長久以來，我們一直認為智能不只是人類所獨有的，可以像人類一樣進行推理和學習的機器是完全可能被制造出來的，然而事情卻不像想的那樣簡單。
模擬人工智能
在百科全書上，人工智能的定義是"研究可以智能工作的機器的科學和工程"。不過一個令人糾結的問題是：到底什么是智能？很多情況下，那些"不智能"的機器比我們聰明多了，比如普通的計算機程序可以將成千上萬個數(shù)字的乘積，可以記錄下銀行的大量款項，這已經(jīng)超出了普通人的能力?？墒?，他們只是能正確地完成大量計算而已，還稱不上真正的"智能"。只有某些人類特有的能力，像認出一張熟悉的臉，指揮繁忙時段的交通或者學會一件樂器，才稱得上真正的"智能"。
為什么制造一臺智能機器這么難？這是因為，一般情況下，在給電腦編寫程序之前，程序員知道他想讓電腦做的任務是什么?？墒牵谌斯ぶ悄茴I域，程序員要求電腦做正確的事情，可同時又不是很清楚事情到底是什么。比如我們讓電腦去識別人臉，可是我們人類自己也不是完全清楚大腦是如何識別人臉的。
在現(xiàn)實世界中，我們不僅要面對還要處理種種不確定性事件。比如你在達到一個目標前，受到諸多困難，你需要排除萬難；你在駕車時，前方?jīng)_出一輛車，你需要轉動方向盤避免撞車；你在處理一項任務時，突然接到另一項重要任務，你需要隨機應變。一個智能的電腦程序不僅能夠按照既定計劃完成任務，還能確保在不確定事件發(fā)生的情況下完成任務。所以，真正的人工智能，必須能夠感知周圍環(huán)境的變化，并對此做出反應，適時改變和調整自己的行動，以期出色完成任務。
哲學起源
在世界上第一臺電腦問世之前的很多個世紀，人工智能的理念就已經(jīng)初具端倪。亞里士多德提出的從假設得出結論的"三段論"就是一種機械式的邏輯推理方法。按照他的理論，我們可以這樣論述：一些天鵝是白的；所有天鵝都是鳥；所以，一些鳥是白的。如果用符號表示，即為：一些S是W；所有的S都是B；所以，一些B是W。無論S、W、B代表什么，我們都可以得到正確結論。根據(jù)這樣的構想，我們在沒有完全弄清楚人腦是如何想問題的情況下，或許就可以建立出一套智能化系統(tǒng)。
亞里士多德的構想為探尋人工智能的本質奠定了基礎。然而，直到20世紀中期，電腦才變得足夠復雜，能夠真正測試一下這些構想。1948年，英國布里斯托爾大學的研究人員格雷·沃爾特制造出一系列具有感光和學習能力的會移動的機器烏龜。其中一個名為艾爾西（Elsie）的機器烏龜可以自動對環(huán)境做出反應，比如當電池電量快耗盡時，它就會自動降低對光線的敏感度。
1950年，英國數(shù)學家阿蘭·圖靈提出，如果電腦可以和一個人談話自如，我們應該"禮貌地"接受電腦可以思考的現(xiàn)實。不過，直到1956年，人工智能這個詞語才被正式提出來。在美國達特茅斯學院的一個暑期研討會上，這個領域的早期創(chuàng)始者們共同提出了他們的愿景：如果學習的各種方式或智能的各種特征都可以從理論上進行精確描述，那么，一臺機器就可以模擬人的智能。似乎按照這樣的目標快速發(fā)展，擁有真人一般智能的機器早晚會出現(xiàn)。
化整為零
20世紀60年代，研究人工智能的科學家們滿懷夢想，信心十足，認為他們將在幾十年內實現(xiàn)他們的目標，就像航天領域里，從第一架噴氣式飛機到人類登上月球也只用了30年。為什么人工智能不可以擁有這樣火箭般的發(fā)展速度呢？
事實上，兩者之間最大的不同之處在于，對于人工智能，我們找不到像F=ma和E=mc2那樣既簡潔又通用的公式。到了20世紀80年代，研究人員意識到，他們既沒有足夠硬件也沒有足夠知識，來模擬人可以做的所有事情，于是整個領域被分成很多部分。以往研究人員的共同目標是制造一臺擁有人類智慧的電腦，取而代之的是，研究人員側重研究這個宏大問題的某個方面，比如語音識別、計算機視覺、概率推理，甚至國際象棋這個小領域。
