AI简史计算机如何演变到区块链.docx

《AI简史计算机如何演变到区块链.docx》由会员分享，可在线阅读，更多相关《AI简史计算机如何演变到区块链.docx（17页珍藏版）》请在第一文库网上搜索。

1、AI简史，计算机如何演变到区块链O1引言：计算机人工智能2019世界人工智能大会在开幕式上，“钢铁侠”马斯克坚定地表示：“计算机已经在很多方面比人更聪明了，人们和计算机下围棋像你和宙斯斗争一样没有希望的，我们差太远了”，“人类智力的追求在越来越少的方面比计算机好，每个方面以后都会被计算机越来越多的超越，这是肯定的，对此，“太极拳七段”马老师则以中国人特有的智慧，风淡云轻地辩驳道：“和电脑比赛下棋是愚蠢的，只有愚蠢的人才会跟汽车比谁跑得快”，“人类发明了计算机，我从来没有看到计算机发明一个人”,“根据科学，人从来无法创造一个比自己更聪明的动物”。当然，马斯克对马云的观点也“非常不同意”。两人孰对

2、孰错呢？我们先不说将来AI会不会超越人类，只说两位大佬都用到了同一个词一一“计算机”，看来两位“大马哥”都把A1等同于计算机了。如果按照严格的科学定义，把计算机视为一台严格遵照机械程序执行任务的图灵机，那么，计算机究竟能不能模仿人类的全部能力，这在理论上还是存在重大争议的。计算机人工智能，这是AI界的主流看法，但人们往往把这两个概念混为一谈。计算机跟人工智能的关系，远比人们通常理解的更复杂。一部计算机发展史，就是一部人工智能的逐梦史。但现实和梦想之间，却隔着深不可测的海洋。02图灵机的创世纪20世纪后半叶，计算机技术的广泛应用，个人计算机(PC)的全球普及，这或许是人类历史上意义最为深远的技术

3、革命，托夫勒称之为“第三次浪潮”，人类社会继农业阶段、工业阶段后，进入到了信息化阶段。通用计算机(图灵机)的发明，就是这一伟大历史转折的关键点。说到计算机，其实人类很早就使用各种计算装置了。从中国古代的算盘，古希腊安提凯希拉天文计算装置，到17世纪帕斯卡和莱布尼兹设计的“加法机”，19世纪巴贝奇设计的“差分机”，再到20世纪上半叶IBM早期推出的各种机械？电子数字计算机，这些计算装置无一例外有一个共同特点，即它们都是专用计算机而非通用计算机。也就是说，它设计用来做什么，就只能做什么，别的什么都不能做，其程序和计算是分离的。所以，如果要解决不同的计算任务，就得设计、制作不同的计算装置，硬件、软件

4、都得重新再做。但人类要解决的计算任务是源源不断、无穷无尽的，原则上就得做无穷多台不同的计算机才行。所以，专用计算机是不能普及化的，制作成本就会非常高，只能用于特殊的计算任务，或工业与军事上的重要目标。而通用计算机的出现就改变了这种技术瓶颈，使得计算机普及化成为可能。什么是通用计算机？简单说，就是一台可以完成任何计算任务的机器。这样一来，我们只要在机器内部装入不同的计算程序，它就可以执行任何计算任务，即只需更换软件，毋须更换硬件。现在我们的个人电脑，既可以听音乐、玩游戏、看视频，也可以做数据分析、文字处理、美术设计，搜索、网购、通讯、远程控制等等，它几乎无处不在，无所不能，一台电脑在，天下任我行

5、。所以，从专用计算机到通用计算机，这是一个历史性的跨越，人类从此进入了计算机时代。“现代计算机之父”冯诺依曼通用计算机的发明，主要归功于两位天才数学家一一图灵和冯诺依曼。图灵被称为“计算机科学之父”，他做出了通用计算机的数学模型，这就是永垂青史的“图灵机”;冯诺依曼被称为“现代计算机之父”，在图灵机的基础上，他进一步做出了通用计算机的工程构架，这就是大名鼎鼎的“冯?诺依曼体系”。直到今天，所有计算机都还严格遵循着图灵和冯诺依曼的理论设计。通用计算机比专用计算机究竟好在哪呢？我们说一个经典的故事。世界上第一台电子计算机是由莫希利、埃克特在1946年设计的EN1AC（译成中文是“电子数字积分和计算

