1955年9月，达特茅斯学院（Dartmouth College）年轻的数学助理教授约翰·麦卡锡（John McCarthy）大胆提出，“原则上，学习的各个方面或智力的任何其他特征都可以被精确地描述，以至于可以制造一台机器来模拟它。

        麦卡锡将这一新研究领域称为“人工智能”，并表示，由10名科学家组成的小组为期两个月的努力可能会在开发机器方面取得重大进展，这些机器可以“使用语言，形成抽象和概念，解决现在留给人类的各种问题，并自我改进”。

        当时，科学家们乐观地认为，我们很快就会有会思考的机器做人类可以做的任何工作。现在，近七十年过去了，计算机科学和机器人技术的进步已经帮助我们自动化了许多以前需要人类体力和认知劳动的任务。但是，正如麦卡锡所设想的那样，真正的人工智能仍然无法实现。

什么是人工智能？

        人工智能面临的一个巨大挑战是，它是一个宽泛的术语，并且对其定义没有明确的共识。

        麦卡锡曾提出，人工智能将像人类一样解决问题：“最终的努力是制造能够解决问题并实现世界和人类目标的计算机程序，”麦卡锡说。

        如前所述，麦卡锡提出人工智能将像人类一样解决问题：“最终的努力是制作能够解决问题并实现世界和人类目标的计算机程序，”麦卡锡说。

        卡内基梅隆大学（Carnegie Mellon University）计算机科学系主任安德鲁·摩尔（Andrew Moore）在2017年接受《福布斯》采访时对该术语给出了更现代的定义：“人工智能是使计算机以直到最近我们认为需要人类智能的方式运行的科学和工程。

         但是，我们对“人类智能”的理解和对技术的期望在不断发展。《Approximately Correct》的编辑扎卡里·利普顿（Zachary Lipton）将AI一词描述为“有抱负的，一个基于人类拥有但机器所没有的能力的移动目标”。换句话说，我们对人工智能的要求会随着时间的推移而改变。

         例如，在 1950 年代，科学家们将国际象棋和跳棋视为人工智能的巨大挑战。但今天，很少有人会认为下棋机器是人工智能。计算机已经在处理更复杂的问题，包括检测癌症、驾驶汽车、处理语音命令、生成文本和编写计算机代码。

狭义 AI 与通用 AI

         尽管第一代人工智能科学家和有远见的人相信我们最终能够创造出人类水平的智能，但几十年的人工智能研究表明，复制人类大脑的复杂问题解决和抽象思维是极其困难的。

        首先，我们人类非常善于概括知识并将我们在一个领域学到的概念应用到另一个领域。我们也可以根据直觉和很少的信息做出相对可靠的决定。多年来，人类水平的人工智能已经被称为通用人工智能（AGI），或强人工智能。

        最初围绕人工智能的炒作和兴奋引起了政府机构和大公司的兴趣和资金。然而，很明显，人类水平的智能并非指日可待，科学家们甚至很难复制人类思维的最基本功能。在1970年代，未兑现的承诺和期望最终导致了“人工智能冬天”，在这段时间里，公众对人工智能的兴趣和资金消退了。

        经过多年的创新和深度学习技术的革命，才重新激发了人们对人工智能的兴趣。但即使是现在，尽管人工智能取得了巨大的进步，但目前的人工智能方法都无法像人类思维那样解决问题，大多数专家认为AGI至少还需要几十年的时间。

        另一方面，“狭义”或“弱”的人工智能并不旨在复制人脑的功能，而是专注于优化单个任务。狭义人工智能已经找到了许多现实世界的应用，例如识别人脸、将音频转换为文本、在 YouTube 上推荐视频以及在 Facebook 新闻提要中显示个性化内容。

        许多科学家认为我们最终会创造AGI，但有些人对思考机器的时代有着反乌托邦的愿景。2014年，英国著名物理学家斯蒂芬·霍金（Stephen Hawking）将人工智能描述为对人类的生存威胁，并警告说“完全的人工智能可能意味着人类的终结”。

        2015 年，Y Combinator 总裁 Sam Altman 和特斯拉 CEO Elon Musk 是 AGI 的另外两位信徒，他们共同创立了 OpenAI，这是一个非营利性研究实验室，旨在以造福全人类的方式创造通用人工智能。OpenAI 创建了几种流行的 AI 模型，包括 ChatGPT 和 GPT-4。（马斯克已经离职，有很多人批评OpenAI成为一个封闭的营利性组织。

        其他人则认为，通用人工智能是一个毫无意义的目标。“我们不需要复制人类。这就是为什么我专注于拥有工具来帮助我们，而不是复制我们已经知道如何做的事情。我们希望人类和机器能够合作，做一些他们自己无法做到的事情，“谷歌研究总监彼得·诺维格说。

        Norvig等科学家认为，狭义的AI可以帮助自动化重复和费力的任务，并帮助人类提高生产力。例如，医生可以使用人工智能算法来高速检查X射线扫描，从而使医生能够看到更多的病人。狭义人工智能的另一个例子是对抗网络威胁：安全分析师可以使用人工智能在通过公司网络传输的千兆字节数据中查找数据泄露信号。令人惊讶的是，人工智能在编程中的一个非常成功的应用已经出现：开发人员正在使用人工智能助手（如GitHub Copilot）来生成大部分代码，并大大提高他们的生产力。

基于规则的 AI 与机器学习

        早期的人工智能创造工作侧重于将人类知识和智能转化为静态规则。程序员为定义 AI 行为的每一条规则都精心编写了代码（if-then 语句）。基于规则的人工智能（后来被称为“好的老式人工智能”（GOFAI））的优势在于，人类可以完全控制他们开发的系统的设计和行为。

        基于规则的人工智能在规则明确的领域仍然非常流行。一个例子是视频游戏，其中开发人员希望人工智能提供可预测的用户体验。

        GOFAI的问题在于，与McCarthy最初的前提相反，我们无法以可以转化为计算机规则的方式精确描述学习和行为的各个方面。例如，定义识别声音和图像的逻辑规则——这是人类本能地完成的复杂壮举——是经典人工智能历来难以解决的一个领域。

        创建人工智能的另一种方法是机器学习。机器学习工程师不是手动开发 AI 规则，而是通过提供大量样本来“训练”他们的模型。机器学习算法在训练数据中分析并找到模式，然后开发自己的行为。例如，机器学习模型可以对公司的大量历史销售数据进行训练，然后进行销售预测。

        深度学习是机器学习的一个子集，在过去几年中已经变得流行起来。它特别擅长处理非结构化数据，例如图像、视频、音频和文本。例如，您可以创建一个深度学习图像分类器，并在数百万张可用的标记照片（例如 ImageNet 数据集）上对其进行训练。经过训练的 AI 模型将能够识别图像中的物体，其准确性通常超过人类。深度学习的进步已将人工智能推向许多复杂和关键的领域，包括医学、自动驾驶汽车和教育。

        深度学习模型的挑战之一是它们根据训练数据开发自己的行为，这使得它们不仅复杂而且不透明：通常，即使是深度学习专家也很难解释他们创建的人工智能模型的决策和内部工作原理。

人工智能的未来

        在我们寻求破解人工智能密码和创造思考机器的过程中，我们已经学到了很多关于智力和推理的意义。由于人工智能的进步，我们正在与曾经被认为是人脑专有领域的计算机一起完成任务。

        人工智能正在进入的一些新兴领域包括音艺，人工智能算法在这些领域表现出自己独特的创造力。人们还希望人工智能能够帮助应对气候变化，照顾老年人，并最终创造一个人类根本不需要工作的乌托邦式的未来。