可喜的是，在每個分支領域，研究人員都取得重大突破。1997年，IBM的"更深的藍"電腦擊敗了國際象棋冠軍卡斯帕羅夫。"更深的藍"電腦能在1秒內計算出2億種可能性，從而推算出之后棋盤的走勢，最終決定下一步怎么走棋。
"更深的藍"電腦在這場需要高智能的象棋比賽中取得驕人成績，然而，這位"專家"的技能有點單一，除了象棋比賽外，它什么都不會做，既不能和別人討論下棋策略，也不會玩其他游戲。盡管它贏了世界象棋大師，但是沒有人會把它錯當作真人，它只是一臺電腦。
人工智能的時間線
1950年，圖靈提出，經(jīng)過編程的電子計算機可以像真人一樣回答問題
1956年，在美國達特茅斯學院的一個暑期工作坊上，這個領域的早期創(chuàng)始者們正式提出了"人工智能"這個詞匯
1958年 Allen Newell和Herbert Simon預測在十年內，電腦可以擊敗國際象棋世界冠軍，不過在現(xiàn)實中這整整花了四十年。
1961年，電腦解決了大學一年級程度的微積分題目
1965年，世界上第一個用于心理治療的聊天機器人ELIZA，嘗試著和人進行對話
1967年，STUDENT程序成功地解決了用文字描述的一道大學程度的代數(shù)題目
1973年，F(xiàn)reddy機器人通過視覺感知來定位和組裝了模型
1974年，隨著政府資助機構減少了對于人工智能研究的撥款預算，人工智能寒冬到來
1975年，斯坦福大學的Meta-DENDRAL程序發(fā)現(xiàn)關于分子的新規(guī)律，成果被發(fā)表在了美國化學學會的期刊上
1980年，自動行駛的汽車在慕尼黑大學里以90公里/小時的速度行駛
1988年，人工智能的主要形式變?yōu)榛诓淮_定數(shù)據(jù)的概率推理，而不再是以往那樣側重于邏輯
1989年，美國航天局（NASA）利用自動聚類的電腦程序發(fā)現(xiàn)以往未知的幾類恒星
1997年，IBM"更深的藍"超級電腦擊敗了國際象棋冠軍卡斯帕羅夫
1998年，由Hasbro生產的第一個人工智能的寵物Furby開始在美國出售；美國航天局（NASA）第一次有了完全由電腦程序自動控制的飛行器
2000年，Nomad機器人探索南極洲的偏遠地區(qū)，采集氣象觀測樣本
2004年，一個電腦程序可以比一個專業(yè)級真人飛行員更快地學會操縱遙控直升機
2007年，美國艾爾伯特大學的人工智能程序完全破解了西洋跳棋游戲
2011年，蘋果的語音識別軟件Siri可以讓用戶和iPhone對話；iRobot公司出售出了第600萬個RooMBA吸塵器機器人
2012年，Google翻譯做的翻譯總量已經(jīng)超過了所有人類翻譯者所做的總合
2012年，通過10億個連接，Google的人工智能神經(jīng)網(wǎng)絡可以去識別一些常見的物體，像人臉和貓
或許你沒有意識到，其實你每天都在和人工智能打交道。它們幫你接通電話，審核你的信用卡交易，管理你的基金。它們還能從你的數(shù)碼照片中識別你的臉，在你玩視頻游戲時識別你的姿勢，甚至幫助醫(yī)生分析你的化驗結果。
益智游戲冠軍
2011年，IBM向世界推出沃森（Watson），一個可以理解問題、并給出準確答案的超級計算機。沃森擁有3000個聯(lián)網(wǎng)在一起的處理器，其中儲存著幾百萬份文件，沃森可以利用這些海量的信息回答幾乎所有問題。
IBM讓沃森亮相美國一個電視問答娛樂節(jié)目《危險邊緣》（Jeopardy！）。《危險邊緣》一向以提出"拐彎抹角"的問題而出名，有點像國內的《開心辭典》和《幸運52》。這個游戲可比國際象棋復雜得多，沃森不僅需要綜合所有人類知識，還需要理解問題中的雙關語等文字游戲。
