随着当前围绕人工智能（AI）的热议，人们很容易认为这是最近的一项创新。事实上，人工智能已经以这样或那样的形式存在了70多年。要了解当前一代的人工智能工具及其可能的发展方向，了解我们是如何走到这一步的是很有帮助的
每一代人工智能工具都可以被视为对以前工具的改进，但没有一种工具朝着意识的方向发展
数学家和计算先驱Alan Turing在1950年发表了一篇文章，开篇一句：“我建议考虑‘机器能思考吗？’”。他接着提出了一种叫做模仿游戏的东西，现在通常被称为图灵测试，在这种测试中，如果机器在盲聊中无法与人类区分，那么它就被认为是智能的
五年后，达特茅斯夏季人工智能研究项目的提案中首次公开使用了“人工智能”一词
从早期开始，人工智能的一个分支，即专家系统，从20世纪60年代开始发展。这些系统旨在获取专门领域的人类专业知识。它们使用了知识的明确表示，因此是所谓的符号人工智能的一个例子。
早期有许多广为人知的成功，包括识别有机分子、诊断血液感染和勘探矿物的系统。最引人注目的例子之一是一个名为R1的系统，据报道，1982年，该系统通过设计其小型计算机系统的有效配置，每年为数字设备公司节省2500万美元
专家系统的主要好处是，原则上，没有任何编码专业知识的学科专家可以建立和维护计算机的知识库。然后，一个被称为推理机的软件组件将这些知识应用于解决主题领域内的新问题，并通过一系列证据提供一种解释形式
这些在20世纪80年代风靡一时，各组织叫嚣着要建立自己的专家系统，如今它们仍然是人工智能的有用组成部分
进入机器学习
人脑包含约1000亿个神经细胞或神经元，通过树突（分支）结构相互连接。因此，当专家系统旨在对人类知识进行建模时，一个被称为连接主义的独立领域也在出现，该领域旨在以更字面的方式对人类大脑进行建模。1943年，两位名叫Warren McCulloch和Walter Pitts的研究人员为神经元建立了一个数学模型，每个神经元都会根据其输入产生二进制输出
Bernard Widrow和Ted Hoff于1960年开发了连接神经元的最早计算机实现之一。这样的发展很有趣，但在1986年开发出一种称为多层感知器（MLP）的软件模型的学习算法之前，它们的实际用途有限
MLP通常由三层或四层简单的模拟神经元组成，其中每层都与下一层完全互连。MLP的学习算法是一个突破。它实现了第一个实用工具，可以从一组示例（训练数据）中学习，然后进行归纳，从而可以对以前看不见的输入数据（测试数据）进行分类
它通过在神经元之间的连接上附加数字权重并调整它们以获得训练数据的最佳分类来实现这一壮举，然后再部署到对以前看不见的例子进行分类
MLP可以处理广泛的实际应用，前提是数据以其可以使用的格式呈现。一个经典的例子是手写字符的识别，但前提是图像经过预处理以找出关键特征
较新的人工智能模型
随着MLP的成功，许多替代形式的神经网络开始出现。一个重要的是1998年的卷积神经网络（CNN），它类似于MLP，除了它的额外神经元层用于识别图像的关键特征，从而消除了预处理的需要
MLP和CNN都是判别模型，这意味着他们可以做出决定，通常对他们的输入进行分类，以产生解释、诊断、预测或建议。与此同时，其他具有生成性的神经网络模型正在开发中，这意味着它们可以在经过大量先前例子的训练后创造出新的东西
生成神经网络可以生成文本、图像或音乐，也可以生成新的序列来帮助科学发现
生成神经网络的两个模型脱颖而出：生成对抗性网络和变换器网络。GANs之所以能取得良好的效果，是因为它们在一定程度上是“对抗性的”，这可以被认为是一种内在的批评者，要求从“生成性”组件中提高质量
Transformer网络通过GPT4（Generative Pre-trained Transformer 4）及其基于文本的版本ChatGPT等模型而崭露头角。这些大型语言模型（LLM）是在来自互联网的巨大数据集上进行训练的。人类的反馈通过所谓的强化学习进一步提高了他们的表现
除了产生令人印象深刻的生成能力外，庞大的训练集意味着这些网络不再像以前那样局限于专门的狭窄领域，而是现在被推广到涵盖任何主题
人工智能将走向何方
LLM的能力导致了人工智能接管世界的可怕预测。在我看来，这种危言耸听是没有道理的。尽管目前的模型显然比以前的模型更强大，但其轨迹仍然坚定地朝着更大的容量、可靠性和准确性发展，而不是朝着任何形式的意识发展
正如迈克尔·伍尔德里奇教授在2017年向英国议会上议院提交的证据中所说，“好莱坞的意识机器之梦并没有迫在眉睫，事实上，我看不出有什么路可以走”。七年后，他的评估仍然成立
人工智能有许多积极而令人兴奋的潜在应用，但纵观历史，机器学习并不是唯一的工具。象征性人工智能仍然发挥着作用，因为它可以将已知的事实、理解和人类视角纳入其中
例如，可以向无人驾驶汽车提供道路规则，而不是通过举例来学习。可以对照医学知识来检查医学诊断系统，以提供对来自机器学习系统的输出的验证和解释
社会知识可以用于过滤攻击性或有偏见的输出。未来是光明的，它将涉及一系列人工智能技术的使用，包括一些已经存在多年的技术
本文根据知识共享许可从The Conversation重新发布。阅读原文
想要了解更多关于脑机接口技术的内容，请关注脑机网，我们将定期发布最新的研究成果和应用案例，让您第一时间了解脑机接口技术的最新进展。
