今年绝对是人工智能最火热的一年。除了年初AlphaGo和李世石的对弈成为今年的年度大事之外，2016年9月28日下午，从美国传来了AI人工智能界最重磅的消息，Google、Facebook、Amazon、IBM以及Microsoft正式宣布成立一个名为AI合作组织（PartnershiponAI）的非盈利性组织。人工智能不仅仅公众领域备受关注，在医疗健康领域也成为热点。美国癌症治疗排名靠前的十几家医院都在运行IBMWatson，并在今年8月正式进入中国。与此同时，近年来美国、英国、以色列和中国等地不断涌现医疗健康领域的人工智能初创公司，融资额和项目数量均呈上升趋势，且在多个细分方向取得了较大的进展。
人工智能和医疗的结合，在业务模式、效率、准确度上所带来的显著变化让人们对这项“新”技术关注倍增。实际上，人工智能诞生至今已有60年，而且早在40多年前就已经参与到诊疗中。本文将为你展现人工智能从诞生至今的八个重要阶段和重要事件，重温那段历史。
第一阶段：上世纪50年代，人工智能概念萌芽
1946年2月14日，第一台电子计算机ENIAC在美国诞生（另一说法是阿塔纳索夫贝瑞计算机，ENIAC为第二台）。ENIAC的全称是电子数字积分计算机，最初是作为辅助炮兵计算炮弹轨迹的工具，在盟军登陆西欧前一年开始制造，但直到1945年停火时还没完成。在冷战初期，军方发现了ENIAC的大量其他用途，比如它的17468根真空管被用来测试氢弹的早期设计的可行性。
在这段时间里，科学家们试图弄清楚机器是否具有真正的智能，如何区别有意识的人类和无意识的机器。虽然计算机为人工智能的研究提供了必要的技术基础，但是50年代早期人们才注意到人类智能和机器之间的联系。诺伯特维纳是一位美国著名数学家，控制论的创始人，是最早研究反馈理论的科学家。最熟悉的反馈控制的例子是自动调温器，它将收集到的房间温度与希望的温度比较，并做出反应将加热器开大或关小，从而控制环境温度。这项对反馈回路的研究重要性在于：维纳从理论上指出，一个通信系统总是根据人们的需要传输各种不同的思想内容的信息，一个自动控制系统必须根据周围环境的变化，自己调整自己的运动，具有一定的灵活性和适应性。所有的智能活动都是反馈机制的结果，而反馈机制是有可能用机器模拟的。这项发现对早期AI的发展影响很大。
1950年，图灵发表了一篇题为“机器能思考吗”的划时代的论文，试图去定义什么是机器的智能。文中预言了未来创造出具有真正智能的机器的可能性，并提出了著名的图灵测试：如果一台机器能够与人类展开对话（通过电传设备），只要有30%的人类测试者在分钟内无法辨别出其机器身份，那么就称这台机器具有智能。
1955年，纽厄尔和司马贺（卡内基梅隆大学计算机系创立者）编制了一个名为逻辑专家的程序，这个程序被认为是人工智能应用的开端，是第一个AI程序。他把每个问题都总结为一个树形模型，然后通过一些算法，选择最有可能是最终答案的那个树枝来回答问题。逻辑专家的出现是AI研究领域的一个重要里程碑。
第二阶段：1956年，人工智能正式诞生
2006年达特茅斯会议当事人重聚，左起：摩尔、麦卡锡、明斯基、塞弗里奇、所罗门诺夫。
普遍认为，人工智能的概念第一次真正被提出来，是在1956年的达特茅斯会议上。被誉为人工智能之父的达特茅斯学院数学系教授约翰麦卡锡组织了一次为期一个月的学会，邀请了对机器智能感兴趣的专家，包括哈佛大学的明斯基，IBM公司的罗切斯特，贝尔电话实验室的香农，维纳的学生塞弗里奇(模式识别的奠基人)，以及纽厄尔和司马贺。这次会议的召开其实并不成功，但是在会议上首次提出了人工智能的概念，并对自动化计算机如何模拟人脑的高级功能、如何具有语言能力、如何搭建神经元网络、如何计算规模理论、如何自我提升等作出研究。在这次会议上，集中了人工智能领域的创立者，奠定了人工智能领域的研究基础。
此后，大批科学家开始研究人工智能，卡内基梅隆大学、麻省理工大学、IBM开始组建人工智能研究中心，并出现了一批显著的成果。这段时间的重要工作包括通用搜索方法、自然语言处理及机器人处理积木问题等，主要是方法和算法的研究，离实用相差甚远，但是整个行业的乐观情绪让人工智能获得了不少的投资。
这段时间的重要成果包括机器定理证明、跳棋程序、通用解题机、LISP表处理器语言等。通用解题机是由编写逻辑专家程序的同一小组人员开发的，扩展了维纳提出的反馈原理，可以解决很多常识问题。