在沃森精彩舞臺表現(xiàn)的背后，人工智能的一個分支領域——概率推理功不可沒：這項技術幫助沃森從不完整的信息組合中提煉出完整答案。比賽前，IBM的工程師們把百科知識和以往《危險邊緣》的節(jié)目資料塞進沃森的硬盤里，然后把沃森的電腦程序分成100個小程序，每個小程序負責一個方面。比如，一個程序負責"著名作家"，另一個程序負責"食品"。比賽時，針對提出的問題，沃森的100個分程序各自從數(shù)據(jù)庫里尋找答案，最終沃森綜合這100個分程序的結果，選擇最有可能正確的答案。比賽結果并不出乎意料，沃森曾經(jīng)在電視節(jié)目中擊敗兩位真人冠軍。
不過，成為《危險邊緣》的冠軍并不是沃森的真正使命，I BM計劃派給沃森更實用的任務，比如給醫(yī)學、商業(yè)、農業(yè)等領域提供時效性強的重要信息。
無人駕駛汽車
行駛在美國拉斯維加斯的公路上，如果你看到一輛汽車的牌照是紅色，其上印有無窮大符號，就要留意一下了，它是一輛無人駕駛的汽車。2012年初，美國內華達州為無人駕駛汽車發(fā)放了第一張牌照。
在世界上其他地方，無人駕駛汽車也會火起來嗎？應該說，到現(xiàn)在為止，駕駛還是一項由真人司機占據(jù)主導地位的任務。雖然駕車稱不上很難，但其中有太多變數(shù)，比如尾隨你的汽車是以60千米/時還是70千米/時的速度行駛？角落里是否有一輛行駛在你的視角之外的汽車？如果你想超車，前面車的司機會不會突然加速？諸如此類的問題還有很多。
無人駕駛汽車行駛在公路上并不難。早在1994年，兩輛無人駕駛汽車就曾經(jīng)在環(huán)繞巴黎的公路上行駛了1 000千米。但是，如果讓無人駕駛汽車在城市中穿行，任務一下子就變得困難很多，城市交通中很多不成文的規(guī)則會讓無人駕駛汽車摸不到頭腦。比如，如果谷歌公司的工程師嚴格按照司機守則為無人駕駛汽車編寫程序，在十字路口上一定要為其他汽車讓路，他們會發(fā)現(xiàn)，這臺太過老實的無人駕駛汽車永遠也沒法走過這個路口。于是，他們對程序做了一點改進，當無人駕駛汽車等待一段時間后，就會自動緩慢向前移動，向其他汽車示意自己想要先走，而不只是傻傻地等待。
對于無人駕駛汽車來說，還有一個難題，即如何判斷自己所處的位置。GPS有時并不靠譜，誤差會達到幾米之多。無人駕駛汽車不僅能使用GPS，還能同時開啟照相機、雷達和測距激光，共同幫助校正GPS的數(shù)據(jù)。
除了擔任駕駛職責外，無人駕駛汽車還能自動調節(jié)汽車燃料進出，提高能源利用率。代表前沿科技的無人駕駛汽車綜合了多項人工智能技術，越來越被人們所接受。通過特別許可，谷歌公司的無人駕駛汽車已經(jīng)在完全無人控制的情況下，在美國加利福尼亞州的公路和街區(qū)中穿行了成千上萬千米。相信世界上其他地方很快也會接納智能的無人駕駛汽車。
垃圾郵件獵手
如今，全世界的電子郵件中，每10封恐怕有9封都是垃圾郵件。如果這些垃圾郵件和正常郵件混在一起出現(xiàn)在你的收件夾里，電子郵件的方便快捷功能將大打折扣。通過垃圾郵件過濾器，你可以把垃圾郵件從收件夾里過濾出來。
要判斷什么樣的郵件才算是垃圾郵件，只要看一下郵箱主人打開郵箱后，把哪些郵件加上星號保留，哪些郵件看也不看就直接刪掉即可。這些舉動為垃圾郵件過濾器提供了最好的參考。電腦程序根據(jù)這些信息把每封郵件分解成很多個特征，每個特征可以是一個單詞或詞組，也可以是郵件發(fā)送的時間，還可以是發(fā)送郵件的電腦信息。這些特征可以幫助電腦程序判斷一封郵件是否垃圾郵件。比如，一封郵件里包含"最低價格""精心包裝"兩個詞組。根據(jù)全球統(tǒng)計數(shù)據(jù)，這兩個詞組在垃圾郵件中出現(xiàn)的概率高達8%和3%；而在正常郵件中，它們出現(xiàn)的概率只有0.1%和0.3%。之后根據(jù)數(shù)學上的貝葉斯定律公式，計算出這封郵件是垃圾郵件的概率高達99.9%。
