cpu 测试版_cpu正显版和正式版区别

人工智能简史 　　人工智能 (Artificial Intelligence，AI) 是计算机科学的一个分支领域，致力于让机器模拟人类思维，执行学习、推理等工作。人工智能的发展经历了以下五个阶段。AI兴起：人工智能概念的出现（1950~1974）AI第一次寒冬：神经网络遇冷，研究经费减少（1974~1980）AI复兴：专家系统流行并商用（1980~1987）AI第二次寒冬：专家系统溃败，研究经费大减（1987~1993）AI崛起：深度学习理论和工程突破（1993至今） 　　下面对人工智能发展的五个阶段，分别进行简要的介绍。 　　第一阶段：AI兴起（1950~1974） 　　机器人三大定律 　　1942年，科幻作家阿西莫夫（Isaac Asimov）在小说《我, 机器人》中提出了机器人三定律： 　　第一：机器人不得伤害人，也不得见人受到伤害而袖手旁观；第二：机器人应服从人的一切命令，但不得违反第一定律；第三：机器人应保护自身的安全，但不得违反第一、第二定律。 　　但机器人三定律中隐含着两个逻辑悖论：机器人可以杀害正在行凶杀人的人吗？人类自我伤害时而不自知时，机器人该怎么做？ 　　2004年，威尔•史密斯主演的同名电影《我，机器人》，对这两个悖论进行了深度的探索。在电影中，中央电脑Viki为了人类的整体利益，控制部分机器人“保护”人类，不允许他们出门，不允许他们做任何事情。最终人类与少数“正义”的机器人联手反抗Viki并取得成功。

威尔•史密斯主演的《我，机器人》 　　艾伦·图灵与模仿游戏 　　艾伦•图灵（Alan Turing，1912~1954）是英国数学家、逻辑学家，被称为计算机科学之父，人工智能之父。二战中协助军方激活成功教程德军密码系统Enigma，帮助盟军取得胜利。 　　1950年，图灵写出了研究论文“计算机器与智能”，深入探讨了智能的本质，以及机器智能能否实现。论文的开篇第一句话是：我提议考虑这个问题，“机器能够思考吗？”。而结尾最后一句是：我们只能看到前面一小段距离，但可以看到有大量要做的事情。 　　在论文中，图灵提出了“模仿游戏”（即图灵测试）的概念，用来检测机器智能水平。 图灵测试有两个版本。第一是图灵原论文中的“模仿游戏”。在模仿游戏中，A是男性机器人，但要假装是女人；B是真人女性，要向C证明自己是女人；C是质问者，只能通过书面问答考察。如果质问者无法区分男女，则称机器人具有智能。

图灵原论文中的“模仿游戏”第二个是比较流行的图灵测试标准版本：其中，A是计算机，但要假装是真人；B是真人，要向C证明自己是真人；C是质问者，只能通过书面问答来考察。通过图灵测试的条件是：质问者无法区分计算机和真人。

图灵测试标准版本 　　图灵测试，用图灵的话总结起来就是：”如果一台计算机可让人误认为它是人，则可称它具有智能 “。1966年设立了以图灵名字命名的图灵奖，这被称为计算机界的“诺贝尔奖” 　　“人工智能”的正式诞生—达特茅斯会议 　　1955年，达特茅斯学院的教师，约翰•麦卡锡（John McCarthy），首次提出了“人工智能”的概念，来概括神经网络、自然语言等“各类机器智能”技术。1956年，麦卡锡推动召开了达特茅斯会议，也叫“人工智能夏季研究项目”。 　　会议的主题是：让机器使用语言，形成抽象与概念，解决目前只有人类才能求解的问题，以及不断自我提升。会上讨论了七大议题：自动计算机；如何为计算机编程，使其能够使用语言；神经网络；计算规模理论；自我改进；抽象；随机性与创造性。最终会议形成了一个共识：人工智能（AI）对人类具有很大的价值。

