（一）什么是人工智能

1956年，麦卡锡、明斯基等科学家在美国达特茅斯学院举办“关于如何用机器模拟人的智能”的学术研讨会，首次提出了人工智能（Artificial Intelligence，简称AI）的概念，标志着“人工智能”作为一门科学的诞生。狭义上，人工智能是类比人脑的人造算法与应用，但随着科技的更替和演进，其内涵正在不断的扩大和泛化。广义上，人工智能是以实现人造智能活动为目的的所有技术与应用的统称，涵盖了对应人类主要智能的：计算机视觉、自然语言理解与交流、语音识别与生成、机器人学、博弈与伦理、机器学习等六个大学科，并且学科之间呈现交叉融合的发展势态。

1.历史：理论+专家系统

历史上人工智能的技术主流根据其所模拟的信息处理方法不同可分为两大类：一是经典逻辑或符号主义，二是人工神经网络或联结主义。“符号主义”和“联接主义”是人工智能技术发展历史中竞争最为激烈的两大流派，在人工智能几十年的发展中交替引领人工智能理念和技术的潮流。此外，还有一派是“行为主义”，则是从主体-客体的控制角度进行定义和研究。

符号主义：认为人工智能源于数理逻辑。是一种基于逻辑推理的智能模拟方法，其原理主要为物理符号系统（即符号操作系统）假设和有限合理性原理。该学派认为：人类认知和思维的基本单元是符号，而认知过程就是在符号表示上的一种运算。人是一个物理符号系统，计算机也是一个物理符号系统，因此，就能够用计算机来模拟人的智能行为，即用计算机的符号操作来模拟人的认知过程。典型理论与技术包括：启发式算法>专家系统>知识工程等。

联结主义：认为人工智能源于仿生学。其主要原理为神经网络及神经网络间的连接机制与学习算法。该学派认为：人的认知活动就是大脑神经元整体的动态活动，因此可以用计算机模型在结构和功能上模拟大脑神经网络，利用人工神经网络来解释人类大脑的认知活动。联结主义赋予网络以核心性的地位，强调网络的并行分布加工。典型理论与技术包括：感知机与反向传播算法等。

行为主义：认为人工智能源于控制论。其原理为控制论及感知-动作型控制系统。该学派认为：智能行为产生于主体与环境的交互过程中，复杂的行为可以通过分解成若干个简单的行为加以研究。主体根据环境刺激产生相应的反应，同时通过特定的反应来陈述引起这种反应的情景或刺激。因此能够以这种快速反馈替代传统人工智能中的精确的数学模型，从而达到适应复杂、不确定和非结构化的客观环境的目的。这种快速反馈的协调机制，成为行为主义人工智能研究的主要方向。

2.当前：大数据+深度学习

然而符号主义和联结主义在20世纪先后兴起又历经衰落，主要原因在于当时数据有限、算法不足，难以达到科学家最初设想的“智能”广度和精度。

进入21世纪，“深度学习”技术终于取得了突破，人工智能才引来新一轮大发展。其标志事件是辛顿等人2006年发表的突破性论文介绍了一种成功训练多层神经网络的方法，称之为“深度信念网络”。在此方法的指导下，经过深度训练的人工神经网络“智能”效果越来越好，直到2016年DeepMind公司的AlphaGo接连战胜李世石、柯洁等人类最好的围棋选手，标志着人工智能在局部领域已经超越了人类。

除了以深度学习为核心的算法演进之外，人工智能新热潮的到来还依赖于计算机处理能力和运算速度的提高、以及海量数据的可获得性。一方面，随着GPU在人工智能领域的使用、专用人工智能芯片的开发以及云计算的发展，计算机处理能力和运算速度获得大幅度提高，支持多层神经网络的巨大算力成为可能；另一方面，互联网技术的发展和广泛使用产生海量的数据。深度学习方法以大量数据为素材进行训练，从中高效地寻找新规律或新的知识。硬件是发动机、数据是燃料，“机器”凭借卓越的计算能力、利用深度学习方法、以海量数据为素材进行训练，智能程度显著提高。数据资源、运算能力、核心算法的大幅进步推动计算机视觉、语音及自然语言处理等人工智能技术实现了商业化构建。可以说，当前的人工智能=深度学习+大数据，是一个最具时代精神、也最为普遍接受的认识。

3.未来：小数据+大任务

目前以大数据和深度学习为主的人工智能，虽然在国际象棋、围棋等局部领域已经超过人类，但是仍然有许多对人类很简单的、甚至下意识的活动对于机器来说却困难重重，这就是人工智能领域重要的“莫拉维克悖论”（Moravec\'s paradox）：“要让电脑如成人般地下棋是相对容易的，但是要让电脑有如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。”例如：人类能够轻而易举地进行举一反三，看到小猫一次后就会在以后识别出小猫，而人工智能系统需要给它输入成千上万张做过标记的图片才能形成对小猫的概念。由此可见，目前以大数据和深度学习为特征的人工智能只能解决局部、特定问题，并不能解决人类通用智能范围内的所有问题（尤其是人类无意识的、直觉式的活动），可以说是“大数据、小任务”的模式。

未来人工智能的发展，需要进入一个“小数据、大任务”范式，如同人的各种感知和行为，时时刻刻都是被任务驱动的，用“任务塑造智能”。这需要从任务出发，将计算机视觉、自然语言理解、认知科学、机器学习、机器人学、博弈与伦理等人工智能主要技术领域进行融合，形成一个共同的构架、通用的算法池以及联合运作模式，最终达到甚至超越“输入有限的小数据，实现通用的大任务”的人类智能处理水平。