重要的是，垃圾郵件過濾器需要根據(jù)經(jīng)驗不斷更新判別模式。再好的垃圾郵件過濾器也會有犯錯誤的時候，可能放過壞郵件，也可能錯殺好郵件。每當郵箱主人把一封垃圾郵件從垃圾郵件箱移回收件夾，或者標識并刪除一封遺漏在收件夾里的垃圾郵件，垃圾郵件過濾器會立刻更正自己的參數(shù)，做出改進，以提高識別垃圾郵件的準確率。
自動翻譯高手
2012年，"谷歌翻譯"的翻譯總量超過所有專業(yè)翻譯員的翻譯總量。"谷歌翻譯"掌握65種語言，可以任選其中兩種語言進行互譯。"谷歌翻譯"得以運行，全靠人工智能領域的概率推理技術。
很多年前，語言學家通過雙語字典和語法規(guī)則來構建自動翻譯系統(tǒng)。遺憾的是，這樣做失敗了，如此翻譯會很生硬、不靈活。比如，在法語語法規(guī)則里，形容詞一般置于名詞后。而在英語語法規(guī)則里，形容詞一般置于名詞前。當然，也有例外的時候，比如，英語中表達"神奇的光"時，使用"the light fantastic"詞組，形容詞fantastic置于名詞light之后。
過去十多年，自動翻譯依靠的不再是語言學家手寫的規(guī)則，而是從現(xiàn)實案例中學習而來的概率準則，就好像以往是通過背單詞和記語法來學外語，而現(xiàn)在是通過身臨語言環(huán)境中學習。自動翻譯另外一個重要方面是電腦和真人之間的配合和交互，很多自動翻譯系統(tǒng)都是先在互聯(lián)網(wǎng)上搜集大量真人翻譯過的文件作為參考。
當然，自動翻譯還遠遠稱不上完美，但是它正在被逐步改進——準確率越來越高，翻譯的語言種類也越來越多。谷歌公司正在開發(fā)一個名為"翻譯"（Translate）的安卓手機程序，當你與對方通話時，你可以說母語，該程序根據(jù)你的選擇，把你所說的話轉換成對方的母語，發(fā)送給對方，而對方在和你通話時也可以說母語。隨著自動翻譯技術的發(fā)展，一個被長久期盼的誘人目標將有機會實現(xiàn)——每個人不需要學習任何外語，就可以和世界各地的朋友進行交流。
讓程序自我進化
現(xiàn)今大多數(shù)的人工智能系統(tǒng)如果完全依靠手動來編寫程序，會變得很復雜，一個另辟蹊徑的方法是讓電腦程序自己進化自己。在虛擬的環(huán)境中，程序通過不斷的迭代，嘗試變化各種參數(shù)，在不斷嘗試和失敗之中，程序逐漸"自然而然"變成設計者期望的樣子。
首先，設計者們?yōu)槌绦虼罱ㄒ粋€模擬環(huán)境。就垃圾郵件過濾器的程序而言，"環(huán)境"就是大量郵件，既包括正常郵件又包括垃圾郵件。然后，程序的不同版本同時在模擬環(huán)境中接受檢驗，輸出各自不同的結果。在對結果進行評分后，分數(shù)差的程序被淘汰，分數(shù)好的程序被進一步修改。修改后的程序再次接受檢驗，同樣優(yōu)勝劣汰。如此往復，最后，程序可以自然進化成比較理想的狀態(tài)。
這個過程其實有點類似自然界中所發(fā)生的"弱肉強食、適者生存"。而一個程序的某個參數(shù)被修改如同自然選擇中的基因發(fā)生隨機突變；兩個程序還可以各取一部分交叉到一起產生一個新的程序，就如同動物交配產生后代一樣。這種讓程序自我進化的方法被稱為"遺傳算法"。
電腦也需要直覺
人永遠不是絕對理性的，我們在做決定的時候會犯很多常見的錯誤，并且容易受到無關細節(jié)的干擾。有時，我們相信自己的直覺，未經(jīng)深思熟慮，即匆忙做出決定。我們曾經(jīng)認為，"冷靜"的電腦不像人一樣沖動，一定是件好事。可是，最近的認知科學研究發(fā)現(xiàn)，事實并非如此。
一個人先天具有兩種互補的做決定的方式，一種是緩慢的、深思熟慮的、理性的，另一種是迅速的、沖動的，通過聯(lián)系當前情況和以往經(jīng)驗，快速做出決定。第二種方式或許才是人類智能高效的關鍵。
