1704609940
这些概率规则本身并没有什么了不起。然而，如果达到数百条，通常就能够找到正确答案。DENDRAL和MYCIN都只是实验室的实验，并没有真正应用到现实世界。相比之下，名为“XCON”的专家系统则要成功得多。诞生于1978年的XCON并不像DENDRAL和MYCIN那样具有改变世界的雄心壮志。它既不能帮助科学家创立假设，也不能帮助医生治疗传染病，而是通过为客户选择正确的系统来协助工程师设置VAX超级计算机[4]。简而言之，XCON就是世界上最伟大的“百事通”店员。
1704609941
1704609942
XCON的出现使大企业首次对人工智能产生了兴趣，它们不再将人工智能简单视为未来演示。只要专家系统能够为它们赚钱，企业们并不在乎它们到底是真正的人工智能还是“巧妙的编程”。1980年，XCON在数字设备公司（DEC）位于新罕布什尔州塞勒姆的工厂首次投入使用。到1986年，XCON就已经处理了80 000份订单，每年约为数字设备公司节约2 500万美元，准确率高达95%—98%。人们开玩笑称，如果它能够娶了老板的女儿，未来甚至能够当上公司的首席执行官。
1704609943
1704609944
其他企业很快也开始公开露面，为需要专家系统的企业客户提供解决方案。在油井钻探作业中，地层倾角顾问（Dipmeter Advisor）能够对地质构造进行分析。著名的粮食市场顾问（Grain Marketing Advisor）的目标是帮助农民进行恰当的营销，并储存粮食作物。1986年10月《电脑世界》（Computer World）杂志上的一则广告做出了这样的问答：“你如何充分利用专家系统技术的优势让员工改进当前软件上现有的数据处理应用？只有Teknowledge公司能够给你答案。公司将在你所在的地区免费举行为期半天的研讨会。”
1704609945
1704609946
1985年，约有150家公司投资10亿美元想要开展人工智能业务。这一年，美国人工智能协会召开的一场会议和国际人工智能联合大会共吸引了近6 000名参会者，其中一多半是风险投资家、猎头和媒体。1987年，并非电脑研究前沿阵地的《财富》杂志盛赞“软盘上的直播专家”的到来。研究人员在人工智能历史上首次变得和史蒂夫·乔布斯、比尔·盖茨等个人电脑界的新贵一样富有。
1704609947
1704609948
有趣的是，像马文·明斯基这样经验丰富的研究者却在回避这样的情况。我们往往以为，人工智能保守派在经历了20多年辛苦工作后一定急于寻求回报。而实际上，这些人都在提心吊胆地等待最后的结果。好在这并没有花费他们太多的时间。就像20世纪90年代后期投机性的互联网泡沫一样，倡导者们对专家系统能力的高估到了危险的程度。其中有一本教科书十分推崇“打电话规则”，称“使用专家系统打一通电话，家里的所有问题都能够在10—30分钟解决”。专家系统的基本概念是十分可靠的，但是仍存在一些问题。专家系统十分昂贵，需要不断更新，并且是反直觉的，当规则增多时准确率就会下降。斯图尔特·罗素（Stuart Russell）和彼得·诺威格（Peter Norvig）在《人工智能：一种现代方法》（Artificial Intelligence: A Modern Approach）这本教科书中写道：“随着规则集的不断壮大，规则间的不良交互作用就会越来越平常，于是，从业人员发现，添加规则时，必须‘调整’其他规则的可信度。”
1704609949
1704609950
1987年财年结束时，两大开发专家系统的公司Teknowledge和Intellicorp损失了数百万美元。其他人工智能企业的情况更糟糕，几乎濒临破产，员工和公司高管们露宿街头。温暖了一阵之后，人工智能的第二个冬天到来了。
1704609951
1704609952
1704609953
1704609954
1704609956
人工智能：改变世界，重建未来 谷歌诞生
1704609957
1704609958
