任務(wù)。然而肥矢，重點(diǎn)不在語(yǔ)言本身上端衰，而是更多地集中在利用語(yǔ)言理解所需的知識(shí)進(jìn)行表示和推理的問題上叠洗。問題包括表示固定不變的環(huán)境（Cullingford，1981）旅东，描述人類記憶組織（ Rieger灭抑，1976； Kolodner抵代，1983）腾节，以及理解規(guī)劃和目標(biāo)（ Wilensky，1983）荤牍。

????對(duì)現(xiàn)實(shí)世界問題的應(yīng)用的普遍增長(zhǎng)同時(shí)引起了對(duì)可行知識(shí)表示方案的需求的增長(zhǎng)案腺。大量不同的表示和推理語(yǔ)言被開發(fā)出來。有些是基于邏輯的一例如康吵， Prolog語(yǔ)言開始在歐洲流行劈榨， PLANNER家族在美國(guó)流行。其他人追隨 Minsky的框架（fame）（1975）晦嵌，采用了更加結(jié)構(gòu)化的方法同辣，集成了關(guān)于特定對(duì)象和事件類型的事實(shí)，并把這些類型安置在一個(gè)大的類似于生物分類學(xué)的分類層次中惭载。

6. 人工智能成為產(chǎn)業(yè)（1980年一現(xiàn)在）

????第一個(gè)成功的商用專家系統(tǒng)R1開始在數(shù)據(jù)設(shè)備公司（DEC）（ McDermott邑闺，1982）運(yùn)轉(zhuǎn)。該程序幫助為新計(jì)算機(jī)系統(tǒng)配置訂單：到1986年為止棕兼，它每年為公司節(jié)省了估計(jì)400萬美元。到1988年為止抵乓，DEC公司的AI研究小組已經(jīng)部署了40個(gè)專家系統(tǒng)伴挚，還有一些正在研制中。杜邦（ DuPont）公司有100個(gè)專家系統(tǒng)在使用中灾炭，另有500個(gè)在開發(fā)中茎芋，每年估計(jì)為公司節(jié)省1000萬美元。幾乎每個(gè)主要的美國(guó)公司都有自己的A研究小組蜈出，并且正在使用或者研發(fā)專家系統(tǒng)田弥。

????1981年，日本宣布了”第五代計(jì)算機(jī)”計(jì)劃铡原。這是一項(xiàng)為期10年的計(jì)劃偷厦，以研制運(yùn)行 Prolog語(yǔ)言的智能計(jì)算機(jī)。作為回應(yīng)燕刻，美國(guó)組建了微電子和計(jì)算機(jī)技術(shù)公司（MCC）作為保證國(guó)家競(jìng)爭(zhēng)力的研究集團(tuán)只泼。兩個(gè)案例中，A是研究計(jì)劃的一部分卵洗，這些研究計(jì)劃包括芯片設(shè)計(jì)和人機(jī)接口研究请唱。在英國(guó)，艾爾維報(bào)告（ Alvey report）恢復(fù)了因賴特希爾報(bào)告（ Lighthill report）而停止的投資1。然而十绑，在這三個(gè)國(guó)家中聚至，這些項(xiàng)目從來都沒有實(shí)現(xiàn)過它們野心勃勃的目標(biāo)。

????總的來說本橙，AI產(chǎn)業(yè)從1980年的區(qū)區(qū)幾百萬美元暴漲到1988年的數(shù)十億美元扳躬，包括幾百家公司研發(fā)專家系統(tǒng)、視覺系統(tǒng)勋功、機(jī)器人以及服務(wù)這些目標(biāo)的專門軟件和硬件坦报。之后個(gè)被稱為”人工智能的冬天”的時(shí)期很快來臨，期間很多公司都因無法兌現(xiàn)它們所做出的過分承諾而垮掉狂鞋。

7. 神經(jīng)網(wǎng)絡(luò)的回歸（1986年一現(xiàn)在）

????在20世紀(jì)80年代中期片择，至少4個(gè)不同的研究組重新發(fā)明了由 Bryson和Ho于1969年首次建立的反傳（ back-propagation學(xué)習(xí)算法。該算法被用于很多計(jì)算機(jī)科學(xué)和心理學(xué)中的學(xué)習(xí)問題骚揍，而文集《并行分布式處理》（ Parallel Distributed Processing）（ Rumelhart和McClelland字管，1986）中的結(jié)果的廣泛流傳引起了人們極大的興奮。

