Module 02 人工智能的历史

1. 人工智能历史概述

1.1 随堂测验

第一台 可编程计算机 是哪一年制造的？

A. 87 BCE

B. 1642

C. 1805

D. 1837

E. 1943

F. 1951

答案：E

A. 公元前 87 年，安提基特拉机械，用于预测天文学位置。

B. 1642 年，帕斯卡计算器，滚轮式加法器。

C. 1805 年，雅卡尔织布机，简化了织锦、织锦缎和绗缝等复杂图案的纺织品的生产过程，首次引入了自动化的概念。

D. 1837 年，分析机，英国数学家查尔斯·巴贝奇设计的一种机械式通用计算机。

E. 1943 年，巨人计算机，英国密码分析师在1943 年至1945 年间为帮助破译洛仑兹密码机而设计的一组计算机，被认为是世界上首台可编程的电子数字计算机。

F. 1951 年，CSIRAC 计算机，是澳大利亚第一台数字计算机，也是世界上第五台存储程序计算机。

1.2 时间线

2. AI 的诞生（1952 - 1955）

2.1 达特茅斯会议（1956）

“我们建议 1956 年夏季在新罕布什尔州汉诺威的达特茅斯学院进行一项为期 2 个月、包含 10 人的人工智能研究。这项研究是基于这样的猜想进行的：理论上可以精确地描述学习的每个方面或智力的任何其他特征，从而可以制造出机器来对其进行仿真。将会尝试找到如何使机器使用语言，形成抽象和概念，解决现在人类专有的各种问题并改善自身的方法。我们认为，如果一个精心挑选的科学家团队在一个夏天共同研究这个问题，则可以在这些问题中的一个或多个方面取得重大进展。”

—— 达特茅斯暑期学校关于人工智能的建议

(注意：这里的 10 个人都是来自中产阶级的白人男性)

2.2 达特茅斯会议成果

人工智能的分治模型：

感知
规划
学习
自然语言理解

3. AI 的黄金时代（1956 - 1974）

3.1 推理作为搜索

人类首次思考如何解决一般性问题：给定一个搜索算法，我们可以解决很多问题。

摇晃机器人（Shakey the robot）和 A* 算法 - Hart, Nillson, and Raphael (1968)

斯坦福研究所问题解决者 (STRIPS) - Fikes and Nilsson (1971)

Initial state: At(A), Level(low), BoxAt(C), BananasAt(B) 
Goal state: Have(bananas)

Actions:
    // move from X to Y
    _Move(X, Y)_ 
    Preconditions: At(X), Level(low) 
    Postconditions: not At(X), At(Y)

    // climb up on the box 
    _ClimbUp(Location)_ 
    Preconditions: At(Location), BoxAt(Location), Level(low) 
    Postconditions: Level(high), not Level(low)

    // climb down from the box 
    _ClimbDown(Location)_ 
    Preconditions: At(Location), BoxAt(Location), Level(high) 
    Postconditions: Level(low), not Level(high)

    // move monkey and box from X to Y 
    _MoveBox(X, Y)_ 
    Preconditions: At(X), BoxAt(X), Level(low) 
    Postconditions: BoxAt(Y), not BoxAt(X), At(Y), not At(X)

    // take the bananas 
    _TakeBananas(Location)_ 
    Preconditions: At(Location), BananasAt(Location), Level(high) 
    Postconditions: Have(bananas)

3.2 感知器和神经网络

单层感知器 - Rosenblatt (1958)

“ [海军] 期望的电子计算机的雏形将能够行走、交谈、看见、书写、复制自身并意识到其存在。”

—— 纽约时报对感知器的评论（1958）

(注意：这些研究者全部来自白人男性)

4. 第一次 AI 寒冬（1974 - 1980）

结果没有达到宣传的效果！为什么？：

可扩展性 (Scalability)：一旦放弃简化的假设，在玩具问题上容易解决的问题就无法扩展。
常识 (Commonsense knowledge)：人们使用很多常识进行推理，而事实证明这些常识无法通过手动进行编码。
感知器的局限性 (Perceptron limitations:)：Minsky 和 Papert 证明了单层感知器的主要局限性。
Moravec 悖论 (Moravec’s paradox)：“使计算机在智力测验或玩棋子上表现出成年人水平的性能相对容易，而在感知和移动性方面很难或不可能赋予他们一岁的孩子的技能。”

—— Hans Moravec （1988）

结果，缺乏进展意味着：

资金枯竭，参见英格兰的《Lighthill 报告》
对人工智能的兴趣减弱
来自哲学家和认知科学家的许多批评

5. 知识时代（1980 - 1987）

5.1 基于知识的系统

Prolog – Colmerauer and Roussel (1972)

mother_child(trude, sally). 
father_child(tom, sally). 
father_child(tom, erica). 
father_child(mike, tom).

sibling(X, Y) :- parent_child(Z, X), 
                 parent_child(Z, Y).

parent_child(X, Y) :- father_child(X, Y). 
parent_child(X, Y) :- mother_child(X, Y).