不難想像，深思熟慮和理性必定要以耗費更多的時間和精力為代價。比如，有一輛車正迎面撞向你駕駛的車，你需要立刻做出反應，或者鳴笛，或者剎車，或者轉向，而不是經(jīng)過復雜的計算決定哪種選擇最優(yōu)，估計等結果算出來事故已經(jīng)發(fā)生了。此時，快速反應成為關鍵。在非緊急情況下，這種快速反應同樣有益。比如，如果每天都在認真思考到底穿深藍色衣服還是淺藍色衣服這類無傷大雅的問題，會浪費大量的時間和精力，耽誤更重要的事情。
那么，是否應該給人工智能加入直覺成分呢？事實上，很多現(xiàn)代人工智能系統(tǒng)包含兩部分，一部分用于瞬時反應，一部分用于理性分析。一些機器人使用多層系統(tǒng)結構，最底層只做反應；較高層則負責抑制這些反應，組織更多目標行為。這種方式很有效，控制步行機器人在凹凸不平的地面上行走就是一個例子。
另外一種方式是在人工智能程序中加入一些"情感"。比如，如果一個機器人反復嘗試做一件事情，不斷遭遇失敗后，一個表達"氣餒"情感的電路就可以"激勵"機器人轉換思路。人工智能的創(chuàng)始者之一馬文·明斯基認為，情感并非人腦的一個獨立事件，而是人腦的多個部分之間、人腦和身體之間的互作。畢竟，人是感性動物。在我們做出某些選擇時，情感因素高于其他因素。如果一個電腦程序受到情感驅使，自然更像人類智能。
像大腦一樣的機器
既然我們的目標是制造一臺具有人類智能的機器，為何不直接復制一下人腦呢？畢竟，人類自己是智能的最好樣本。過去幾十年，神經(jīng)科學為大腦如何處理和存儲信息提供了很多新的認識。
人腦是由連接著1000億個神經(jīng)元的100萬億個神經(jīng)突觸組成的網(wǎng)絡，這些神經(jīng)突觸和神經(jīng)元的狀態(tài)每秒改變10～100次。人腦的這種結構使得它非常擅長諸如在圖片中辨認物體之類的任務。一臺超級計算機擁有100萬億字節(jié)的內存，擁有的晶體管電路的運算速度比人腦至少快1億倍，這種結構使得計算機擅長有明確定義、工作量大、要求精確的任務。
這兩種結構各有優(yōu)缺點。如果完成模糊性任務，人腦更占優(yōu)勢。比如，諸如識別面孔的任務，無需計算高度精確的電路。
相比于超級計算機，人腦是一臺節(jié)能機器。人腦進行各種計算時，所需功率約20瓦，只相當于一個亮度很低的老式電燈泡。而一臺進行類似計算的超級計算機所需功率約20萬瓦。據(jù)統(tǒng)計，2010年，谷歌公司用電23億千瓦時（度），相當于20.7萬戶美國家庭一年的用電量、41座帝國大廈一年的用電量。一個表面上看起來并非傳統(tǒng)重工業(yè)的公司卻是個耗電大戶，這不由引發(fā)研究人員思考人腦的節(jié)能高效。
我們都知道，任何一臺電腦都有CPU、內存和硬盤。假設CPU是你，內存是桌子，硬盤是柜子，而程序則是那些你放在柜子里的各種書籍、文件、玩具等，CPU負責運算和執(zhí)行各個程序，硬盤存儲著各個程序。如果想看書或玩玩具，你得先把相應的東西從柜子里拿出來放到桌面上，然后才可以在桌面上看書或玩玩具。桌子就相當于內存，是一個臨時存儲程序的地方。在電腦里，這三個部件缺一不可。可是，在人腦里，我們并沒有相應的這些部件，處理、存儲信息都是放在一起同時進行的。按照傳統(tǒng)計算機的結構，你玩完玩具想去看書，需要先把玩具從桌子放回柜子里，然后再從柜子里拿一本書放到桌子上，完成多個不同任務需要一道道的工序，效率就會降低，可是人腦允許你同時做很多件事情，不需要做完一件再做另外一件。
據(jù)此，很多研究人員正在模仿人腦制造新型計算機：它們平行地而不是一件一件地完成任務，它們更加模擬化而不是數(shù)字化，它們雖然會慢一些但是耗能較少。