跳棋程序由IBM科学家亚瑟塞缪尔开发。该程序能够通过观察当前位置，并学习一个隐含的模型，从而为后续动作提供更好的指导。塞缪尔发现，伴随着该游戏程序运行时间的增加，可以实现越来越好的后续指导。4年后，这个程序战胜了塞缪尔本人；又过了3年，战胜了美国一个保持8年不败的冠军。通过这个程序，塞缪尔驳倒了普罗维登斯提出的机器无法超越人类，像人类一样写代码和学习的观点。他创造了“机器学习”，并将它定义为“可以提供计算机能力而无需显式编程的研究领域”。
而LISP表处理器语言是由人工智能之父的约翰麦卡锡开发，被誉为最适合人工智能的语言一直沿用至今。在人工智能学科成立之后，必然有两个重要的问题要去解决，一是怎么表示这个世界，二是计算机如何基于这个世界的知识得到智能。人工智能的研究和普通编程不一样，输入的数据格式多样，有图片，有数学题，有谜题等等，也就是我们经常说到的非结构数据，都需要先通过“知识表示”，表达成计算机能够处理的数据格式。这个数据格式，就是链表，这种语言就是LISP。
第三阶段：60年代后期，人工智能第一次走向低谷
60年代后期到70年代末，机器学习的发展步伐几乎停止，人工智能第一次走向低谷。计算机性能的瓶颈、计算机复杂性的增长以及可供学习的知识不足，计算机找不到足够的数据库去支撑算法的训练，智能也无从谈起。学者们要求机器对这个世界具有儿童水平的认识，但很快发现这个要求太高了：1970年没人能够做出如此巨大的数据库，也没人知道一个程序怎样才能学到如此丰富的信息。很多项目的停滞也影响了资助资金的走向，人工智能进入了长达数年之久的低谷。
第四阶段：80年代，专家系统带领人工智能崛起
70年代，人们发现人工智能不光要研究解法，还得引入知识。于是专家系统出现了，使人工智能的研究出现新的高潮。专家系统可以预测在一定条件下某种解的概率，由于当时计算机已有巨大容量，专家系统有可能从数据中得出规律。1972年，一款用于传染性血液诊断和处方的专家系统MYCIN研发成功，这个系统是后来专家系统研究的基础。DENDRAL化学质谱分析系统、PROSPECTIOR探矿系统、Hearsay-Ⅱ语音理解系统等专家系统的研究和开发，将人工智能引向了实用化。
进入80年代后，人工智能的发展更为迅速，并进入了很多商用领域。1986年，美国和人工智能相关的软硬件销售达到了4.25亿美元。诸多大公司引入了专家系统，譬如数字电器公司用XCON专家系统为VAX大型机编程，杜邦、通用汽车和波音公司也进入了专家系统。
第五阶段：90年代初，人工智能的第二次危机
20世纪90年代之前，大部分人工智能项目都是靠政府机构的资助资金在研究室里支撑，经费的走向直接影响着人工智能的发展。80年代中期，苹果和IBM的台式机性能已经超过了运用专家系统的通用型计算机，专家系统的风光随之褪去，人工智能研究再次遭遇经费危机。1987年之后，虽然研究还在继续，但是人工智能已经很少被提及了。
第六阶段：90年代后期，人工智能强势崛起，IBM深蓝被世人所知
90年代后期，PC普及潮使其从学院走入家庭，互联网技术的发展为人工智能的研究带来了新的机遇，人们从单个智能主题研究转向基于网络环境的分布式人工智能研究。
专家系统之后，机器学习成为了人工智能的焦点，其目的是让机器具备自动学习的能力，通过算法使得机器从大量历史数据中学习规律并对新的样本作出判断识别或预测。另外，由于Hopfield多层神经网络模型的提出，使人工神经网络研究与应用出现了欣欣向荣的景象。在这一阶段，IBM无疑是AI领域的领袖，1996年深蓝（基于穷举搜索树）战胜了国际象棋世界冠军卡斯帕罗夫成为人工智能发展的标志性事件，世人了解人工智能，大多是通过深蓝。
第七阶段：21世纪初，深度学习带来人工智能的春天
机器学习发展分为两个部分，浅层学习（ShallowLearning）和深度学习（DeepLearning）。浅层学习起源上世纪20年代人工神经网络的反向传播算法（Back-propagation），使得基于统计的机器学习算法大行其道，虽然这时候的人工神经网络算法也被称为多层感知机（MultiplelayerPerception），但由于多层网络训练困难，通常都是只有一层隐含层的浅层模型。
