AI世界（一）
自从chatGPT引领起来AI热潮后，AI逐渐的步入人们的眼帘。但不可否认的是，AI绝对是人类史上一场真正的生产力革命。并且AI的投入使用已经是世界发展的大势所趋。我认为，如果想要抓住接下来的时代机遇，对自己的未来负责，那么AI的学习是必要的。（本系列将围绕AI的历史由来，发展突破，未来发展前景来叙述）
AI的起点就是来自剑桥学霸，数学天才，计算机科学之父，人工智能领域奠基人，图灵。在当时有这样一个数学问题：是否所有的数学描述都是可判定的？比如1加1是不是等于二？12345是不是一个质数？第一个问题很简单，但第二个问题很复杂，质数就是只能被自己和1整除的数，得用每一个整数去除12345，看看它能不能被某个数除尽。这个工作量非常庞大，然而数学领域中有无数这样需要大量计算的描述。要解决数学判定问题非常的难。于是图灵构想了一种可以计算的机器，图灵机。在以前大家都觉得计算跟思考这种能力一样。而现在图灵发明了一个简单的模型，就把计算这个行为抽象概括出来了。
后来第二次世界大战爆发了，为了在战场上取得优势，有些军方的科研人员想要计算火炮射击表之类的东西，把图灵机的设想变成了现实，开发出了真正的计算机。再到后来，计算机体积越来越小巧。商业计算机也被发明出来，运算速度也越来越快。但再怎么快，它们的本质都是图灵机。你给它各种指令它来遵循。但是给图灵机编程麻烦的令人发指。
后面随着Java和C语言之类开发，编程变得逐渐简单，但高级的编程语言只是隐藏了很多细节，本质是没有变的。不管我们玩的3A大作，还是支付宝、微信，都是一系列指令。但这就是计算机发展史了。
说回人工智能，当时图灵提出图灵机设想时，香农（与图灵相同级别的大师级人物，他在1948年发布了一篇论文，通信的数学理论。信息论这个学科正由他的这篇论文开创。并且华为5G技术核心研究人员Arikan教授正是解决了香农遗留下来的问题才研发出了5G技术）十分感兴趣，两人就开始探讨，如果一个模型就能抽象出人类的计算能力，那么人类的思考能力能不能被某个模型抽象出来呢？如果可以，那么机械就可以拥有和人类一样的智能了。这就是人工智能的萌芽。
当然这个萌芽的成长非常艰难。在当时这个讨论很火热，但很多人都认为机器既不能思考也不能推理，这让图灵很生气，于是就有了有名的图灵测试。测试内容是：通过键盘，以文本形式和屏幕内的生物聊天，但事先你并不知道对方是人还是计算机程序。如果被问的确实是计算机程序，可你无法判断对方是人还是计算机。那么你就得承认这个程序拥有人类的智能。也就是说，图灵认为，纠结程序有没有自主意识不重要，只要能以假乱真就行了。
但是说，即使机器通过了图灵测试，也分为两种情况，第一种，程序还是没有理解对话，但是它可以假装理解对话，然后进行回复。我们所使用小爱同学、Siri 、chatGPT都属于此类。这种可以模拟出特定能力的被称为弱人工智能。第二种是，程序确实理解了对话，与人类的理解大致相同，这种具有人类理解力和意识的程序被称为强人工智能或者通用人工智能。但目前世界上还不存在这种东西。
到了1956年，人工智能的元年。一个叫麦卡锡的天才在达特茅斯举办了一个会议。列出了目标，他希望会议开完后，起码能解决一些问题。如何让机器学习，如何让计算机理解抽象概念等等。这次会议招揽了各个领域的顶级大牛来参加，都是在学术界很厉害的人物，比如艾伦纽厄尔、香农、马文明斯基、约翰那什，还有很多工业界、政府和军方代表。但是即便是这么厉害的会议在开完以后，发起者麦卡锡表示：“我为这次会议设定的目标完全不切实际。”大家越讨论越发现，想要让机器拥有智能，里面的问题就是个无底的天坑。牵扯出来的知识和理论越来越多，而且不同的理论之间还水火不容，所以这次会议什么都没讨论出来，会议唯一的成就就是提出了人工智能这个名字。再之后，人工智能就成为了新的学科。
