业界媒体TechRadar发表文章，称人工智能（AI）是目前科技界最热门的流行语，经过几十年的研究和发展之后，科幻小说中的许多技术已经在这几年慢慢转化为科学现实。这篇文章总结了AI领域的10大里程碑。以下为原文内容：
AI技术已经成为我们生活中非常重要的一部分：AI决定了我们的搜索结果，将我们的声音转化为计算机指令，甚至可以帮助我们对黄瓜进行分类（这件事后文中会提到）。在接下来的几年里，我们将用AI驾驶汽车，回应顾客的询问，以及处理其他无数事情。
但是我们怎么走到这个阶段的？这种强大的新技术是怎么来的？下面就来看看AI技术发展的十大里程碑。
笛卡尔的理念
人工智能的概念并不是突然出现的 ——直到今天，人工智能仍然是哲学辩论的一个主题：机器真的能像人类一样思考吗？机器能成为人类吗？最早想到这个问题的人之一是1637年的笛卡儿。在一本名为《方法论》（Discourse on the Method）的书中，笛卡儿竟然总结出了如今的科技人员必须克服的关键问题和挑战：
“如果为了各种实用性的目的，机器在外形上向人类靠拢，并模仿人类的行为，那么我们仍然应该有两种非常确定的方法来辨识出它们不是真人。”
笛卡尔表示，在他看来，机器永远无法使用言语，或者“把标识放在一起”来“向别人表达想法”，即使我们能够设想出这样的机器，但是“让一台机器对文字进行组合，对别人的话做出有意义的，即便水平和最愚笨的人差不多的回答，那也是不可想象的。”
他还提到了我们现在面临的一个挑战：创建一个广义的AI，而不是狭义的AI——以及当前AI的局限性会如何暴露它并非人类：
“即使有些机器可以在有些事情上可以做得和我们一样好，或者甚至更好，但是其他机器也不可避免地会失败，这就表明它们的行为并非来自于对事物理解，只是一种简单的回应。”
模仿游戏
AI的第二个主要的哲学基准来自计算机科学先驱图灵（Alan Turing）。在1950年时，他提出了“图灵测试”，他称之为“模仿游戏”。这个测试衡量的是，我们什么时候可以宣布智能机器出现了。
这个测试很简单：如果评判者不知道哪一方是人类，哪一方是机器（比如阅读两者之间的文本对话时），那么机器能否骗过评判者，让他以为自己是人类？
有趣的是，图灵对未来的计算做出了一个大胆的预测——他估计到20世纪末，机器就可以通过图灵测试。他说：
“我相信，在大约50年的时间内，人们就有可能用上1GB的存储容量的计算机，通过编程让它们玩模仿游戏，玩得足够逼真，以至于一般的评判者在经过5分钟的对话之后，做出正确的判定的可能性低于70％…… 我相信，到本世纪末，文字的使用和通识教育理念将会发生很大的变化，那时你谈论机器思维，通常不会引发抵触情绪。”
可惜的是，他的预测不太准确。我们现在确实开始看到一些真正让人眼前一亮的AI系统出现，但是在2000年代，AI技术还处在比较原始的阶段。不过硬盘容量在世纪之交时平均为10GB左右，这倒是远远超过了图灵的预测。
第一个神经网络的出现
神经网络其实是一种试错法，它是现代AI的关键概念。从本质上讲，当你训练一个AI系统时，最好的办法就是让系统猜测，接收反馈，然后在继续猜测——不断调整概率，以便让AI系统得出正确答案。
令人惊奇的是，第一个神经网络实际上是在1951年由马尔文·明斯基（Marvin Minsky）和迪恩·艾德蒙兹（Dean Edmonds）创建的，称为“SNARC” ，意思是随机神经模拟增强计算机。它不是由微芯片和晶体管，而是由真空管、电机和离合器制成的。
这台机器可以帮助一只虚拟老鼠解决迷宫难题。系统发送指令，让虚拟老鼠在迷宫里游走，每一次都将其行为的效果反馈到系统里——用真空管来存储结果。这意味着机器能够学习并调整概率，提高虚拟老鼠通过迷宫的机会。
本质上，谷歌当前用于识别照片中的对象的相同过程的非常非常简单的版本。
谷歌目前用来识别照片中的对象也使用了同样的过程，只不过远比它复杂。
第一辆自动驾驶汽车的出现
现在我们提到自动驾驶汽车的时候，可能会想到谷歌Waymo等等，但是令人吃惊的是，在1995年，梅赛德斯-奔驰就改装了一辆汽车，从慕尼黑开到哥本哈根，路上大部分时候都是自动驾驶的。
这段路程共1043英里，改装车上搭载了60个晶体电脑芯片，那是当时并行计算领域最先进的技术，让它可以快速处理大量驾驶数据，为自动驾驶汽车的响应度提供保证。
这辆车的时速达到了115英里，与当今的自动驾驶汽车相差无几，因为它可以超车并读取路标。
转向“基于统计”的方法
