人工智慧發展史：第一次熱潮和第二次熱潮，螺旋式向前發展

【東音社按】本文摘自日經BP的《完全讀懂AI應用最前線》，經東方出版社授權釋出。人工智慧的歷史是“熱潮”與“低谷”交替出現的歷史。發展熱潮中充滿了無限的期望，但是事與願違，它迅速走向了衰敗。熱潮與低谷的發展史，為人工智慧的實用化提供了積極性的參考。

本文，我們將講述人工智慧第1次熱潮和低谷以及第2次熱潮初始階段的歷史。

一、初級階段：聊天機器人

1956年的達特茅斯會議上，“人工智慧”一詞登上了歷史的舞臺。之後，各種人工智慧程式陸續登場，人工智慧迎來了第1次發展熱潮。在這個時期，人工智慧軟體“Eliza（伊莉莎）”引起了很大的反響。Eliza，是最早的與人對話程式，從1964年開始，由德國科學家約瑟夫魏澤堡主持編寫。當時，使用了專門的編目處理語言“SLIP”進行程式開發，之後的程式開發則是由LISP主導進行的。

Eliza有各種各樣的對話例子，其中最著名的例子就是模仿心理醫生的心理輔導。被測試者都認為與自己對話的是心理醫生，絲毫沒有懷疑網路對面的是一臺機器。

Eliza透過模式匹配與概念詞典技術模仿與人對話的程式。它就是之後被稱為“聊天機器人（chatterbot）”程式的原型。聊天機器人，雖然是可以模仿人類對話的程式，但是卻沒有融入人工智慧的技術，只是表面上看起來像是雙方的對話是成立的。從這種並無才能的角度出發，它也經常被稱為“人工無能”。聊天機器人多是利用簡單的詞彙識別和概念詞典程式設計的。

當然，也有人主張“像Eliza這樣的聊天機器人（人工無能）並不是人工智慧”。它既沒有對智慧進行定義，也沒有依據智慧進行推理，因此至少不能稱之為研究並模仿人的智慧的“強人工智慧”。另外，聊天機器人是利用簡單的模式匹配和概念詞典程式設計的，它的行動模式是能夠被人推斷出來的，它看起來就像以if句式區別意思的決定論式的程式。

但是，以Eliza為代表的聊天機器人（人工無能），讓世人開始瞭解人工智慧，並促進了自然語言處理的迅猛發展，這也體現了它們的巨大貢獻。我們至少可以稱它們為初級階段的人工智慧。

二、第一次熱潮：弱人工智慧階段

在人工智慧發展的第1次熱潮裡，有一個需要介紹的程式，那就是透過符號處理獲得更加嚴密的計算結果的“計算機代數系統”。比起簡單的數值計算程式，該系統可以得到更加嚴密的計算結果。

“Macsyma”，是人工智慧發展初期的具有代表性的計算機代數系統之一，該程式能夠處理多項式以及不定積分。

Macsyma是在1968年以William A。 Martin為首的科學家研發的一套系統，是以LISP語言編寫，並融入了啟發法的問題解決方法。啟發法，是透過探索最接近最優解的近似最優解的方法來得出問題的答案，而不是搜尋所有可能的答案，從而得出最優解。

另外，“Reduce”也是該時期具有代表性的計算機代數系統，是由Anthony C。 Hearn於20世紀60年代開發編寫的。現在，已經開放原始碼，研發活動仍在進行中。Reduce程式利用LISP編寫，可以處理不定積分。

Macsyma問世之後，計算機代數系統取得了很大的發展，美國沃爾夫勒姆研究的“Mathematica”、日本莎益博工程系統的“Maple”等都是之後研發出來的系統。

如前所述，Macsyma和Reduce都是利用LISP編寫的，因此我們也可以說LISP作為人工智慧的組合語言發揮了巨大作用。反過來也可以說，計算機代數系統就像一個LISP的巨大的應用程式，LISP處理系統需要將這些程式成功運轉起來。

其公式處理方法用的是啟發法，完全不同於只是基於if句式的決定論式的程式。它至少可以稱得上是一個模仿專家思考行為的“弱人工智慧”。

繼聊天機器人和計算機代數系統之後，在人工智慧發展的第一次熱潮期間誕生的還有專家系統這套程式。

專家系統，正如其名，它是一套將人類專家的知識和經驗變成資料形式，然後透過資料進行推理的系統。初期的專家系統中比較有名的是“Mycin”系統，它是由以美國科學家Edward Shortliife為首的團隊在1970年初期研發的。Mycin系統是透過與患者進行人機對話的形式來診斷病情，也是利用LISP來編寫的。它擁有500多條規則，可以進行較為簡單的推理。