6、机”），由于它缺乏通用性、可变性与存储程序的机制，因此耗电多、费用高就成为其不可承受之重，而程序与计算分离是其致命的缺陷。据说，当年只要EN1AC一开动，整个费城的灯光都会黯然失色。后来，冯诺依曼受军方委托,对EN1AC方案进行改进，他根据图灵机的构思，提出了一种新的计算机设计方案EDVAC（译成中文是“离散变量自动电子计算机”），完美地解决了EN1AC的所有难题。这就是著名的“诺依曼机”，也是世界上第一台通用电子计算机。诺依曼机最大的特点就是“程序内存”，也就是说，它的程序被处理成数据装进了计算机内部，所以计算机就能自动依次执行这些指令，不需要从外部接线来执行指令了。譬如像ENIAC,其程序

7、和计算是分离的，每次更换新的指令时，需要把数百条线路重新接到机器上去，一群接线员要手忙脚乱地忙活几天，才能进行几分钟的运算，这样一来，效率就太低了，能耗非常高。根据诺依曼机的设计方案，只要程序能够内存，它就可以做成芯片装进计算机里了，软件工业由此而兴，这是现代计算机的核心。目前，从就业人数上看，全球硬件工程师人数只有IOO万左右，但软件工程师人数却过亿，差距非常大。从专用计算机到通用计算机，不仅是科学的一次飞跃，也是科技的一次革命。如果说蒸汽机是18世纪的通用技术，电力是19世纪的通用技术，那么计算机就是20世纪的通用技术，它不仅改变了人类的社会组织行为，也改变了人类的日常生活方式。03机器学

8、习的艰难崛起那么，计算机又是怎么跟人工智能挂上钩的？如果一台通用计算机的功能非常强大，可以用它来模拟人类的所有行为，这个研究方向就是人工智能。按照“人工智能之父”约翰麦卡锡的解释就是：“(我们的目标)是远离对人类行为的研究，将计算机作为解决某种难题的工具。这样一来，人工智能就会成为计算机而非心理学的分支学科J艾伦麦席森图灵(A1anMathisonTuring)计算机和人工智能的思想先驱都是图灵，他最早提出了用计算机来模拟人类思维的设想。1936年，24岁的图灵就写出了他的成名作论可计算数及其在可判定性问题上的应用，给出了“机械计算”的严格定义，这就是“图灵机”的概念。1950年，图灵发表了A

9、1史上的经典论文计算机器与智能，开篇就提出“机器能够思维吗？”这一直指本质的问题，文中他特意说明，机器就是指“数字计算机”,并设计了一个模仿游戏来验证机器是否具有思维能力，这就是著名的“图灵测试二机器能否具备真正的思维能力，这就是图灵给我们留下的思想谜题。整个人类科学史，差不多就是一部天才们的独创思想史，在浩瀚的宇宙中，其思想光芒犹如璀璨星辰，指引着人类探索的方向。图灵的天才思想激发了后来数学家们对设计“智能机器”的强烈愿望，这就是人工智能的源起，就像麦卡锡定义的那样：“人工智能是研制智能机器的一门科学与技术工二战后，在学术界和工业界的共同推动下，A1技术迅速崛起，形成了第一波A1热。1956

10、年，由麦卡锡和马文明斯基两人发起，举办了意义深远的达特茅斯会议，与会者全是当时计算机科学、认知科学和信息科学的顶尖高手，信息论创始人香农也参加了，IBM赞助了本次会议。麦卡锡在会上首次提出了“人工智能”这一术语，标志着这一门学科的正式诞生。刚开始，大家对AI技术抱有很大的期望和信心，认为很快就能设计出智能机器。1967年，在接受记者采访时，明斯基还信誓旦旦地表示：“再过3s8年的时间，我们将创造一台能够达到普通人类总体智力水平的机器。我指的是一台能够阅读莎士比亚著作，给车上润滑油，会耍手腕，能讲笑话，而且还会跟人打上一架的机器。那时，机器能以令人惊奇的速度自学。几个月后以后，它将达到天才水平，

11、而再过上几个月，它的能力将不可估量J当时这番话几乎是天方夜谭,即使现在也还是遥不可及的目标。A1领域最先取得重大进展的是机器证明（ATP）。1959年，美籍华裔数学家王浩用计算机证明了罗素数学原理中的350条定理，只用了9分钟，但罗素和怀特海合写这部书却花了整整10年的时间。在棋类游戏上，机器也表现出了很高的“智能”，1997年，IBM超级电脑“深蓝”战胜国际象棋世界冠军卡斯帕罗夫，这也是AI史上的一个标志性事件。但除了专家系统，早期A1技术做得都不成功，尤其是在机器翻译、图像识别、语音识别等这些具有商业价值的项目上,当时AI技术根本无法处理，这就导致从20世纪70年代到2005年这长达30多