????智能系統(tǒng)的這些所謂連接主義（ connectionist）模型被有些人視為是對(duì) Newell（紐厄爾）和 Simon（西蒙）倡導(dǎo)的符號(hào)模型以及 McCarthy（麥卡錫）和其他人（ Smolensky信不，1988）主張的邏輯方法的直接競(jìng)爭(zhēng)者嘲叔。也許看來很明顯，人類在某些層次上處理的是符號(hào)—事實(shí)上抽活， Terrence Deacon的著作《符號(hào)的物種》（ The Symbolic Species）（1997）指出這是人類的定義特性硫戈，但是大多數(shù)激進(jìn)的連接主義者質(zhì)疑符號(hào)處理在認(rèn)知的精細(xì)模型中是否有任何真正的解釋作用。這個(gè)問題還沒有答案下硕，不過當(dāng)前的觀點(diǎn)認(rèn)為連接主義方法和符號(hào)主義方法是互補(bǔ)的丁逝，不是競(jìng)爭(zhēng)的。就像AI與認(rèn)知科學(xué)的分離一樣梭姓，現(xiàn)代神經(jīng)網(wǎng)絡(luò)研究分離成了兩個(gè)領(lǐng)域霜幼，一個(gè)關(guān)心的是建立有效的網(wǎng)絡(luò)結(jié)構(gòu)和算法并理解它們的數(shù)學(xué)屬性，另一個(gè)關(guān)心的是對(duì)實(shí)際神經(jīng)元的實(shí)驗(yàn)特性和神經(jīng)元的集成的建模誉尖。

8. 人工智能采用科學(xué)方法（1987年一現(xiàn)在）

????近些年來我們已經(jīng)看到人工智能研究在內(nèi)容和方法論方面發(fā)生的革命∽锛龋現(xiàn)在更普遍的是在現(xiàn)有理論的基礎(chǔ)上進(jìn)行研究而不是提出全新理論，把主張建立在嚴(yán)格的定理或者確鑿的實(shí)驗(yàn)證據(jù)的基礎(chǔ)上而不是靠直覺铡恕，揭示對(duì)現(xiàn)實(shí)世界的應(yīng)用的相關(guān)性而不是對(duì)玩具樣例的相關(guān)性琢感。

????AI的建立，部分是出于對(duì)類似控制論和統(tǒng)計(jì)學(xué)等已有領(lǐng)域的局限性的叛逆没咙，但是它現(xiàn)在開始接納那些領(lǐng)域猩谊。正如 David McAllester（1998）指出的：

在AI的早期，符號(hào)計(jì)算的新形式是值得稱道的祭刚，例如框架和語(yǔ)義網(wǎng)絡(luò)牌捷，它們使得很多經(jīng)典理論失效墙牌，這導(dǎo)致形成一種孤立主義，AI與計(jì)算機(jī)科學(xué)的其他領(lǐng)域之間出現(xiàn)巨大鴻溝暗甥。這種孤立主義目前正被逐漸拋棄人們現(xiàn)在認(rèn)識(shí)到喜滨，機(jī)器學(xué)習(xí)不應(yīng)該和信息論分離，不確定推理不應(yīng)該和隨機(jī)模型分離撤防，搜索不應(yīng)該和經(jīng)典的優(yōu)化與控制分離虽风，自動(dòng)推理不應(yīng)該和形式化方法與靜態(tài)分析分離。

????在方法論方面寄月，A最終成為堅(jiān)實(shí)的科學(xué)方法辜膝。為了被接受，假設(shè)必須遵從嚴(yán)格的經(jīng)驗(yàn)實(shí)驗(yàn)漾肮，結(jié)果的重要性必須經(jīng)過統(tǒng)計(jì)分析（ Cohen厂抖，1995）。通過利用共享測(cè)試數(shù)據(jù)庫(kù)及代碼克懊，現(xiàn)在重復(fù)實(shí)驗(yàn)是可能的忱辅。