达特茅斯学院旧照 　　达特茅斯会议上的主要参会者，后来都成为了人工智能史上鼎鼎有名的人物。其中就有四位获得过图灵奖，西蒙还是诺贝儿经济学奖的获得者。

达特茅斯会议上的学术名人 　　人工智能热潮 　　1958年，纽厄尔和西蒙说到：十年之内，数字计算机将成为国际象棋世界冠军，数字计算机将发现并证明一个重要的数学定理。但直到39年后的1997年，IBM深蓝才战胜国际象棋世界冠军卡斯帕罗夫。18年后的1976年，计算机通过暴力计算证明了四色定理。 　　1965年，西蒙说到：二十年内，机器将能完成人能做到的一切工作。显然，这个预言直到目前为止，也远远没有实现。 　　但是，纽厄尔和西蒙的豪言壮语，得到了官方的认可。DARPA（美国国防部高等研究计划局）对纽厄尔和西蒙在卡内基梅隆大学（CMU）的工作组进行了资助。 　　1967年，明斯基说到：一代之内，创造“人工智能”的问题将获得实质上的解决。1970年，他又乐观地说到：在三到八年的时间里我们将得到一台具有人类平均智能的机器。 　　当然，这些豪言壮语，离真正的实现还有很长的路要走。但这种乐观的情绪，在1963年至70年代也吸引了DARPA每年投入300万美资助MIT的AI研究，其中就包括明斯基的AI团队。 　　人工智能三大学派 　　在人工智能的热潮中，涌现了从不同的学科背景出发的三大学派：连接主义：又称为仿生学派或生理学派，包含感知器，人工神经网络，深度学习等技术。代表人物有罗森布莱特（Frank Rosenblatt）等。

连接主义的代表：多层神经网络符号主义：又称为逻辑主义、心理学派或计算机学派。包含决策树，专家系统等技术。代表人物有西蒙和纽厄尔、马文·明斯基等。各类决策树相关的算法，均受益于符号主义流派。

判断动物类型的决策树行为主义：又称为进化主义或控制论学派，包含控制论、马尔科夫决策过程、强化学习等技术。代表人物有萨顿（Richard Sutton）等。

行为主义代表观点：智能体与环境交互获得智能 　　感知机简介 　　1957年，弗兰克•罗森布莱特（Frank Rosenblatt）提出感知器( Perceptron)概念，并建造了感知器的机电模型“Mark I”。感知器通过监督学习算法，迭代地解决线性的二分类问题，极大地拓展了机器可求解问题的种类。感知器的出现激起一股人工智能热潮。学术界和大众都给予厚望。 　　罗森布莱特对人工智能的未来也非常乐观：“感知、识别和辨认周边环境，无需人工训练或控制，我们即将见证这样的机器的诞生。”

感知机示意图

罗森布莱特和他的感知器原型，1958年集成电路原型诞生之前，复杂电路的连线是让人眼花缭乱的。 　　《2001太空漫游》 　　人工智能的热潮，也传导到了文艺界。《2001：太空漫游》于1968年上映，是由斯坦利·库布里克执导的科幻电影，也是人工智能主题电影的开创之作。马文·明斯基作为技术顾问。电影讲述了人类为了寻找“黑石”根源而进行木星登陆的故事。 　　电影中的人工智能叫HAL 9000。Hal 9000掌控“发现者号”，是具有高度智能和情感的机器人。在HAL 9000背叛了Dave，拒绝执行他的指令后，Dave强行一个个拔掉Hal的记忆卡。Hal逐步失去智能并宕机。 　　有意思的是，为什么Dave是以拔记忆卡的方式来关停HAL 9000？这和马文·明斯基的符号主义思想背景恐怕有着深刻的关联。根据符号主义的主张，知识是信息的一种形式，是构成智能的基础，知识表示、知识推理、知识运用是人工智能的核心，而知识是存储在“记忆卡”上面的。

Dave在逐个地拔出HAL 9000的记忆卡 　　第二阶段：AI第一次寒冬（1974~1980） 　　感知器的局限性 　　1969年，马文·明斯基和西蒙·派珀特（Seymour Papert）写了一本书《感知器》，对罗森布莱特的感知器提出了质疑。书中指出：单层感知器本质上是一个线性分类器，无法求解非线性分类问题，甚至连简单的异或（XOR）问题都无法求解。

