隨著AI技術的不斷發展，各種人工智能產品已經逐步進入了我們的生活。

現今，各種人工智能產品已經逐步進入了我們的生活｜Pixabay

19世紀，作為AI和計算機學科的鼻祖，數學家查爾斯·巴貝奇（Charles Babbage）與艾達·洛夫萊斯（Ada Lovelace）嘗試著用連桿、進位齒輪和打孔卡片制造人類最早的可編程數學計算機，來模擬人類的數理邏輯運算能力。

20世紀初期，隨著西班牙神經科學家拉蒙-卡哈爾（Ramón y Cajal ）使用高爾基染色法對大腦切片進行顯微觀察，人類終于清晰地意識到，我們幾乎全部思維活動的基礎，都是大腦中那些伸出細長神經纖維、彼此連接成一張巨大信息網絡的特殊神經細胞——神經元。

至此，盡管智能的具體運作方式還依然是個深不見底的迷宮，但搭建這個迷宮的磚瓦本身，對于人類來說已經不再神秘。

智能，是一種特殊的物質構造形式。

就像文字既可以用徽墨寫在宣紙上，也可以用鑿子刻在石碑上，智能，也未必需要拘泥于載體。隨著神經科學的啟迪和數學上的進步，20世紀的計算機科學先驅們意識到，巴貝奇和艾達試圖用機械去再現人類智能的思路，在原理上是完全可行的。因此，以艾倫·圖靈（Alan Turing）為代表的新一代學者開始思考，是否可以用二戰后新興的電子計算機作為載體，構建出“AI”呢？

圖靈在1950年的論文《計算機器與智能（Computing Machinery and Intelligence）》中，做了一個巧妙的“實驗”，用以說明怎樣檢驗“AI”。

英國數學家，計算機學家圖靈

這個“實驗”也就是后來所說的“圖靈測試（Turing test ）”：一名人類測試者將通過鍵盤和顯示屏這樣不會直接暴露身份的方式，同時與一名人類和一臺計算機進行“網聊”，當人類測試者中有七成都無法正確判斷交談的兩個“人”孰真孰假時，就認為這個計算機已經達到了“AI”的標準。

雖然，圖靈測試只是一個啟發性的思想實驗，而非可以具體執行的判斷方法，但他卻通過這個假設，闡明了“智能”判斷的模糊性與主觀性。而他的判斷手段，則與當時心理學界崛起的斯納金的“行為主義”不謀而合。簡而言之，基于唯物主義的一元論思維，圖靈和斯金納都認為，智能——甚至所有思維活動，都只是一套信息處理系統對外部刺激做出反應的運算模式。因此，對于其他旁觀者來說，只要兩套系統在面對同樣的輸入時都能夠輸出一樣的反饋，就可以認為他們是“同類”。

1956年，AI正式成為了一個科學上的概念，而后涌現了不少新的研究目標與方向。譬如說，就像人們在走迷宮遇到死胡同時會原路返回尋找新的路線類似，工程師為了使得AI達成某種目標，編寫出了一種可以進行回溯的算法，即“搜索式推理”。

而工程師為了能用人類語言與計算機進行“交流”，又構建出了“語義網”。由此第一個會說英語的聊天機器人ELIZA誕生了，不過ELIZA僅僅只能按照固定套路進行作答。

而在20世紀60年代后期，有學者指出AI應該簡化自己的模型，讓AI更好的學習一些基本原則。在這一思潮的影響下，AI開始了新一輪的發展，麻省理工學院開發了一種早期的自然語言理解計算機程序，名為SHRDLU。工程師對SHRDLU的程序積木世界進行了極大的簡化，里面所有物體和位置的集合可以用大約50個單詞進行描述。模型極簡化的成果，就是其內部語言組合數量少，程序基本能夠完全理解用戶的指令意義。在外部表現上，就是用戶可以與裝載了SHRDLU程序的電腦進行簡單的對話，并可以用語言指令查詢、移動程序中的虛擬積木。SHRDLU一度被認為是AI的成功范例，但當工程師試圖將這個系統用來處理現實生活中的一些問題時，卻慘遭滑鐵盧。

而這之后，AI的發展也與圖靈的想象有所不同。

現實中的AI發展，并未在模仿人類的“通用AI（也稱強AI）”上集中太多資源。相反，AI研究自正式誕生起，就專注于讓計算機通過“ML”來自我優化算法，最后形成可以高效率解決特定問題的“專家系統”。由于這些AI只會在限定好的狹窄領域中發揮作用，不具備、也不追求全面復雜的認知能力，因此也被稱為“弱AI”。

但是無論怎樣，這些可以高效率解決特定問題的AI，在解放勞動力，推動現代工廠、組織智能化管理上都起到了關鍵作用。而隨著大數據、云計算以及其他先進技術的發展，AI正在朝著更加多遠，更加開放的方向發展。隨著系統收集的數據量增加，人工智能算法的完善，以及相關芯片處理能力的提升，AI的應用也將逐漸從特定的碎片場景轉變為更加深度、更加多元的應用場景。

AI讓芯片的處理能力得以提升｜Pixabay

從小的方面來看，AI其實已經漸漸滲透進了我們生活的方方面面。譬如喊一聲就能回應你的智能語音系統，比如siri，小愛同學；再譬如在超市付款時使用的人臉識別；抑或穿梭在餐廳抑或酒店的智能送餐機器人，這些其實都是AI的應用實例。而從大的方面來看，AI在制造、交通、能源及互聯網行業的應用正在逐步加深，推動了數字經濟生態鏈的構建與發展。

雖然腦科學與AI之間仍然存在巨大的鴻溝，通用AI仍然像個科幻夢，但就像蕭伯納所說的那樣“科學始終是不公道的，若是它不提出十個問題，也永遠無法解決一個問題。”科學總是在曲折中前進，而我們只要保持在不斷探索中，雖無法預測是否能達到既定的目的地，但途中終歸會有收獲。