????語(yǔ)音識(shí)別領(lǐng)域闡明了這種模式。在20世紀(jì)70年代谭溉，人們嘗試了大量的不同體系結(jié)構(gòu)與方法墙懂。其中許多都相當(dāng)特殊和脆弱，僅僅在幾個(gè)特定樣本上進(jìn)行了演示扮念。近些年勾习，基于隱馬爾可夫模型（ （hidden Markov models）（HMMs）的方法開始主導(dǎo)這個(gè)領(lǐng)域益老。HMM的兩個(gè)方面是有關(guān)的道宅。首先拳氢，它們是基于嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)的腊凶。這允許語(yǔ)音研究者們以其他領(lǐng)域中發(fā)展了數(shù)十年的數(shù)學(xué)成果為根據(jù)催蝗。其次饵婆，它們是通過在大量的真實(shí)語(yǔ)音數(shù)據(jù)上的訓(xùn)練過程生成的笼吟。這保證了性能是魯棒的伞鲫，而且在嚴(yán)格的盲測(cè)試中粘茄，HM不斷地提高著它們的得分。語(yǔ)音技術(shù)和與之有關(guān)聯(lián)的手寫字符識(shí)別已經(jīng)開始轉(zhuǎn)向廣泛用于工業(yè)和個(gè)人應(yīng)用注意秕脓，沒有科學(xué)斷言說人類識(shí)別語(yǔ)音是用了HMM：HMM只是為理解這個(gè)問題提供了一數(shù)學(xué)框架柒瓣，并支持了”它們?cè)趯?shí)際中工作得很好”的工程斷言。

????機(jī)器翻譯步語(yǔ)音識(shí)別的后塵吠架。在20世紀(jì)50年代人們開始熱衷于基于單詞序列的方法具有根據(jù)信息論原理學(xué)習(xí)到的模型芙贫。20世紀(jì)60年代，這種方法開始被冷落傍药，但到20世紀(jì)90年代末它又被重新?lián)炱鸹瞧剑壳爸鲗?dǎo)著這個(gè)領(lǐng)域魂仍。

????神經(jīng)網(wǎng)絡(luò)也符合這個(gè)趨勢(shì)。很多神經(jīng)網(wǎng)絡(luò)方面的工作在20世紀(jì)80年代得以完成拣挪，試圖弄清神經(jīng)網(wǎng)絡(luò)到底能做什么擦酌，并了解神經(jīng)網(wǎng)絡(luò)與”傳統(tǒng)”技術(shù)之間到底有多大差別。通過改進(jìn)的方法論和理論框架菠劝，這個(gè)領(lǐng)域達(dá)到一個(gè)新的理解程度—神經(jīng)網(wǎng)絡(luò)可以和統(tǒng)計(jì)學(xué)模式識(shí)別赊舶、機(jī)器學(xué)習(xí)等領(lǐng)域的對(duì)應(yīng)技術(shù)相提并論，并且其最有前途的技術(shù)可以用在每個(gè)應(yīng)用上赶诊。作為這些發(fā)展的結(jié)果笼平，所謂數(shù)據(jù)挖掘（ data mining）技術(shù)促生了一個(gè)有活力的新工業(yè)。

????隨著研究興趣的復(fù)蘇— Peter Cheeseman（1985）在文章《保衛(wèi)概率》（In Defense of Probability）中進(jìn)行了概括舔痪， Judea Pearl（1988）的《智能系統(tǒng)中的概率推理》（Probabilistic Reasoning in Intelligent Systems）導(dǎo)致了AI對(duì)概率和決策理論的新輪接納寓调。貝葉斯網(wǎng)絡(luò)（ Bayesian network）的形式化方法被發(fā)明出來，以對(duì)不確定知識(shí)進(jìn)行有效表示和嚴(yán)格推理這種方法極大地克服了20世紀(jì)60年代和70年代的概率推理系統(tǒng)的很多問題辙喂；它目前主導(dǎo)著不確定推理和專家系統(tǒng)中的AI研究捶牢。這種方法允許根據(jù)經(jīng)驗(yàn)進(jìn)行學(xué)習(xí)，并且結(jié)合了經(jīng)典AI和神經(jīng)網(wǎng)絡(luò)的最好部分巍耗。 Judea Pearl和 Eric Horvitz以及 David Heckerman的工作（Judea Pearl秋麸，1982a； Horvitz和 Heckerman炬太，1986灸蟆； Horvitz等，1986）促進(jìn)了規(guī)范專家系統(tǒng)的思想：它們根據(jù)決策理論的法則理性地行動(dòng)亲族，并不試圖模仿人類專家的思考步驟炒考。 Windows操作系統(tǒng)包含了幾個(gè)用于糾正錯(cuò)誤的規(guī)范診斷專家系統(tǒng)。