接下来要谈的是整个人工智能学界解决问题的思路。首先人类有一个区别于其他动物的关键能力：解决抽象问题。虽然有些聪明的动物也可以做到，比如“乌鸦喝水”。但是人类这方面的能力在地球上是无敌的，因此科研人员们心想，是否只要构建一种能解决抽象问题的程序就能实现人工智能呢？于是大家开始让程序使用搜索技术。简单来说就是穷举法，让计算机列出每一种可能性。但这种方法很快就遇到了问题。程序就像中了月读一样不停重复，不断走已经失败的回头路，浪费时间。这就是第一个问题。第二个就是算力问题，比如下围棋，第一步每人有250种落棋子的可能，第二步有250的平方，62500种可能，第三步有1560万种状态，第四步是39亿种，而每局围棋要走200多步，算力有多困难可想而知。而且如果每一步都穷举数字，会比宇宙所有原子数目还要大几百个数量级了，这就是组合爆炸。这种需要奠定所有可能性才能找到最优解的问题都被称之为NP完全问题，都会面临组合爆炸。也就是说，要么这个问题存在通用的解，要么就无解。
但是说搜索法也没有完全废掉。不过当时有科学家觉得穷举法太荒谬了。举个例子，假设用导航软件去某个地方，导航会告诉我们直行300米左转进入某某路，直行五公里后抵达目的地。但如果我们找一个路人问路，他大概会这样说，往前面开能看到一条岔道，然后左转进去一直开，看到很大的那个建筑就是了。这个例子的意思是，计算机和人类对“精确”的定义是完全不同的。人类不会像计算机那样在脑中暴力搜索、穷举所有的可能性来找到最优解。人类总是在有限的时间中得出结论，即使这个结论并不精确。并不是说搜索的越多越精确，智能就越高，最好的证据就是我们讲人类都有智能，而计算机并没有智能。
于是之后科学家们又提出了启发式搜索。而现如今大部分在线地图应用都在使用启发式搜索技术。假设需要在一张地图上找到起点到终点的最短路径，启发式搜索可以用函数估算每个路径的好坏程度，根据估值选择最短的路径。但这也只是优化程序，有可能得到好的结果，也有可能得到坏的结果。这也就是为什么高德地图会变成缺德地图，出现带着我们到处绕的情况。启发式搜索还用在很多领域里面，比如在红警里，框住一堆小兵点击目的地，小兵们便用启发式搜索算法寻找最短路径。但是启发式搜索也并不能解决NP完全问题，而且当时的人们研究人工智能时发现，不管是让程序解决问题，玩游戏、计划、学习、推理，关键性的问题都是NP完全问题，这令科学界十分沮丧。更有甚者认为人工智能跟炼金术没什么区别。在当时，在学术界敢提人工智能，大家都会认为是骗子。人工智能研究也面临着严重的经费削减，迎来了寒冬。而且在投了这么多钱后，全都是些学术上的研究，而人们需要的是商用应用程序。在这种背景之下，专家系统诞生了，并引领了一股新的人工智能热潮。
专家系统是用来解决狭义领域的问题的。一般有一个知识库加一个推理引擎，原理也非常简单。举个例子，比如我们要设计一个动物分类的专家系统，就可以在他的知识库编写以下规则，如果该动物产奶，那么它是哺乳动物，如果该动物有羽毛，那么它是鸟类；如果该动物吃肉，那么他是肉食动物。编写完成以后，用户对专家系统提问就可以得到相应的答案了。于是后来社会上又涌现了一大堆专家系统，不过质量参差不齐，有些系统表现的很弱智。这是因为那些编写知识库的人本身就不是专家，而且也不可能把这个世界上所有领域的顶级专家都给找来去编知识库……