虽然神经网络作为一个概念出现已经有一段时间了，但是直到20世纪80年代后期，AI研究人员开始从“基于规则”的方法转向“基于统计”的方法 ，也就是机器学习。这意味着不要试图去根据人类行为的规则来让系统进行模仿，而是采取试错法，根据反馈来调整概率，这是教会机器思考的好方法。这一点非常重要，因为正是这个概念让如今的AI办到了一些令人惊讶的事情。
《福布斯》的吉尔·普利斯（Gil Press）认为，这一转变是从1988年开始的，当时IBM的TJ Watson研究中心发表了一篇名为《语言翻译的统计学方法》的论文，特别提到了如何使用机器学习来做语言翻译。
IBM用220万对法文和英文句子来训练这个系统 ——这些句子全部来自加拿大议会的双语记录。220万这个数字听起来很多，但是谷歌有整个互联网上可以利用——所以现在谷歌翻译的效果可以说相当不错了。
“深蓝”击败国际象棋冠军
尽管AI的侧重点已经转移到统计模型上，但基于规则的模型也仍然在使用—— 在1997年举办了一场国际象棋比赛中，IBM的计算机深蓝战胜了世界国际象棋冠军加里·卡斯帕罗夫，向人们展示了机器可以有多么强大。
这不是双方的第一场比赛，在1996年，卡斯帕罗夫曾以4-2击败深蓝。而到了1997年，机器就占了上风。
从一定程度上说，深蓝的智能有点虚假——IBM本身认为深蓝没有使用人工智能，因为它使用的是蛮力之法，每秒处理数千种走棋的可能性。 IBM为这个系统注入了数以千计之前比赛的数据，每次对手走棋之后，深蓝就会照搬以前象棋大师们在相同情况下的反应。正如IBM所说，深蓝只是在扮演之前象棋大师们的幽灵。
不管这算不算真正的AI，它都是一个重要的里程碑，让人们不仅开始关心计算机的计算能力，也对整个AI领域产生了兴趣。自从与卡斯帕罗夫对决以来，在游戏中打败人类玩家已经成为机器智能基准测试的主要方式 —— 2011年时，我们再次看到，IBM的“沃森”系统轻松地击败了两个人类对手，成为美国智力竞赛节目《危险边缘》的优胜者。
Siri 和自然语言处理
自然语言处理是AI领域的一大课题，要想像《星际迷航》（Star Trek）那样通过语音对设备发布命令，就需要有很强的自然语言处理能力。
所以，用统计方法创建的Siri令人眼前一亮。它由SRI International研发，甚至曾经在iOS应用程序商店中作为独立的app推出，很快，这家公司就被苹果公司收购，并深度整合在了iOS中。现在它和谷歌助手、微软小娜，以及亚马逊Alexa这些软件已经成为机器学习最引人瞩目的成果之一，改变了我们与设备互动的方式。
当然，我们如今似乎认为这种互动方式是理所当然的，但是任何曾经在2010年之前尝试过使用语音命令的人都知道，这个进步有多大。
图像识别
就像在语音识别上一样，AI也可以在图像识别领域大有作为。在2015年，研究人员首次得出结论：在1000多个类别中，谷歌和微软研发的两个深度学习系统识别图像的效果比人类更好。
图像识别可以应用在数不清的方面，谷歌在推广其TensorFlow机器学习平台时举一个有趣的例子，就是对黄瓜进行分类：通过使用计算机视觉，农民不需要雇用人员来决定黄瓜是否合适采摘了，而是让机器来自动做出决定，只要这些机器接受过早期数据的培训即可。
GPU让AI变得更便宜
AI现在如此引人瞩目，一个重要原因就是在过去的几年里，处理大量数据的成本已经变得没有那么高昂了。
据《财富》报道，研究人员直到21世纪末才意识到，为3D图形和游戏而开发的图形处理单元（GPU）在深度学习计算方面比传统的CPU强20到50倍。在那之后，人们可以利用的计算能力就大大增加了，如今的AI云平台可以为无数AI应用提供动力。
所以，要感激玩家。你的父母和配偶可能不会喜欢你花这么多时间来玩游戏 —— 但人工智能研究人员确实很感激你。
AlphaGo和AlphaGoZero征服世人
2016年3月，人工智能又达到了一座里程碑——谷歌的AlphaGo击败了围棋九段李世石。
从数学上说，围棋比国际象棋更加复杂，但这次胜利的重要之处在于，AlphaGo是用人类和AI对手组合进行训练的。据报道，谷歌使用了1920个CPU和280个GPU，在和李世石的五局比赛中赢得了四局。
而更新之后的版本AlphaGo Zero更加厉害，它不像AlphaGo和深蓝那样使用任何以前的数据来学习下棋，而是直接打了数以千场的比赛，经过三天这样的训练，它就能击败AlphaGo了。也就是说，这台机器拥有自学能力。