????類似的溫和革命也發(fā)生在機(jī)器人霎迫、計(jì)算機(jī)視覺和知識(shí)表示領(lǐng)域斋枢。對(duì)問題和它們的復(fù)雜特性的更好理解，加上日益增加的數(shù)學(xué)成分知给，導(dǎo)致了一些可行的研究計(jì)劃和魯棒的方法盡管日益增長(zhǎng)的形式化和專門化導(dǎo)致視覺和機(jī)器人這樣的領(lǐng)域在20世紀(jì)90年代一定程度上從”主流”AI研究工作中分離出來瓤帚，這種趨勢(shì)在近些年已經(jīng)逆轉(zhuǎn)，特別是機(jī)器學(xué)習(xí)工具已經(jīng)證明對(duì)于許多問題都是有效的涩赢。

9. 智能 Agent的出現(xiàn)（1995年一現(xiàn)在）

????也許受到解決人工智能中一些子問題的進(jìn)展的鼓舞戈次，研究者們開始再一次審視”完整Agent”問題。 Allen Newell（艾倫·紐厄爾）筒扒、 John Laird和 Paul Rosenbloom在SoAR系統(tǒng)上的工作（ Newell怯邪，1990：.aid等，1987）是最有名的完整 Agent結(jié)構(gòu)的例子花墩。智能Agen最重要的環(huán)境之一就是 Internet（互聯(lián)網(wǎng)）A1系統(tǒng)在基于web（萬維網(wǎng)）的應(yīng)用中變得如此普遍悬秉，以致”bot（機(jī)器人）”后綴已經(jīng)進(jìn)入日常用語(yǔ)澄步。此外，AI技術(shù)成為許多Intern工具的基礎(chǔ)搂捧，例如搜索引擎驮俗、推薦系統(tǒng)以及網(wǎng)站構(gòu)建系統(tǒng)。

????試圖建立完整 Agent的一個(gè)結(jié)果是允跑，人們認(rèn)識(shí)到當(dāng)需要把它們的結(jié)果綜合起來時(shí)王凑，以前被孤立的AI子領(lǐng)域需要被重新組織。特別是聋丝，人們普遍意識(shí)到傳感器系統(tǒng)（視覺索烹、聲吶語(yǔ)音識(shí)別等）不能完全可靠地傳遞環(huán)境信息。因此弱睦，推理和規(guī)劃系統(tǒng)必須能夠處理不確定性Agent觀點(diǎn)的另一個(gè)主要結(jié)果是百姓，AI與其他領(lǐng)域已經(jīng)被拉得更靠近了，例如控制論和經(jīng)濟(jì)學(xué)這些領(lǐng)域也處理 Agent况木。機(jī)器人駕駛汽車的最新進(jìn)展來源于許多方法的混合垒拢，包括更好的傳感器，以及對(duì)傳感火惊、定位和繪制地圖的控制理論的綜合求类，還有一定程度的高層次規(guī)劃。

????盡管有這些成功屹耐，一些有影響的A創(chuàng)建者尸疆，包括 John McCarthy（2007）、Marvin Minsky（2007）惶岭、 Nils Nilsson（1995寿弱，2005）和 Patrick Winston（Beal和 Winston，2009）都表達(dá)對(duì)AI進(jìn)展的不滿按灶。他們認(rèn)為AI應(yīng)該少把重點(diǎn)放在改進(jìn)對(duì)特定任務(wù)表現(xiàn)很好的應(yīng)用症革，例如駕駛汽車、下棋或者語(yǔ)言識(shí)別鸯旁。轉(zhuǎn)而地沮，他們相信AI應(yīng)該回到它的根：致力于用 Simon的話就是”會(huì)思考、學(xué)習(xí)和創(chuàng)造的機(jī)器羡亩。”他們稱這為人類級(jí) AI（human- level al危融，縮寫為HLAI）他們?cè)?004年舉行了首次討論會(huì)（ Minsky等畏铆，2004）。這需要非常大的知識(shí)庫(kù)吉殃；Hendler等（1995）討論了這些知識(shí)庫(kù)可能源于何方辞居。

