定义人工智能

　　奇怪的是，人工智能缺乏一个精确的、被普遍接受的定义，这或许有助于该领域的加速成长、繁荣以及前进。虽然人工智能的从业者、研究人员和开发人员由一种粗略的方向感和一个“与它相处”的命令所引导，人工智能的定义仍然很重要，而 Nils J. Nilsson 就提供了一个有用的定义：“人工智能就是致力于让机器变得智能的活动，而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。”

　　从这个角度来看，对人工智能的表征取决于个人愿意“适当地”并“有远见地”为功能性提供合成软件和硬件的信用。一个简单的电子计算器比人类大脑进行的计算要快得多，而且几乎从来不出错。

　　电子计算器智能吗？像 Nilsson 一样，研究小组以一种宽泛的视角来看待此问题，认为智力取决于一个多维频谱。根据这一观点，算术计算器和人脑之间的区别不是某一类，而是规模、速度、自主性和通用性的区别。

　　同样的因素可以用来评估智能的其他各例——智能语音识别软件、动物大脑、汽车巡航控制系统、围棋程序、自动调温器——并将它们放置在频谱中的适当位置。虽然我们的宽泛解释把计算器列在了智能频谱中，但是如此简单的设备与今天的人工智能相比几乎没有相似之处。

　　从这个角度看，对人工智能的表征取决于个人愿意“适当地”并“有远见地”为功能提供合成软件和硬件的信用。一个简单的电子计算器比人脑计算快得多而且几乎从不出错。

　　人工智能的边界已经远远走在前面，而计算器可以实现的功能只是当下的智能手机的百万分之一。目前人工智能开发人员正在改进、推广和扩大从当下的智能手机中所建立起来的智能。事实上人工智能领域是一个不断努力推动机器智能向前发展的过程。

　　具有讽刺意味的是，人工智能正在遭受失去话语权的长期灾难，最终不可避免地会被拉到边界内，即一个被称为“人工智能效应（AI effect）”或“奇怪悖论（odd paradox）”的重复模式——人工智能将一种新技术带到了普通大众中去，人们习惯了这种技术，它便不再被认为是人工智能，然后更新的技术出现了。

　　同样的模式将在未来继续下去。人工智能并没有“交付”一个惊雷般改变生活的产品。相反人工智能技术以一个连续的、进步的方式正在继续更好的发展。

　　人类尺度

　　值得注意的是，作为频谱的智能表征并不授予人类大脑以特殊地位。但到目前为止，即使人类拥有着“推理、实现目标、理解和生成语言、感知和响应感官输入、证明数学定理、玩具有挑战性的游戏、合成和总结信息、创造艺术和音乐甚至撰写历史”的能力，人类智力在纯粹的多功能性上与生物的和人工的世界并不相匹配。

　　这使得人类智能成为检测人工智能进步的一个自然选择。它甚至可能是作为一个经验法则被提出来，认为计算机能够执行的、以及人们曾经实现了的任何活动，都应该算作智力的一个实例。但是对于任何人类能力的匹配只是一个充分条件而非必要条件。至少在速度上，已经存在许多超越人类智力的系统，比如对机场成千上万的航班进行每日往返行程的调度。

　　对人工智能在国际象棋游戏中打败人类玩家的长期探索以及最终的成功为人类和机器智能之间的比较提供了一个高知名度的实例。人们已经被国际象棋吸引了数百年。

当建立计算机的可能性即将来临时，被许多人认为是计算机科学之父的 阿兰图灵“提到了以国际象棋作为范例来展示智力的计算机概念。”没有对强大的计算机的访问，“图灵玩了一个模拟计算机的游戏，他每走一步棋大约花半个小时。”

　　但只是在六十和七十年代，由来自卡耐基-梅隆大学、斯坦福、麻省理工学院、莫斯科的理论和实验物理研究所以及西北大学的小组所贡献的一长串改进之后，国际象棋游戏程序开始取得成果。终极推动是来自 IBM 的一个长期项目，Deep Blue 程序于 1997 年以 3.5-2.5 的成绩打败了国际象棋冠军 Garry Kasparov。

　　奇怪的是，在人工智能赶上了它的难以捉摸的目标之后没多久，Deep Blue 被描绘成一个“蛮力方法（brute force methods）”集合，而不是“真正的智能（real intelligence）。”事实上，IBM 关于 Deep Blue 的后续出版物提供了有关其搜索和评价程序的丰富内容，完全没有提及“智能的（intelligent）”一词！Deep Blue 是否智能？又一次，边界移动了。

　　一个可操作的定义

　　人工智能也可由其研究人员的工作来定义。本报告主要将人工智能视为通过合成智能以研究智能特性的计算机科学的一个分支。虽然人工智能的出现是依靠着硬件计算资源的快速发展，但是这里对于软件的关注反映出人工智能界的一个趋势。尽管，最近在为基于神经网络计算建立定制硬件上取得的进展已经促进了人工智能硬件和软件之间的严格耦合。

　　“智能（intelligence）”仍然是一个复杂现象，其不同方面已经吸引了几个不同研究领域的注意，包括心理学、经济学、神经科学、生物学、工程学、统计学和语言学。人工智能领域自然是得益于所有这些相关领域的进步。比如人工神经网络，如今已成为若干基于人工智能的解决方案的中心，它最初是受生物神经元中有关信息流的思想所启发。

　　人工智能研究趋势

　　直到本世纪初，人工智能的吸引点主要在于它所传递的承诺，但在过去的十五年里，大多这样的承诺已经得到兑现。人工智能技术已经充斥了我们的生活。当它们成为了社会的一股中心力量时，该领域正在从仅仅建立智能系统，转向了建立有人类意识的、值得信赖的智能系统。

　　几个因素加速了人工智能革命。其中最重要的是机器学习的成熟，部分由云计算资源和广泛普及的、基于 Web 的数据收集所支持。机器学习已经被“深度学习（deep learning）”急剧地向前推进了，后者是一种利用被称作反向传播的方法所训练的适应性人工神经网络的一种形式。

　　信息处理算法的这种性能飞跃一直伴随着用于基本操作的硬件技术的显著进步，比如感觉、感知和目标识别。数据驱动型产品的新平台和新市场，以及发现新产品和新市场的经济激励机制，也都促进了人工智能驱动型技术的问世。

　　所有这些趋势都推动着下文中所描述的“热门”研究领域。这种编辑只是想要通过某个或另一个度量标准来反映目前比其他领域得到更大关注的领域。它们不一定比其他领域更重要或更有价值。事实上目前的一些“热门”领域在过去几年中并不怎么流行，而其他领域可能在未来会以类似的方式重新出现。