线性可分问题

线性不可分问题 　　单层感知器的这一局限，使得连接主义备受质疑，再加上AI的实际应用止步不前，AI迎来第一次寒冬。符号主义和专家系统开始得到重视，并流行起来。 　　AI研究遇冷 　　明斯基对感知器的批评导致神经网络研究停滞了十年。当然，这也一定程度上要归咎于AI研究者们低估了AI课题的研究难度，做出各种不切实际的承诺，而且当时的模型和硬件计算能力的限制，也使得这些承诺完全无法按预期实现。 　　研究和应用上的停滞，直接导致了各国对人工智能方向研究经费的削减。1973年英国科学研究委员会消减对AI研究的资助。1973~1974 年，美国DARPA 大幅削减对AI研究的资助，到1974年，已经很难再找到对AI项目的资助了。 　　第三阶段：AI复兴(1980~1987） 　　专家系统的兴起 　　AI的第一次寒冬，让研究者们的研究热点，转向了专家系统。专家系统，是模仿人类专家决策能力的计算机系统。依据一组从专门知识中推演出的逻辑规则，来回答特定领域中的问题。专家系统包含若干子系统：知识库，推理引擎，用户界面。

专家系统的示意图 　　知识库系统和知识工程成为80年代AI研究的主要方向，出现了许多有名的专家系统。MYCIN：识别可能导致急性感染的各种细菌，根据患者的体重推荐药物。DENDRAL：用于化学分析，可预测分子结构。PXDES：用于预测肺癌程度和类型。XCON：1980年由CMU为DEC设计，1986年之前每年为DEC省下四千万美金。 　　专家系统的优势 　　专家系统具有明显的一些优势：设计简单，且能够容易地编程实现或修改实践证明了专家系统的实用性和经济价值高效、准确、迅速和不知疲倦地进行工作使领域专家的经验不受时间和空间的限制 　　专家系统的这一系列优势，吸引了新一轮的政府资助。1981年，日本经济产业省拨款八亿五千万美支持第五代计算机项目，目标是造出能与人对话，翻译语言，解释图像，并像人一样推理的机器，英国开始了耗资三亿五千万英镑的Alvey工程。DARPA成立战略计算促进会，1988年向AI的投资是1984年的三倍。 　　第四阶段：AI第二次寒冬（1987~1993） 　　专家系统的衰落 　　在专家系统快速发展的过程中，其劣势也逐渐显露出来。专家系统的劣势有：知识采集和的难度很大，系统建立和维护费用高。专家系统仅限应用于某些特定情景，不具备通用性。使用者需要花很长时间来熟悉系统的使用。

专家系统应验了这句话：有多少人工，就有多少智能 　　专家系统的这些劣势，使得商业化面临重重困境，从而直接引发了AI的第二次寒冬。1987年AI硬件市场需求突然下跌。Symbolics等生产的昂贵的Lisp机失去了市场。80年代晚期，战略计算促进会大幅削减对AI的资助。DARPA认为AI并非“下一个浪潮”，拨款倾向于更容易出成果的项目。1991年，日本的“第五代计算机项目”的目标未能实现。 　　彼时，“人工智能”一词俨然成为研究者的禁忌。研究人员害怕看起来像一个乞求经费的空想家。开始用“信息学”、“机器学习” 等新词来替代”人工智能“一词。 　　深度学习的萌芽 　　在人工智能的第二次寒冬期，神经网络的研究出现了一系列的突破性进展，深度学习开始萌芽。主要有以下几个代表性成果：霍普菲尔德网络：1982年，由约翰·霍普菲尔德(John Hopfield)提出。离散霍普菲尔德网络是一个单层网络，各节点对称地连接，但没有自反馈，权重确定后，网络具有状态记忆功能。

霍普菲尔德网络示意图受限玻尔兹曼机：1985年，由杰弗里·辛顿 (Geoffrey Hinton)提出。受限玻尔兹曼机是一种二分图结构，包含可见单和隐藏单。其训练算法是基于梯度的对比分歧算法，可以用于降维、分类、回归和特征学习等任务。

受限玻尔兹曼机示意图多层感知器：1986，由鲁姆尔哈特(Rumelhart)提出。这是一种前向结构的人工神经网络。包含三层：输入层、隐藏层和输出层。模型训练的算法是反向传播算法。