12、年的“AI寒冬”。为什么会这样？就是大家的研究方向出了偏差。当时A1的研究方法，主要有“符号主义”和“联结主义”这两种观点。符号主义主张,如果我们把计算机的编程做得非常全面、强大，那么用纯粹逻辑程序的方法，机器就能模拟人类的全部行为，参加达特茅斯会议的科学家几乎都是符号主义的拥冤者。联结主义走的却是另外一条技术路线，它主张模拟人类的神经网络，通过机器学习的方法来实现A1的全部目标。有意思的是，在漫长的“AI寒冬”里，符号主义曾是绝对的主流,但后来却逐渐销声匿迹了，而联结主义是少数派，只有它熬过了严寒,最终迎来了灿烂盛放的春天。为什么会这样？现在回过头再去看这段历史，就比较清楚了：符号主义是希望

13、把人类行为的所有问题都设计好，编程好，这是一种确定性的机器认识过程，由一台功能强大的通用计算机就能实现；而联结主义并不是事先就把所有问题都设计好，编程好，而是通过模仿神经元联结方式，去模拟人类学习过程，这就是一种不确定性的机器认识过程，但它也暗示了，神经网络可能根本就不是图灵机。简单讲，就是学习机可以自动编程，而计算机只能人工编程，两者是不同的概念。符号主义和联结主义的根本分歧点在于：我们根本不可能事先就把所有问题都设计好，编程好，“万能算法”是不存在的，电脑只能像人脑那样，通过模拟复杂的神经网络联结方式，激发出某种“超计算”的自组织行为，它才可能具备真正的思维能力。其实，在图灵计算机器与智能

14、这篇开创性的论文中，就注意到了这个问题，在结尾处还专门写了一章来讨论“学习机”，他指出学习机和数字计算机是有重大区别的：数字计算机的程序是固定的，运算过程也是确定的，而学习机是随机的，运算规则也可以改变。所以，当我们说“基于神经网络的机器学习不是纯粹的图灵机”时，希望大家千万不要大惊小怪，因为图灵自己早就预示过这种结果。我们再来说基于神经网络的机器学习，其灵魂人物是W.H.匹茨和G欣顿两人，就像图灵和冯诺依曼是计算机的灵魂人物一样。匹茨发明了神经网络，欣顿进一步完善了它，并在AI寒冬”中坚持这个研究方向30多年，最终取得历史性的成功。匹茨是一位拉马努金式的天才。1943年，匹茨和WS麦卡洛克首

15、次提出了“神经网络”的概念，这是一个优美的数学理论，他们采用了链式环状的卡尔纳普语言网络系统，来描述神经元各种联结方式，这是一项开创性的工作，具有非凡的想象力。当时麦卡洛克是芝加哥大学神经生理学教授，而匹茨只是一个在芝加哥大学旁听的流浪少年，还不到20岁，但他通过自学已精通了模数学。在匹茨-麦卡洛克模型的基础上，1957年，罗森布拉特提出了“感知机”模型，这是一个具备初级学习能力的单层神经网络，它可以根据信号汇总强度和阈值之间的误差，来重新调整各项加权，从而达到理想的输出效果。走出第一步看似简单，但这却是“开天辟地”的关键一步，在科学探索上，提出问题比解决问题更重要，开辟新方向比形成体系化更重

16、要。但遗憾的是，这种单层神经网络，连最简单的XoR问题一一即判定一个两位的二进位制数是否仅包含0或I都不能解决，所以它基本上没有实际用途。直到1974年，欣顿提出多层神经网络模型后,才很好地解决了XOR问题。这一年，还是哈佛大学博士生的沃博斯首次提出了反向传播算法（即BP算法），1986年，欣顿又重新发现这一方法，并首先利用广义反向传播算法来训练多层神经网络，至此,基于多层神经网络的深度学习方法，终于登上了A1的历史舞台。但当时正值AI寒冬，这一方法也被“雪藏”了近30年。如果不是欣顿等少数人的坚持，深度学习早就被“冻死”了，哪里还会迎来春暖花开呢？有趣的是，欣顿是布尔代数创始人G布尔的玄孙，布尔代数是计算机开关电路设计的数学基础，神经网络看来又成为了学习机开关电路设计的数学基础，欣顿艰难的理论坚持，或许就来源于灵魂深处对“布尔家族”的那份荣誉感。欣顿后来回忆说，197