原創：張天奇 & wk Refinitiv創新實驗室

我們首篇文章向大家介紹了機器學習的一些基本常識，但是很多好學的同學們看了以後嗷嗷直叫不過癮，為了滿足同學們強烈的求知慾，因此我們推出了基本常識的續集—當AI群星閃耀時

記得《三體》裡有個將宇宙飛船加速到十分之一光速的解決方案：在渺茫的宇宙空中，每隔一段距離就放置一個核彈，飛船靠輻射帆推動，每經過一個核彈，核彈就發生爆炸，靠著核彈爆炸的輻射推動，飛船因此逐漸加速。 而這個場景，跟我們要講述的歷史何等的相似。 如果我們將人類的歷史，無論是經濟，政治，文化，還是科技都比作這艘飛船，那麼，推動我們歷史前進的核彈就是那些光輝璀璨的偉人們。今天，我們要講述的機器學習史，將沿著時間的脈絡，尋覓那些曾經的人，那些曾經的事，那些永恆的光輝和偉岸。

機器學習簡史（圖片來源： Brief History of Machine Learning）

神經學往事

神經學是心理學的一個分支，在神經學的眾多大神的努力之下，對於人類神經工作模式的探索已經經歷了幾百年，對神經的工作原理也有了深刻的理解，而這一切，都為後來的神經網路打下了良好的基礎。這也是一段十分偉大的歷史，感興趣的同學們可以讀讀《腦機穿越》，《連線組》等科普著作，享受這段神奇歷史。而這，也是我們所講的AI的導火索中那長長的一段。而後，計算機巨匠的介入，生物學和計算機學，數學的融入，AI進入了屬於它的時代。

1950年 美國

38歲的圖靈已經是曼切斯特大學計算實驗室的副院長，在過去的歲月中，他以其敏銳的頭腦在數學，密碼學，計算機學上披荊斬棘，建立了非凡的成就。而這年，圖靈稍稍的思考了一下他對計算機的一些理解，整理成《計算機與智慧》《機器能思考麼》兩篇文章，提出了人工智慧界無人不知的圖靈測試，從此，計算機界潮水湧動，AI正式被人們所觀察和認識，踏上了它的發展之旅。 而我們的英雄卻三年後早早離開，未能見證它的繁華。

阿蘭 圖靈

1957年 美國

康奈爾大學的實驗心理學家弗蘭克·羅森布拉特在一臺那個時候的IBM巨型機上跑了一個叫做“感知機”（Perceptron）的神經網路模型。這個模型當時在科學界引起了巨大的轟動。因為計算機冒出來以後，對於計算機能做的事情，人們一直心存敬畏，而這個老頭竟然告訴大家，計算機可以模擬大腦，於是當時人們接近奔潰的瘋狂也可以理解（你看看跟我們現在的情形不也一樣麼）。但這是一個英雄輩出的年代，羅森布拉特遇到了同時代AI的另外一位奠基人明斯基（Marvin Minsky）的質疑, 神經網路原本在布拉特的感知機模型下前途一片光明，明斯基卻給他們澆了一大盆冰水，十多年後，明斯基證明感知機不能模擬簡單的XOR異或函式，加之政府的長期投入卻絲毫沒有成果，於是神經網路跌下神壇，不再被人提及,直至Webbos解決XOR問題，提出BP演算法。羅森布本人在1971年據說投湖自盡，而他的老對手在2016年見證了AI的再次輝煌之後，才離開人間。

弗蘭克·羅森布拉特

1959年 美國

在IBM工作的科學家Arthur Samuel閒來無事，編寫了一個遊戲。這是一個跳棋遊戲，但也遠非這麼簡單，遊戲程式中內建了一套演算法，可以通過觀察當前棋子的位置來判斷勝率。遊戲程式還可以記錄下所有它見過的棋譜。在後來的發展裡，ArthurSamuel向它輸入職業選手的對局，並且讓遊戲程式自身與自身對決來增加它的棋藝。通過這個遊戲程式，Arthur Samuel提出了機器學習的概念，並將它定義為“可以提供計算機能力而無需顯式程式設計的研究領域”。

Arthur Samuel

1969年 美國

馬文明斯基，羅森布拉特的老對手，這個時候氣候已成。1956年時，他便與夏農和麥卡錫一起發起了達特茅斯會議，1958年，也就是他從哈佛畢業的第四年，明斯基從哈佛轉到MIT，成立了世界上第一個人工智慧實驗室，頂上了人工智慧之父的光環。而1969這年，他發表了那本驚世駭俗的《感知機：計算幾何學》一書，指出了感知機中不能實現的不足，提出了兩個對於機器學習要解決的兩個基本論點：