它的特點是，匯入了被稱為“確信度”的係數這一概念來判斷診斷的準確度。但是也有人主張，匯入這一概念容易給推理過程造成一定的干擾。

專家系統，不僅在第1次人工智慧熱潮中得到發展，在第2次人工智慧熱潮中也繼續流行。

三、人工智慧的瓶頸初現端倪

在第1次人工智慧發展熱潮中誕生的各種人工智慧程式，只是進行簡單推理的程式較多，在發展過程中，瓶頸也就逐漸地顯現出來了。

早在第1次發展熱潮之前，馬文明斯基和西摩爾派普特著手的人工神經網路研究就指出了人工智慧發展可能出現的瓶頸問題。具體來說，由輸入系統和輸出系統組成的簡單感知器，作為人工神經網路的一種形式，無法解決“不可分的問題”。

在這裡我們不做詳細說明，但是線性不可分問題的確在很多地方都存在，它也顯示出只是匯入了簡單感知器的人工智慧的弊端，這也導致了世人對人工神經網路的期待急速地降低。

最近流行的多層人工神經網路（深度學習模型），隨著學習運演算法則的不斷進化，線性不可分的問題也逐漸被解決。這一點我們將在後面的篇章裡做詳細解釋。

四、經歷“低谷時代”，進入第2次發展熱潮

人工智慧發展的第1次熱潮，從1956年一直持續到70年代前期。這一時期研發的專家系統等人工智慧系統，因受到計算機處理效能的制約，只能處理一定數量的規則，並且是在特定的領域、特定的環境下才能夠發揮作用。

人們在對人工智慧充滿期待的同時，對研發出來的缺乏實用性的系統也充滿了失望，因此，國家以及企業在人工智慧方面的預算也越來越少。這一時期，也就是20世紀70年代後期被稱為人工智慧發展的“ 第1次低谷”。

但是，進入20世紀80年代後，人工智慧很快再次迎來了新的發展熱潮。

本次發展熱潮的主角是在第1次發展熱潮時誕生的專家系統。因處理美國迪吉多公司（DEC）的VAX系統的各種訂單並取得非常成功的專家系統受到廣泛關注，各IT供應商迅速匯入專家系統。

人工智慧發展迎來第2次熱潮，最大的一個原因在於計算機效能的大幅提高。進入20世紀80年代，基於複雜規則的專家系統也可以在計算機上執行。由此，逐漸實現了專家系統的商業性使用。

隨著專家系統的興盛，制定專家系統執行規則的工程師也被稱為“知識工程師”，並且一時間成為炙手可熱的職業，就像在今天，資料科學家這個職業相當流行，受到人們的追捧。

知識工程師的主要工作是聽取使用者的業務內容並對其進行分析，從中抽出明顯的規則與隱藏的規則，然後進行分類。

當時，科學家們研發出了各種專家系統。初期的各種專用專家系統大都是利用LISP程式設計，隨著技術的革新，慢慢地發生了變化，通用的引擎部分依然利用LISP程式設計，規則部分則是知識工程師利用外部資料進行程式設計。並且，用LISP程式設計的引擎部分，利用C語言進行程式設計的開發研究也已經展開了。

專家系統的程式設計由專用LISP語言向普通的C語言過渡，該系統也變成了一般的程式設計師編寫的一般系統，其新意也就逐漸淡化了。

由此，專家系統也就從人工智慧程式變成了決定論式的普通程式。隨著這一變化，專家系統的作用效果也變得非常明確，但是其發展瓶頸也開始顯現出來。

五、人工神經網路的發展

在人工智慧發展的第2次熱潮中，人工神經網路也發生了很大的變化。第1次發展熱潮時，馬文明斯基等就已經指出，僅憑簡單的人工神經網路還有很多無法解決的問題。為了解決這一大難題，多層化的人工神經網路開始受到關注。但是，如何實現多層人工神經網路的自我學習，還沒有一個固定的模式。

之後，被稱為反向傳播（Backpropagation）的演算法問世，打破了這種僵局的持續。反向傳播是人工神經網路的一種自我學習演算法，基於這種演算法，多層人工神經網路的機器學習實現了定式化。該演算法透過在輸入層和輸出層之間設定一箇中間層（隱藏層），以反向傳播的方式實現機器的自我學習。

基於反向傳播的形式逐漸形成固定的模式，人工神經網路的發展也進入了興盛期。線性不可分的問題也開始得到解決，人工智慧也實現了進一步的發展。

在人工智慧的第2次發展熱潮時，筆者有幸參與了作為人工智慧機的LISP專用機的研發工作。LISP專用機，也就是一種被稱為“AI工作站”的新型計算機。當時，各企業都爭相研發各種人工智慧專用機，一時間，形成了一股熱潮。

人工智慧專用機誕生之初的價格大約在1000萬日元，之後價格急速下降，使得人工智慧專用機在一定程度上得到了普及。在人工智慧專用機上執行的程式就有專家系統。可以在人工智慧專用機上直接編寫專家系統，也可以先編寫通用的專家系統，然後再將各種規則編入系統中。