2015年3月，隨著Google Deepmind開發的AlphaGo程式打敗了韓國職業圍棋高手李世石（Lee Se-dol），媒體在通稿中開始普遍使用“AI”“機器學習”和“深度學習”這樣的字眼，“AI”也迅速成為人們茶餘飯後的熱門話題，AI技術相關的企業如雨後春筍般迅速崛起，至今依然是投資市場上十分風靡的版塊。然而，AI的歷史卻遠比AlphaGo悠久得多。通常，一項新技術的出現都會經歷“Gartner曲線”（技術成熟度曲線），經歷促動期、峰值期、泡沫期、穩步爬升期、實質生產期，然而AI的發展歷程卻頗具戲劇化，經歷了“三起兩落”。

      早在1956年的達特茅斯會議（Dartmouth Conference）上，約翰·麥卡錫（John McCarthy）、馬文·閔斯基（Marvin Minsky，人工智慧與認知學專家）、克勞德·夏農（Claude Shannon，資訊理論的創始人）、艾倫·紐厄爾（Allen Newell，電腦科學家）、赫伯特·西蒙（Herbert Simon，諾貝爾經濟學獎得主）等科學家聚在一起，討論著一個完全不食人間煙火的主題：用機器來模仿人類學習以及其他方面的智慧，目的是讓逐漸成熟的計算機能夠代替人類解決一些感知、認知乃至決策的問題

      人工智慧最初採用的方法是專家編制規則，教機器人認字、語音識別，但是人們沒能很好地總結提煉出人類視聽功能中的規律，因此在機器學習的轉化上效果並不好，結果事與願違，人工智慧也在殘酷的現實中走向下坡。

      由於，人為指導這條路行不通，人們開始另闢蹊徑，把目光投向了基於大量資料的統計學方法。於是，人工智慧在人臉識別等一些較簡單的問題上取得了重大進展，在語音識別上也實現了基本可用。人工智慧初見成效，這是第二“起”。

      然而，基於大資料的統計學方法很快遇到了瓶頸，因為單純依靠資料積累並不能無限地提高準確率。從“基本可用”到“實用”之間出現了一道難以逾越的鴻溝，十幾年都沒能跨過。人工智慧再次沒落。

      直到2006年，加拿大多倫多大學的計算機系教授傑弗瑞·辛頓（Geoffrey Hinton）在《科學》上發表一篇關於深度學習的文章，人們又重新看到了人工智慧的希望。隨著GPU（圖形處理器）的廣泛使用，計算機的並行處理速度大幅加快、成本更低、功能更強大，實際儲存容量無限拓展，可以生成大規模的資料，包括圖片、文字和地圖資料資訊等，人工智慧迎來了新的生機，於是，AlphaGo的勝利順理成章。

      然而，AlphaGo實際上只是人工智慧界的一個小學生，仍然屬於“弱人工智慧”（Narrow AI）。它可以像人類一樣完成某項具體任務，也有可能比人類做得更好。但它並不是真正擁有智慧，也不會有自主的意識。例如Pinterest利用人工智慧給圖片分類，Facebook利用人工智慧進行面部識別等。麥卡錫在達特茅斯會議上提出的AI，一般指的就是“弱人工智慧”。與“弱人工智慧”相對的，是“強人工智慧”（General AI），指的是機器擁有像人類一樣的感知能力，甚至還可以超越人類的感知，它可以像人類一樣思考，就像電影中的終結者。當機器智慧超越人腦智慧的那一刻，也就實現了機器智慧與人腦智慧的融合，美國未來學家雷蒙德·庫茲韋爾（Raymond Kurzweil）稱之為“奇點”（Singularity），時空中的物理規律將不再適用。不過，就目前為止，科學家普遍達成的共識是，我們僅僅實現了弱人工智慧的一小部分。

• 接下來的文章裡面會介紹些“機器學習”、“深度學習”、“有監督機器學習”和“無監督機器學習”相關的內容。