多层感知机解决了线性不可分问题 　　第五阶段：AI崛起（1993至今） 　　深度学习三巨头 　　少数AI研究者在AI寒冬期以众人皆醉我独醒的态度，十年如一日地坚持坐冷板凳，开展神经网络方向的研究。其中代表人物是深度学习三巨头。他们在2018年因在深度学习方面的卓越贡献，一同被授予了图灵奖。 杰弗里·辛顿（Jeoffrey Hinton）：发明了受限玻尔兹曼机，首先将反向传播算法应用于多层神经网络[1]。培养了杨乐昆等一众大牛级学生。推动谷歌的图像和音频识别性能大幅提升。我一直以来都确信，实现人工智能的唯一方式，就是按人类大脑的方式去进行计算。——杰弗里·辛顿杨乐昆（Yann Lecun）：1989年使用反向传播和神经网络识别手写数字，用来读取银行支票上的手写数字，首次实现神经网络商业化[2]，1998 ，提出LeNet5卷积神经网络[3]，Facebook人工智能实验室负责人。我们之所以为人，是因为我们具有智能，而人工智能是这一能力的扩展。——杨乐昆约书亚·本吉奥（Yoshua Bengio）：推动了循环神经网络的发展，带领开发出Theano框架，启发了Tensorflow等众多后续框架的发展，创办AI顶会ICLR，开创了基于神经网络的语言模型[4]。他也是权威教材《深度学习》一书的合著者。我一直认为“创造性”可通过计算的方式来实现。我们理解计算背后的原理。所以，只需找到更智能的神经网络或模型即可。——约书亚·本吉奥 　　大数据时代的到来 　　随着互联网的快速发展，人类进入了大数据时代。这一方面为人工智能的发展提供了广阔的应用空间，同时也提供了海量的数据。这些数据包括：用户上网产生海量行为数据：比如购物网站浏览、收藏、购买数据，社交网站、点赞、评论数据，视频网站浏览、观看、付费数据。这为人工智能在互联网企业的大规模应用提供了肥沃的土壤。移动互联推动图像数据：智能手机支持随手拍照并分享到网络，出现了图像识别、图像分割等需求，同时CIFAR、ImageNet、VisualQA等大型的图像数据集开始出现，推动了深度学习图像处理算法的快速演进。内容平台产生大量文本数据：新闻媒体每天各语种的新闻报道，自媒体平台产生大量文本作品，维基百科等记载大量结构化知识。这为自然语言算法的研究和应用提供了广阔的天地。 　　算力革命 　　新的软硬件平台的出现，催生了算力革命。其中代表性的突破有：大数据集群（CPU集群）：2004年谷歌推出了分布式文件系统（GFS）、分布式计算框架（MapReduce），2006年Doug Cutting推出基于谷歌技术改进的Hadoop，2010年，Facebook 推出大数据分析工具 Hive。2012年，UC 伯克利推出替代MapReduce的Spark。至此，大数据处理形成了完整的技术框架图形处理器（GPU）：GPU原本主要用于图形图像的渲染，2006年，英伟达（NVIDIA）推出CUDA （统一计算架构） ，GPU开始用于解决商业、工业以及科学方面的复杂计算，GPU与深度学习结合，模型的训练速度有了数量级的提升。

CPU和GPU的架构：CPU有更多控制单，而GPU将更多的晶体管用于数据处理 　　AI三要素：算法、算力、数据 　　大数据量处理推动算力的革命，推动了GPU集群、大数据集群乃至专用的AI芯片的大踏步发展。算力提升拓宽了算法的探索空间，强化学习、AUTOML等算力密集型的算法不断取得突破。 　　神经网络变体也不断涌现，卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM)等等的复杂模型，对训练数据质量和数量的需求越来越迫切。 　　而互联网的不断发展提供了大量数据源与高效标注工具与平台，由此产生了许多高质量公开数据集。 　　算法、数据和算力，相辅相成，推动着人工智能的发展进入了快车道。

算法、数据和算力的循环促进 　　AI发展进入快车道 　　算法、数据、算力三要素齐备后，AI开始迅猛发展。2009年，辛顿（Hinton）和他的两名学生使用多层神经网络在语音识别方面取得了重大突破。2011年，IBM沃森在电视节目《危险边缘》中战胜人类辩手，苹果公司将Siri整合到iPhone4S中。2012年，辛顿的另两名学生在ImageNet挑战赛中取得突破性成绩，谷歌研发的无人驾驶汽车开始路测。2016年，DeepMind击败围棋冠军李世石，百度语音识别技术入选MIT十大突破技术。2018年，DeepMind的Alphafold激活成功教程了出现五十年之久的蛋白质分子折叠问题，谷歌推出BERT模型，将自然语言处理技术推进到新的时代。 　　总结：人工智能的范畴 　　人工智能是一个很宽泛的概念，包含很多分支领域，各个领域的关系如下。现在不论学术还是工业界，研究和应用的重心主要在机器学习领域，特别是在深度学习和强化学习方面，仍然日新月异地不断取得突破。

人工智能各分支领域关系示意图 　　本文的同步视频：