彻底让大家希望破灭的是莱纳特（Douglas Lenat）想编写一个终极的专家系统，就是什么知识都知道，能回答任何问题。他认为，通往人工智能没有捷径，任何强大的思维体都需要大量的知识，而要获得如此庞大的知识库，只能靠人类慢慢编写。于是他和同事从零开始编写知识库。这个项目被名为CYC项目，他们编写了很多普通的常识。如生命不可能永恒，在地球上悬在空中的物体会落地，动物不喜欢承受痛苦等等。这个项目的推力引擎会基于逻辑去回答问题。比如说他的知识库里有这些知识：“每棵树都是植物”；“植物最终都会死亡”；当你提问松树是否会死亡，推理引擎就会得出答案，因为松树是植物，所以会死……
但可惜的是这个项目最后还是失败了。原因有两个，第一，知识实在是太复杂了。举例来说，最基础的逻辑就是亚里士多德提出的三段论（一个包括有大前提、小前提和结论三个部分的论证）。比如鸟会飞，滋崩是一只鸟，所以可以得出，滋崩会飞。但是之后告诉你，滋崩其实是只企鹅，作为人类，我们可以很轻易的理解滋崩虽然是鸟，但它其实不会飞。但是程序是无法处理这样的问题的，它没法去撤销已经得出的答案。最终只能得出这种结论，滋崩会飞又不会飞。解决方法就是给鸟会飞这个知识增加更多的补丁。比如除了企鹅、鸵鸟等鸟之外的所有鸟都会飞，但是这么庞大的知识库竟然还有这么多补丁要打，那就根本没法靠人力来完成了。
第二，我们生活在一个矛盾的世界中，很多时候逻辑是解决不了问题的。举个最简单的例子，朋友烫了个新发型，很非主流，要如何评价呢？要知道逻辑是无法评价的。如果你选择诚实，就会告诉他这发型很丑，如果你选择善良，就会告诉他这发型很酷。其实生活中这种矛盾比比皆是。鸡蛋有营养，但会导致胆固醇升高，是否应该多吃鸡蛋得根据个人健康状况来判断。有人认为榴莲很香，有人认为榴莲奇臭无比。有人认为猫可爱，有人认为猫讨人嫌。我怎样才能一边睡觉一边健身？我怎么才能每天玩不工作但赚很多很多钱？再问下去，专家系统都要开始怀疑人类全是弱智了。种种局限之下，专家系统的繁荣很快就结束了。
不管是搜索算法还是专家系统，它们都属于符号主义学派。这一派的人主张知识可以被明确的表述为逻辑符号，而思维和智能就像处理符号的过程一样。所以他们希望用计算机程序对这些符号进行逻辑推理。但到了后期，因为处理不了NP完全问题，符号主义越来越没落。符号主义学派思考人类智慧问题的时候，只关注那些具象的东西，譬如推理、解决问题、下棋之类的活动。学派的人把一切都转化为逻辑推理，然后为了算计喋喋不休。他们认为知识和逻辑并不能使人工智能产生智慧，智慧是一种涌现性质，人工智能只能通过与现实世界互动来产生智慧。
接下来要提到人工智能另一派，行为主义学派。行为主义的起源要回到第二次世界大战。纳粹为了逼迫英国投降每天派轰炸机来英国转圈。有次直接派了两百二十五架轰炸机。英军为了防守发射了八千多枚高射炮弹，但只打下来两架。纳粹飞机就跟进自家院子一样轻松的把英国人炸麻了。但是让人去轰飞机本来就很难。首先是视野里看不到，就算看到了也瞄不准，瞄准了发射出去以后，由于飞机的速度很快，人家很快就溜了。后来美国贝尔实验室的工程师研制出了瞄准计算机，能通过雷达捕获敌机位置然后通过复杂的函数计算自动进行拦截。仅仅过了几年英国就给高射炮都配上了这种技术，纳粹轰炸机几乎来一个就死一个。所以德国又研发出了一种新武器，V1导弹。这样直接解放了飞行员。二战战场就是这样，为了减少损失，各国都开始研发自主武器。所以控制科学就开始崭露头角了。有个叫维纳的人把战争中发展出来的这些成果进行总结。出版了一本叫《控制论》的书。他可以看成行为主义学派的祖师爷。如果说符号主义在研究心智，那么行为主义就是在研究行为。
像扫地机器人，工业产品生产线会用的机械臂，以及包装行业、运输行业、军工行业、机器人行业，自动泊车等等技术能有今天的发展，都离不开行为主义学派的贡献，但这都是很简单的交互，一旦行为多起来，这系统就非常难设计。打造一个行为跟人类一样丰富的系统，会不会产生智能呢？这是无法证伪的事情，因为目前打造不出来这样的系统，需要的资金和时间都是无底洞……