????一種相關(guān)的思想是人工通用智能（AGI楷怒， Artificial General Intelligence）（ Goertzel和Pennachin，2007）子領(lǐng)域瓦灶，在2008年舉辦了首次會(huì)議鸠删，并組建了期刊《Journal of Artificial General Intelligence》。AGI尋找通用的在任何環(huán)境中的學(xué)習(xí)和行動(dòng)算法贼陶，它的根源可以追溯到 Ray solomonofft（1964）的工作刃泡，他是1956年 Dartmouth會(huì)議的參與者之一〉镎”確保我們所建立的是真正友好的AI（ Friendly Al）”也是我們關(guān)心的問題（ Yudkowsky烘贴，2008；Omohundro撮胧，2008）桨踪。

10. 極大數(shù)據(jù)集的可用性（2001年一現(xiàn)在）

????縱觀計(jì)算機(jī)科學(xué)的60年歷史，作為學(xué)習(xí)的主要科目芹啥，AI的重點(diǎn)一直放在算法上锻离。但A1最近的一些工作認(rèn)為多關(guān)心數(shù)據(jù)而不必太挑剔所用的算法會(huì)更有意義。確實(shí)如此墓怀，因?yàn)槲覀儞碛信c日俱增的大規(guī)模數(shù)據(jù)源：例如汽纠，Web上有數(shù)萬億個(gè)單詞和幾十億幅圖像（ Kilgarriff 和 Grefenstette，2006）：基因序列有幾十億個(gè)堿基對(duì)（ Collins等捺疼，2003）疏虫。

????這方面有影響力的一篇論文是 Yarowsky（1995）在詞語(yǔ)歧義消除方面的工作：在一個(gè)句子中給定單詞” plant”，它是指fora（植物）還是指 factory（工廠）呢啤呼？以前對(duì)這個(gè)問題的解法依賴于人類標(biāo)注的樣例卧秘，并結(jié)合機(jī)器學(xué)習(xí)算法。 Yarowsky證明這個(gè)任務(wù)根本不需要標(biāo)注樣例就可以完成官扣，正確率可達(dá)到96%以上翅敌。給定大量的無注解的文本和兩種含義的字典定義“ works， industrial plant”和”flora惕蹄，plant life”我們可以在這些文本里標(biāo)注樣例蚯涮，并由這些樣例自展（ bootstrap）學(xué)習(xí)能幫助標(biāo)注新樣例的新模式。 Banko和Bril（2001）證明了當(dāng)文本從100萬個(gè)單詞增加到十億個(gè)單詞時(shí)卖陵，這種技術(shù)會(huì)表現(xiàn)得甚至更好遭顶，而且采用更多數(shù)據(jù)帶來的性能提升超過選用算法帶來的性能提升。一個(gè)普通算法使用一億個(gè)單詞的未標(biāo)注訓(xùn)練數(shù)據(jù)泪蔫，會(huì)好過最有名的算法使用100萬個(gè)單詞棒旗。

????作為另一個(gè)例子，Hays和Efos（2007）討論了在照片中補(bǔ)洞的問題撩荣。假設(shè)你通過Photoshop從一組照片中將一位曾經(jīng)的朋友用馬賽克模糊掉铣揉，但現(xiàn)在你需要用與背景匹配的某些東西來填補(bǔ)馬賽克區(qū)域饶深。Hays和Efos定義了一個(gè)算法，從一組照片里搜索逛拱，以找出可以匹配的東西敌厘。他們發(fā)現(xiàn)，如果他們只用一萬張照片朽合，那么他們的算法的性能會(huì)很差但如果照片增加到兩百萬張時(shí)俱两，算法會(huì)一躍而表現(xiàn)出極好的性能。

????這些工作表明旁舰，A中的”知識(shí)瓶頸”——如何表達(dá)系統(tǒng)所需的所有知識(shí)的問題一在許多應(yīng)用中都可以得到解決锋华，可以使用學(xué)習(xí)方法，而不是通過手工編碼的知識(shí)工程箭窜，只要學(xué)習(xí)方法有足夠的數(shù)據(jù)可用（ Halevy等毯焕，2009）。新聞?dòng)浾咭呀?jīng)注意到新應(yīng)用的涌現(xiàn)磺樱，他們寫到”人工智能的冬天”也許正釋放出一個(gè)新的春天（ Havenstein纳猫，2005）。就像Kurzweil（2005）寫到的一樣竹捉，”今天芜辕，數(shù)千個(gè)AI應(yīng)用已經(jīng)深深地嵌到了日常生產(chǎn)的基礎(chǔ)設(shè)施中】椴睿”