?- sibling(sally, erica). 
Yes

形式本体（Formal ontologies）

(注意：这两项研究的作者都是男性)

5.2 专家系统

用于诊断血液疾病的 MYCIN 专家系统 – Shortcliffe, Buchanan Cohen (1970)

(注意：研究者全部来自男性)

6. 第二次 AI 寒冬

结果又没有达到宣传效果！为什么？：

可扩展性 (Scalability)：事实证明，编码玩具问题的知识很难解决更复杂和更大的问题。
维护 (Maintenance)：维护知识库需要持续的专家互动和知识工程 —— 成本很高。
资格问题 (The qualification problem)：无法对动作生效的所有必要前提进行编码：

“如果船是划艇，则成功地使用船穿越河流需要桨和划船钩存在且不间断，并且彼此相配。可以添加许多其他条件，从而制定规则以使用划艇几乎是不可能的，并且任何人仍然可以想到尚未说明的其他要求。”

—— McCarthy (1980)

结果，缺乏进展意味着：

资金枯竭，DARPA 宣布 AI “不是下一波风口”
对人工智能的兴趣减弱
人工智能公司破产（商业浪潮结束）

尽管与第一次 AI 寒冬不同，但两次 AI 寒冬之间也有一些显而易见的的相似之处：过多的炒作导致人们寄予厚望，而这些期望并未得到满足，从而改变了人们对 AI 的看法。

7. AI 复兴（1994 - 现在）

7.1 智能代理和决策理论

贝叶斯网络 - Pearl (1988)

(注意：研究者为男性)

7.2 计算能力

摩尔定律应用于英特尔处理器

7.3 互联网与大数据

从 2010 到 2020，全世界的数据量增加了 50 倍。目前，全世界 90% 的数据都是在过去 2 年内产生的。

7.4 机器学习

深度神经网络中的反向传播 - Rumelhart, Hinton, and Williams (1986)

(注意：三名研究者均为男性)

8. 第三次 AI 寒冬？

8.1 阿玛拉定律

阿玛拉定律 (Amara’s Law)：对于某项技术，我们往往倾向于高估其短期影响，而低估其长期影响。

“到 2035 年，人类的思想没有理由也没有办法跟上人工智能机器的步伐。”

—— Gray Scott (2017)

“到 2017 年，我们将在道路上配备全自动驾驶汽车。”

—— Elon Musk (2014)

“人工智能将在 2029 年左右达到人类水平。进一步到 2045 年，我们将把智能——我们文明的人类生物机器智能——增加十亿倍。”

—— Ray Kurzweil (1999)

“在三到八年内，我们将拥有一台具有普通人一般智慧的机器。”

—— Marvin Minsky (1970)

“机器将在二十年内完成一个男人所能做的任何工作。”

—— Herbert Simon (1956)

8.2 有哪些可能的风险？

“到目前为止，人工智能最大的危险在于人们得出结论太早，他们无法理解。”

—— Eliezer Yudkowsky

“人们担心计算机会变得太聪明而无法掌控整个世界，但真正的问题是它们还在太愚蠢的时候就已经掌控了整个世界。”

—— Pedro Domingos

9. 人工智能历史和代表

9.1 AI/CS 的代表人物

之前我们介绍的人工智能领域的诸多成果均来自白人男性群体，下面我们将介绍一些 AI 领域中来自其他群体的代表性人物：

Ada Lovelace (1815 - 1852)

英国数学家兼作家，代表作是她为查尔斯·巴贝奇的分析机（机械式通用计算机）所写的作品。她是第一位主张计算机不只可以用来算数的人，也发表了第一段分析机算法。因此，Ada 被公认为史上第一位意识到计算机完全潜力的人，也是史上最早的程序员之一。
Alan Turing (1912 - 1954)

