作者 | 王健宗 瞿曉陽

來源 | 大數據DT

01 人工智能發展歷程

圖1是人工智能發展情況概覽。人工智能的發展經歷了很長時間的歷史積淀，早在1950年，阿蘭·圖靈就提出了圖靈測試機，大意是將人和機器放在一個小黑屋里與屋外的人對話，如果屋外的人分不清對話者是人類還是機器，那么這臺機器就擁有像人一樣的智能。

▲圖1 人工智能起源及發展

隨后，在1956年的達特茅斯會議上，“人工智能”的概念被首次提出。在之后的十余年內，人工智能迎來了發展史上的第一個小高峰，研究者們瘋狂涌入，取得了一批矚目的成就，比如1959年，第一臺工業機器人誕生；1964年，首臺聊天機器人也誕生了。

但是，由于當時計算能力的嚴重不足，在20世紀70年代，人工智能迎來了第一個寒冬。早期的人工智能大多是通過固定指令來執行特定的問題，并不具備真正的學習和思考能力，問題一旦變復雜，人工智能程序就不堪重負，變得不智能了。

雖然有人趁機否定人工智能的發展和價值，但是研究學者們并沒有因此停下前進的腳步，終于在1980年，卡內基梅隆大學設計出了第一套專家系統——XCON。該專家系統具有一套強大的知識庫和推理能力，可以模擬人類專家來解決特定領域問題。

從這時起，機器學習開始興起，各種專家系統開始被人們廣泛應用。不幸的是，隨著專家系統的應用領域越來越廣，問題也逐漸暴露出來。專家系統應用有限，且經常在常識性問題上出錯，因此人工智能迎來了第二個寒冬。

1997年，IBM公司的“深藍”計算機戰勝了國際象棋世界冠軍卡斯帕羅夫，成為人工智能史上的一個重要里程碑。之后，人工智能開始了平穩向上的發展。

2006年，李飛飛教授意識到了專家學者在研究算法的過程中忽視了“數據”的重要性，于是開始帶頭構建大型圖像數據集—ImageNet，圖像識別大賽由此拉開帷幕。

同年，由于人工神經網絡的不斷發展，“深度學習”的概念被提出，之后，深度神經網絡和卷積神經網絡開始不斷映入人們的眼簾。深度學習的發展又一次掀起人工智能的研究狂潮，這一次狂潮至今仍在持續。

圖2列出了人工智能發展史上的一些重要事件。從誕生以來，機器學習經歷了長足發展，現在已經被應用于極為廣泛的領域，包括數據挖掘、計算機視覺、自然語言處理、生物特征識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲、藝術創作和機器人等，以及我們特別關注的機器學習和深度學習未來發展的一大趨勢——自動化機器學習和深度學習（AutoML及AutoDL）。

▲圖2 人工智能發展重大事件

02 下一代人工智能

我們首先通過圖3來回顧一下人工智能的發展歷程。

▲圖3 人工智能發展歷程

到目前為止，人工智能按照總體向上的發展歷程，可以大致分為4個發展階段，分別為精耕細作的誕生期、急功近利的產業期、集腋成裘的爆發期，以及現在逐漸用AutoML來自動產生神經網絡的未來發展期。

早期由于受到計算機算力的限制，機器學習處于慢速發展階段，人們更注重于將邏輯推理能力和人類總結的知識賦予計算機。但隨著計算機硬件的發展，尤其是GPU在機器學習中的應用，計算機可以從海量的數據中學習各種數據特征，從而很好地完成人類分配給它的各種基本任務。

此時，深度學習開始在語音、圖像等領域大獲成功，各種深度學習網絡層出不窮，完成相關任務的準確率也不斷提升。同時，深度學習神經網絡朝著深度更深、結構更加巧妙復雜的方向推進，GPU的研發與應用也隨著神經網絡對算力要求的不斷提高而持續快速向前推進。圖4展示了近年來主要神經網絡的發展。

▲圖4 主要深度神經網絡的發展

2012年，AlexNet為了充分利用多個GPU的算力，創新性地將深度神經網絡設計成兩部分，使網絡可以在兩個GPU上進行訓練。

2013年，ZFNet又進一步解決了Feature Map可視化的問題，將深度神經網絡的理解推進了一大步。2014年，VGGNet通過進一步增加網絡的深度而獲得了更高的準確率；同年，GoogLeNet的發明引入了重復模塊Inception Model，使得準確率進一步提升。

而2015年ResNet將重復模塊的思想更深層次地發展，從而獲得了超越人類水平的分辨能力。這時，由于深度神經網絡層數的不斷加深，需要訓練的參數過于龐大，為了在不犧牲精度的同時減少需要訓練的參數個數，2017年DenceNet應運而生。

隨著深度神經網絡的不斷發展，各種模型和新穎模塊的不斷發明利用，人們逐漸意識到開發一種新的神經網絡結構越來越費時費力，為什么不讓機器自己在不斷的學習過程中創造出新的神經網絡呢？

出于這個構思，2017年Google推出了AutoML——一個能自主設計深度神經網絡的AI網絡，緊接著在2018年1月發布第一個產品，并將它作為云服務開放出來，稱為Cloud AutoML。

自此，人工智能又有了更進一步的發展，人們開始探索如何利用已有的機器學習知識和神經網絡框架來讓人工智能自主搭建適合業務場景的網絡，人工智能的另一扇大門被打開。