摘要
近年来，以深度学习为核心的人工智能技术，取得了一系列重大突破.本文将就人工智能的产业化热潮，主要研究流派及发展历史，以深度学习为核心的成功应用，以及存在的一些问题和今后的可能研究方向做一个介绍.
关键词人工智能；深度学习；神经网络
中图分类号TP18
文献标志码A
0引言
从1956年达特茅斯会议首次定义“人工智能”（Artificial Intelligence，AI）开始，AI研究已经历了几次历史浮沉.在一次又一次的高潮和低谷的交替中，不可否认，AI无论是在理论还是在实践上都取得了扎实的进步，人类对于智能的理解进一步加深.尤其是近期以深度学习（Deep Learning，DL）为代表的AI技术取得了突破性的进展，从而在全世界范围内又掀起了一个AI研究热潮.与以往不同的是，这次的研究热潮同时伴随着AI商业化浪潮，实验室成果很快就进入工业界，甚至工业界在这股热潮中也站在了学术研究的前沿，这在以往的技术发展史上是非常罕见的.
2015年7月，人工智能被写入《国务院关于积极推进“互联网+”行动的指导意见》；2016年3月，人工智能一词被写入“十三五”规划纲要；2016年5月，国家发展改革委员会等四部门联合下发《“互联网+”人工智能三年行动实施方案》；李克强总理的政府工作报告中也提到了人工智能产业发展；中国科学技术部“科技创新2030—重大项目”近期或将新增“人工智能20”，人工智能将进一步上升为国家战略.这充分可以看出我国对AI的重视程度.2017年，中国工程院院刊信息与电子工程学部分刊《信息与电子工程前沿（英文）》出版了“Artificial Intelligence 20”专题，潘云鹤等多位院士及专家学者对AI20所涉及的大数据智能、群体智能、跨媒体智能、混合增强智能和自主智能等进行了深度阐述.
面对人工智能热潮，我们该如何理解，看待其进步？又如何了解其功能和限制？已经有不少书籍[1]和论文[2]讨论了上述问题，本文将从人工智能的产业化浪潮、学术流派和研究方法，以深度神经网络为主的AI发展历史、近期成果和存在問题等诸多方面对人工智能做一个的介绍，希望能对读者了解AI有所帮助.
注1达特茅斯会议上定义的人工智能是指用计算机模拟人的逻辑思维，实际上这个定义比较适合基于符号逻辑的演绎系统（符号学派），如专家系统等.但人类还有归纳总结能力（联结学派）.严格来讲，这不包括在狭义的人工智能当中，所以神经网络、模糊逻辑和遗传算法等结合另立了“计算智能”.为了便于表述，我们文中采用了广义上的人工智能，这个概念和“机器智能”[1]一致，包含了一切机器具有的智能.
1人工智能商业化浪潮
20世纪末，当以神经网络为主流的AI研究又一次跌入低谷的时候，加拿大多伦多大学的Hinton教授等还是坚守阵地，辛勤耕耘，并在2006年获得了突破[34].2012年他和两位学生成立“深度神经网络研究”（DNN Research）公司，数个月后被Google收购，从此Hinton教授身兼多伦多大学教授和Google研究者的双重身份.Google随后斥资4亿美元收购人工智能初创的前沿人工智能企业DeepMind.另外，Google还收购了乌克兰面部识别技术开发商Viewdle.
紧随Hinton教授的步伐，纽约大学Yann LeCun教授，2013 年底被聘请为Facebook人工智能研究院的总管；斯坦福大学吴恩达（Andrew Ng）教授，2014年被百度聘任为首席科学家负责“百度大脑”的计划（2017年已经辞职）；斯坦福大学李飞飞教授（FeiFei Li）成为谷歌云计算部门的负责人之一.这些现象一方面说明人工智能现在受工业界的欢迎程度，同时也说明了人工智能目前的发展趋势是学术研究和企业开发的快速深度结合.
为了迎合AI的发展热潮，大量的开源学习平台不断问世，贾扬清的Caffe、Google的TensorFlow、Facebook的FBLearner Flow、Tesla领衔的OpenAI以及百度深度机器学习开源平台等，都为AI的研究和产业开发起到了巨大的推动作用.当然还有很多其他工业巨头的产品，例如IBM的沃森系统、微软的同声翻译等.
科技发展，人才为本.AI也不例外，企业对于AI人才的抢夺更是趋于白热化.目前AI领域，尤其是深度学习领域面临缺乏专家的困境.由于这个领域刚刚开始发展，所以专家，即使是博士毕业生都特别少.吴恩达教授曾总结深度学习领域人才匮乏的几个原因：首先是数据，获取解决某些领域的问题的数据常常非常困难；其次是计算基础和架构工具，包括计算机硬件和软件，入门不易；最后是这个领域的工程师培养时间长.为了解决上述问题，工业界的科技巨头，如Google、Facebook、Twitter、百度等纷纷通过收购深度学习领域的初创公司来招揽人才.其中最为典型的是Google，它通过不断收购深度学习领域的公司，抢到一批世界一流专家.总而言之，人工智能产业的发展，使得其相关领域的人才成为稀缺之宝，这对该领域的研究人员来讲，既是机遇，也是挑战.
2人工智能的主要研究学派
人类的智能主要包括归纳总结和逻辑演绎两大类.我们大量的感知处理，如视听觉、身体感知处理等都是下意识的，属于归纳总结智能.而数学推导、逻辑推理等都是基于公理系统的符号演绎方法.由于在发展过程中，对于智能的理解的不同，渐渐形成了几个经典学派.每个学派从不同的角度看待问题，提出解决方案.比如最为主要的两个学派：符号学派和联结学派，前者从哲学、逻辑学和心理学出发，将学习视为逆向演绎，使用预先存在的知识来解决问题，大多数专家系统使用符号学派的方法；后者专注于通过神经元之间的连接来推导表示知识，该学派聚焦于物理学和神经科学，并相信大脑的逆向工程，他们用反向传播算法来训练人工神经网络以获取结果[5].其他学派，如进化学派在遗传学和进化生物学的基础上得出结论，贝叶斯学派注重统计学和概率推理，类推学派更多是关注心理学和数学优化来推断相似性判断.