英国数学家、计算机科学家、逻辑学家、密码分析家、哲学家和理论生物学家。图灵对理论计算机科学的发展具有重要影响，图灵机提供了算法和计算概念的形式化，可以认为是一台通用计算机的一个模型。图灵被广泛认为是理论计算机科学和人工智能之父。

图灵是著名的男同性恋者，并因为其性倾向而遭到当时的英国政府迫害，职业生涯尽毁，并最终自杀。2009年9月10日，一份超过 3 万人的请愿签名，使英国首相戈登·布朗在《每日电讯报》撰文，因为英国政府当年以同性恋相关罪名起诉图灵并定罪，让他自杀身亡，正式向艾伦·图灵公开道歉。2013年12月24日，英国司法部宣布英国女王伊丽莎白二世赦免1952年因同性恋行为被定罪的艾伦·图灵。2017年1月31日，艾伦·图灵法案生效，约49,000位因同性恋定罪者被赦免。
Grace Hopper (1906 - 1992)

美国计算机科学家和美国海军少将。作为哈佛 Mark I 计算机的第一批程序员之一，她是计算机编程的先驱，她发明了最早的链接器之一。Hopper 是第一个提出与机器无关的编程语言理论的人，她使用该理论创建的 FLOW-MATIC 编程语言后来被扩展为 COBOL，这是一种至今仍在使用的早期高级编程语言。
Fei Fei Li (1976 - 至今)

斯坦福大学计算机科学教授、美国工程院院士、美国国家医学院院士、美国文理科学院院士。目前任职于斯坦福大学人工智能实验室(SAIL)、斯坦福视觉实验室、丰田汽车-斯坦福人工智能研究中心负责人，ImageNet 的首席科学家和首席研究员。她的研究领域为计算机视觉、机器学习、深度学习、认知神经科学等。
Timnit Gebru (1983 - 至今)

计算机科学家，从事算法偏见和数据挖掘。她是技术多样性的倡导者，也是 Black in AI 的联合创始人，这是一个从事人工智能工作的黑人研究人员社区。

9.2 当今人工智能社区的代表性不足

Computer Science Communities: Who is Speaking, and Who is Listening to the Women? Using an Ethics of Care to Promote Diverse Voices (Links to an external site.) Marc Cheong, Kobi Leins, Simon Coghlan. In Fairness, Accountability, and Transparency (FaccT 2021), 2021.

由我们的三位学科协调员（Marc、Kobi 和 Simon）撰写的这篇优秀文章着眼于计算机科学的近期历史，并研究了（缺乏）性别多样性领域，突出了由此产生的一些关键问题。它提出了关怀伦理 的应用，以帮助促进该领域不同声音的多样性。但关怀伦理不仅仅是关于性别多样性。它可用于促进来自任何边缘化社区的声音：性别、种族背景、文化背景、性取向、残疾等。

目前人工智能各领域的不同性别的研究人员比例

9.3 代表性不足的影响

AI 感应算法的种族偏见

AI/CS 缺乏多样性意味着缺乏：

公平 (Fairness)
隐私 (Privacy)
可及性和包容性 (Accessibility and inclusion)
安全 (Safety)
透明度 (Transparency)
功能性 (Functionality)
…

设计决策、数据、态度等都受我们个人、团队和社会的影响。

历史（影响）人工智能 = 文化和社会的历史

9.4 多样性

团队多样性：

多样性是：性别、文化、种族、性取向、残疾、家庭状况、阶级、教育。
多样性促进了不同观点。
多样性使我们对事物的质疑更多。

输入多样性：

”走出大楼“ （给予不同群体更多关注）

多样性不仅对灵魂有益：对企业也有好处。

9.5 人工智能的历史：总结

历史：

达特茅斯会议标志着人工智能的 “诞生”
大肆宣传的期望未得到满足导致了人工智能寒冬
人工智能时代
- 黄金时代
- 知识时代
- 复兴时代
我们还会有另一个人工智能冬天/秋天吗？

历史和代表：

人工智能主要是由男性和西方文化驱动的
对非男性、非西方文化的巨大贡献，但还不够
文化（以及历史）影响设计决策
多样性
- 多元化团队
- 多样化的输入

10. 推荐阅读

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。欢迎转载，并请注明来自：YEY 的博客同时保持文章内容的完整和以上声明信息！

人工智能伦理 02：人工智能的历史

墨尔本大学 COMP90087 课程笔记