人工智能随后遭遇的寒流比第一次有过之而无不及。资本又一次迅速蒸发，政府补助消失得无影无踪。在1987—1989年，美国国防部高级研究计划局将用于人工智能研究的预算缩减了1/3。专业的人工智能杂志的广告费收入也大幅下降。美国人文与科学院官方期刊《代达罗斯》（Daedalus）在1988年大胆发布了一期人工智能特刊，激怒了哲学家希拉里·普特南（Hilary Putnam）。普特南写道：“现在有什么好大惊小怪的？为什么在《代达罗斯》上发布一期特刊？为什么不等到人工智能真正取得一些进展后再发布特刊？”整个科技界都能感受到人工智能的寒流。美国人工智能协会会员人数大幅减少，1996年骤减至4 000人，达到史上最低点。然而奇迹并没有发生，人工智能的美梦似乎就要破灭。
1704609959
1704609960
那一年，斯坦福大学的两个学生——一个是人工智能研究者的后代，另一个是数学家的后代——想到了一个很聪明的方法，在外部链接数量的基础上对网页进行排序，并通过这一方式创建一个智能网络目录。1997年，24岁的拉里·佩奇和谢尔盖·布林利用他们开发出的算法，在美国加利福尼亚州门罗帕克的一个车库里开了一家公司。为了将其打造成为“全球总部”，他们置办了几张桌子、三把椅子、一条蓝绿色的地毯、一张折叠乒乓球桌，以及一些其他物件。为了保持通风，车库的门必须一直敞开。
1704609961
1704609962
这在当时看起来似乎不足为奇，但在接下来的20年里，拉里·佩奇和谢尔盖·布林的公司取得了人工智能历史上最大的成就。公司涉猎范围广泛，覆盖了机器翻译、模式识别、计算机视觉、自主机器人等领域，而人工智能研究者们为了实现这一点已经苦苦挣扎了半个世纪。
1704609963
1704609964
实际上，公司的这些成就没有一点是通过传统人工智能实现的。
1704609965
1704609966
这家公司就是谷歌。
1704609967
1704609968
[1]1英亩= 4 046.86平方米。——编者注
1704609969
1704609970
[2]1英尺≈ 0.304 8米。——编者注
1704609971
1704609972
[3]1英里= 1.609 344千米。——编者注
1704609973
1704609974
[4]一种可以支持机器语言和虚拟地址的32位小型计算机。——编者注
1704609975
1704609976
1704609977
1704609978
1704609980
人工智能：改变世界，重建未来 第二章 以自主学习的方式创建新的人工智能
1704609981
1704609982
2014年，在谷歌旗下一家名为“DeepMind”的人工智能公司的办公室里，一台计算机通过玩一款名为《打砖块》（Breakout）的老雅达利（Atari）2600电子游戏消磨时间。该款游戏是两个年轻人在20世纪70年代初设计的，他们就是苹果公司的创始人史蒂夫·乔布斯和史蒂夫·沃兹尼亚克。《打砖块》实际上是乒乓球游戏《乒乓》（Pong）的一个变体。不同之处在于，不是在屏幕上将球挥向另一位玩家，而是对着砖墙击球，将砖块击碎。这款游戏的目标是摧毁所有砖块。
1704609983
1704609984
正如我们在上一章中提到的，人工智能玩电子游戏并没有什么稀奇的。艾伦·图灵早在1947年就开发出了首款象棋程序，尽管当时的计算机不能运行这一程序。如今电子游戏的特点是有大量非玩家控制角色，这一编程将简单的规则结合起来产生复杂的行为。这样看来，DeepMind的人工智能玩游戏又有什么特别的呢？
1704609985
1704609986
针对这个问题的回答有两个。一是DeepMind的人工智能会逐渐变得更加成熟。就像见证孩子逐渐长大一样，如果一直盯着计算机看，很难察觉到它的变化。然而，每隔50多次游戏再看一下，效果是十分惊人的。开始的时候，DeepMind的人工智能在《打砖块》游戏中的表现简直糟透了，最简单的击球都做不好，而且它似乎并不清楚状况，就好像是把PS4（索尼第四代游戏主机）手柄交到90岁的老奶奶手里，并希望她立刻知道应该做什么一样。虽然它也会偶尔得分，但即使最乐观的旁观者也只能称之为运气。
1704609987
1704609988
200次游戏后，一切变得大为不同。现在游戏中的球拍能够在屏幕上左右移动：即使不是持续得分，也可谓能够轻松得分。再经过数百次游戏，游戏中的人工智简直如同《星球大战4：新希望》结束时的天行者卢克（Luke Skywalker）或《黑客帝国》中的尼奥（Neo）一样，懒散地击球，毫不费力。所有无关的动作都消失了，而且它产生了清晰的策略。
1704609989
[
上一页 ]
[ :1.70460994e+09 ]
[
下一页 ]