(1) 只能解決線性問題的演算法是不夠的, 需要能夠解決非線性問題的演算法。

(2) 只能解決理論世界問題的演算法是沒有意義的, 需要能夠解決實際世界問題的演算法。

同時，他也拿到了那項計算機界的諾貝爾獎--圖靈獎，成立了自己的人工智慧公司。一切都那麼完美，只是，頂峰之後便是低谷。人們對於人工智慧有的極高的期望，而計算機的算力還遠遠不足以滿足人們的期望，人工智慧的研究從這年開始，進入了十多年的低潮期。一直到 1986年，Rumelhart等人的BP 演算法解決了XOR 問題, 沉寂近二十年的感知機研究方向重新獲得認可,  神經網路和AI才重獲學術界關注。

馬文 明斯基

1986年  美國

這個時候，第一屆由卡梅隆大學召開的機器學習國際研討會已經召開了有6年，機器學習再次復興。韋伯斯的反向傳播演算法（BP）演算法提出也有五年，大家開始嘗試著把BP演算法和MLP演算法結合起來，黑盒的神經網路再次浮出水面。而此時，最引人注目的還是Quinlan(羅斯.昆蘭)提出的ID3決策樹演算法。當然，十大演算法之列的KNN已在1967年就已發明，而ID3決策樹演算法是繼KNN之後，近似大腦思維而又清晰可解釋的一種演算法。昆蘭在2011年獲得了資料探勘領域最高榮譽獎KDD創新獎，功成名就。

羅斯 昆蘭（圖片來源: 李航，機器學習史）
 

1990年 美國

這個時候的電腦科學家Robert Schapire  還沒有從MIT博士畢業，但次年，他將會因為他的 Boosting演算法聞名遐邇。Yoav Freund 修改並提粗了更高效的boosting演算法。五年之後的他們又一起提出了Adaboost演算法，相比之前的Boosting演算法，這種演算法不需要弱分類器的先驗知識，應用更加方便。現在Schapire 還在微軟研究院擔任資深科學家，機器學習之路還在繼續。

Robert Schapire

1995年 俄羅斯

Vladimir Vapnik 在數學天才眾多的俄羅斯嶄露頭角，作為統計學博士的他提出了目前工程界應用最廣的機器學習方法SVM支援向量機。SVM的高效效能並且在神經網路無法取得較好效果的領域的優異表現，此外，支援向量機能夠利用所有的先驗知識做凸優化選擇，產生準確的理論和核模型。因此，它可以對不同的學科產生大的推動，產生非常高效的理論和實踐改善。這種特徵為它獲取了一大波的粉絲，為此機器學習社群還差點因此分道揚鑣，神經網路和SVM 鬧的沸沸揚揚。值得一提的是，Vapnik在2006年投身美國，在美國繼續自己的統計學事業。所以，不得不感嘆，美國依然是科技工作者的聖地。

Vladimir Vapnik

2006年  美國

前人的努力，終於在深度學習教父級人物Hinton的堅持下迎來了勝利的曙光。 Deep Learning 在這年由Hinton提出，他和他的學生在科學雜誌上發表了一篇深度學習的文章，闡述了兩個觀點： 1 深度學習更好的識別特徵，準確率更高，應用性更強。 2  逐層訓練，使深度學習的模型訓練難度降低，容易操作。從此， Deep Learning 在工業界和學術界激起有一股機器學習的狂潮。Hinton 本人的經歷也很值得回味，出生於英國的一個精英世家，大學退學做木匠，而後又重返學術界，在所有人拋棄神經網路的時代，就靠自己對神經網路的信念，支撐了二十年，就像飄落孤島的魯賓遜，直到命運的船隻最終選擇在他的孤島上靠岸。而且, Hinton 拒絕AI用於軍事，在發現大部分AI專案都由軍方資助之後，毅然決然的前往多倫多，不再接受由軍方資助的專案。 Hinton 後來註冊了兩個AI公司，被谷歌收購，在2012年時，谷歌大腦專案成功的在海量資訊中自動提取資料，自己學習到了貓的概念，從此震驚世人。

Hinton

2010-現在 全球

這是AI大爆發的時代：
 

2012年，Hinton的深度學信模型AlexNet在ImageNet大賽中奪冠，同年，吳恩達和Jeff Dean領導的深度神經網路把ImagNet的錯誤識別率從26% 降低到15%.

2014年，Facebook的DeepFace專案 將人臉識別率提高到97%，從此以後，AI開始超越人類的認知能力。

2016年3月15日，韓國首爾，李世石登上棋壇，與AlphaGo進行這場載入歷史對決的最終局，昨天他通過“神之一手”扳回一局，很可惜，今天他輸了。鬥士懷揣著掌聲與敬意黯然離場，然而不管是李世石本人，還是觀念被震動的普通人，他們或許不知道在昨天那個或難熬，或靜謐的夜晚裡，AlpahGo又和自己下了一百萬盤棋。

假想中的機器人

展望

遠瞻未來，或許人類將智慧轉移到AI之後，AI將重新定義智慧。 未來又是什麼樣？ 我們大膽前行，拭目以待~ 

如果你看到如此的歷史內心波濤澎湃，鬥志四起，歡迎關注我們的公眾號，我們一起探索發現，創造未來！