了解当今驱动AI的历史，人员和技术
> Photo by Lenin Estrada on Unsplash
一段时间以来，人工智能一直是一个非常热门的话题。在过去十年中的某个时候，我不确定确切的转折点是什么时候，科技界开始真正地模糊科幻小说与现实之间的界限。汽车学会了自我驾驶，机器人开始提供外卖食物，手表开始像詹姆斯邦德的玩具，虚拟家庭助理正准备回答我们可以梦想的任何问题。
至少可以说，人工智能的影响是迅速而庞大的，但是它是如何到达现在的呢？人工智能的最初目标是什么，哪些技术推动了人工智能的发展？是什么将人工智能从科幻小说中带入了我们的客厅？
早期
> "A Proposal For The Dartmouth Summer Research Project On Artificial Intelligence"
人工智能的历史可以追溯到比您想象的还要远的地方-一直到1950年代。1955年8月，约翰麦卡锡（达特茅斯），马文李明斯基（哈佛），纳撒尼尔罗切斯特（IBM）和克劳德艾尔伍德香农（贝尔电话实验室）完成了"达特茅斯关于人工智能的夏季研究项目的提案"。这个词，点燃了今天我们称为AI的第一个火花。
"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，解决现在人类所面临的各种问题以及提高自身水平的方法。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，则可以在一个或多个问题上取得重大进展。"
障碍
为了理解研究项目的设计，我们必须首先了解其设计要解决的问题以及其要实现的成就（与我一起承受我们需要一些背景知识才能进一步理解任何内容，但我将使之变得无痛 尽可能）。最初概述的与"人工智能问题"有关的要点如下：
自动电脑
如何将计算机编程为使用语言
神经元网
计算大小的理论
自我提升
抽象
随机性和创造力
我强烈建议阅读它们的简要摘要（可以在原始提案的第二页中找到），但是即使不阅读，其中的一些可能对您来说还是很熟悉的。在这里，在人工智能的首次讨论中，我们看到了神经元网络（现已与神经网络/深度学习相关），自我完善（当今机器学习领域的重要目标）和自动计算机（计算极限问题和我们的 工程师充分发挥其能力的能力）。
大脑
每个创始成员都带来了独特的专业知识，所有这些知识都可以针对上述特定问题。
克劳德香农（Claude Shannon）具有设计"学习机器"的背景，并且在使用图灵机理论方面拥有丰富的经验（如果您不熟悉该理论，我建议您简要阅读一下《斯坦福哲学百科全书》）。）。香农是解决该领域自我提升问题的理想人眩
> Claude Shannon Photograph by Alfred Eisenstaedt / The LIFE Picture Collection / Getty
马文李明斯基（Marvin Lee Minsky）已经撰写了普林斯顿大学的博士学位。关于神经网络的论文，题目为"神经网络与脑模型问题"。他已经建立了使用神经网络的学习机，可以专注于神经网络问题。
> Marvin Lee Minsky Photograph Credit to MIT Museum biographical file
纳撒尼尔罗切斯特（Nathaniel Rochester）和另一位IBM工程师被誉为创造了当时最流行的大型自动计算机之一，称为IBM Type701。这种知识以及他在构建技术上的经验使计算机能够执行人类操作。这些任务将使Rochester很好地解决自动计算机和对计算机进行编程以使用某种语言的问题。
> Nathaniel Rochester Photo Credit IBM History Archives
约翰麦卡锡（John McCarthy）的工作主要集中在数学及其与人类思维过程的关系方面。两者都使他对未来的障碍有一个全面的认识，并且对随机性和创造力的人工智能问题具有重要价值。
> John McCarthy Photograph by Chuck Painter
现在，我并不是说他们每个人都只解决列出的那些问题，实际上，您可以从他们的提案的第5页开始阅读，每个团队成员就他的专注和意图写的文章。相反，我发现他们的专业知识清楚地说明了为什么该团队准备处理如此复杂的问题。
今日的AI
正如我们之前所看到的，该初始建议中讨论的大部分内容都让人联想到当前围绕AI的对话。实际上，正是这些原始思想中的某些进步使Google，Amazon和Apple等公司得以构建自己的AI技术。
神经网络
在最基本的层次上，神经网络是一组算法-但这有点像说人脑是原子的集合。但是，算法是构建块，而这些算法组是在人脑上专门（松散地）建模的。
机器学习和深度学习
您可能听说过当今困扰互联网用户的众多隐私问题。我们都知道为什么公司要收集我们的数据-金钱。但是我的数据如何转换为美元和美分？一些公司出售数据以获取利润。但是，其他人会将所有这些数据（每次单击鼠标，观看每个视频，观看视频的时间长度，视频结束后我去哪儿等等）提供给这些算法。这些高度复杂，经过完美调整的算法可以消化所有这些模式，从而为用户行为创建惊人的准确预测。摄取和分析这些数据是我们如何获得有关接下来要观看的内容的建议，并最终花费了数小时和数小时。
如果这还不够复杂，那么深度学习就是机器学习的一个更复杂，更进化的版本。它涉及最复杂的神经网络，并且能够掌握最细微的行为模式。
超级计算机
> Image source: Wikipedia
如果您曾经听过MacBook Air在经过这些长时间的Netflix刺激后开始发出奇怪的声音并变热，那么您可能会问自己，这种计算在世界范围内是如何可能的。长期以来，事实并非如此。
上面是1995年的MacBook的图片。现在考虑一下您现在正在阅读的任何设备，并思考我们在我的一生中走了多远。这一壮举无非是令人敬畏的。现在想想自从麦卡锡，明斯基，罗切斯特和香农在达特茅斯度过夏天以来我们走了多远。野生。
这些计算能力的进步对于AI的成功至关重要。它需要强大的计算能力才能运行人工智能所需的机器学习算法。有些人没有意识到这一点，但是计算能力是技术局限性的重要来源。例如，现代密码指南和加密仅是安全的，因为我们还没有能够对它们进行暴力破解的计算机。当然，这需要数十亿年的时间，但这是基于当今的计算能力。随着计算机变得越来越强大，该时间线越来越短。
大数据
以上所有内容实际上归结为一件事：数据。现有的用户数据数量之大令人难以置信，是人工智能在火箭飞船中的燃料。是的，如果没有神经网络，机器学习和能够同时运行两者的计算机，数据将相对无用。
但是数据确实是机器从中学习的东西。一台机器获得的越多，它就越智能-它的知识越丰富，其预测就越准确。当我们想到AI时，无论想到的是与Google Home聊天还是在看到有关您今天上午正在考虑的事情的广告时变得无所适从，我们想到的一切都是基于分析如此庞大的数据集而产生的， 猜猜如何与您成功互动。下次您不知道如何回应Siri时，也许您会比她好一些。
未来
我不会假装知道AI的未来会是什么样。我要说的是，我们才刚刚开始看到它对我们世界的影响，而如果Google错误地提出了我的Spotify请求，虽然风险微不足道，但当我们开始谈论医疗建议，财务处理，教学时，情况就完全不同了 ， 和更多。此外，争夺更多数据隐私的斗争正在全力以赴，不断涌入的数据对于进一步发展至关重要。随着算法和计算机的发展，他们将能够事半功倍。但是，他们仍然需要燃料。
(本文翻译自Bryn Bennett的文章《The Fundamental Theories Behind Artificial Intelligence》，参考：
https://medium.com/better-programming/the-fundamental-theories-behind-artificial-intelligence-b1fa9d75c552)