深度学习带来了机器学习的第二次浪潮。其实，深度学习并不是新生事物，它是传统神经网络（NeuralNetwork）的发展。神经网络研究领域的领军者Hinton在2006年提出了神经网络深度学习算法，使神经网络的能力大大提高，向支持向量机发出挑战。Hinton和他的学生Salakhutdinov在顶尖学术刊物《Scince》上发表了一篇文章，开启了深度学习的篇章。这篇文章有两个主要观点：第一，多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；第二，深度神经网络在训练上的难度，可以通过“逐层初始化”（layer-wisepre-training）来有效克服，在这篇文章中，逐层初始化是通过无监督学习实现的。
深度学习的概念源于人工神经网络的研究。神经网络和深度学习两者之间有相同的地方，采用了相似的分层结构，而不一样的地方在于深度学习采用了不同的训练机制，具备强大的表达能力。传统神经网络曾经是机器学习领域很火的方向，后来由于参数难于调整和训练速度慢等问题淡出了人们的视野。之后，深度神经网络模型成为了人工智能领域的重要前沿阵地，深度学习算法模型也经历了一个快速迭代的周期，DeepBeliefNetwork、SparseCoding、RecursiveNeuralNetwork,ConvolutionalNeuralNetwork等各种新的算法模型被不断提出，而其中卷积神经网络（ConvolutionalNeuralNetwork，CNN）更是成为图像识别最炙手可热的算法模型。
深度学习被《麻省理工学院技术评论》杂志列为2013年十大突破性技术之首。随着深度学习技术的成熟，AI人工智能正在逐步从尖端技术慢慢变得普及。大众对人工智能最深刻的认识就是今年年初AlphaGo和李世石的对弈，它具备了人工智能最关键的深度学习功能。AlphaGo中有两个深度神经网络，ValueNetworks（价值网络）和PolicyNetworks（策略网络）。其中ValueNetworks评估棋盘选点位置，PolicyNetworks选择落子。这些神经网络模型通过一种新的方法训练，结合人类专家比赛中学到的棋谱，以及在自己和自己下棋（Self-Play）中进行强化学习。也就是说，人工智能的存在，能够让AlphaGo的围棋水平在学习中不断上升。
第八阶段：2016年：五大科技巨头成立地球最强AI组织
2016年9月28日下午，从美国传来了AI人工智能界最重磅的消息，Google、Facebook、Amazon、IBM以及Microsoft正式宣布成立一个名为AI合作组织（PartnershiponAI）的非盈利性组织。该组织的全名为保障AI利于人类社会组织（PartnershiponArtificialIntelligencetoBenefitPeopleandSociety），简称为AI合作组织（PartnershiponAI）。旨在研究和形成人工智能领域最好的技术实践，促进公众对人工智能的理解，并作为一个公开的平台来讨论、参与人工智能本身及其影响，保障人工智能在未来能够安全、透明、合理地发展。
从医疗、教育、制造业、智能家居到交通，人工智能的发展已在各方面提高了人类生活水平。但现如今，人类出现了诸多人工智能威胁论，如著名科学家StephenHawking和科技大亨ElonMusk所提出的，AI最终将会终结人类。虽然AI能否终结人类还只是一个推测，但是微软推出人工智能机器人Tay上线不到24小时就被教坏，成为一个满嘴脏话的种族主义者。这样的事情让越来越多的人开始担忧，人工智能是否会带来隐患，是否会对人类社会产生一定的危害。为了应对这一点，像微软、IBM等公司已经成立了人工智能伦理咨询委员会。“PartnershiponAI”在未来的工作重点之一，就是改变公众AI威胁论这一现状。AlphaGo与李世石的围棋对弈，李世石的惨败已使公众初步认识到人工智能的威力。
21世纪科技巨头在人工智能上的研究
从市场披露的投资数据分析，在2011年到2015年的五年时间，人工智能领域的并购资金从2.82亿美元增长到2015年的23.88亿美元，而并购数量也从67起增长到397起。以谷歌、苹果、IBM、微软、Facebook为代表的等行业巨头正在通过并购进行产业布局。
谷歌
谷歌在一系列人工智能相关的收购中获益。2013年3月，谷歌以重金收购DNNresearch的方式请到了深度学习技术的发明者GeoffreyHinton教授。2014年年初，谷歌以4亿美元的架构收购了深度学习算法公司——DeepMind。该公司创始人哈萨比斯是一位横跨游戏开发、神经科学和人工智能等多领域的天才人物。2014年7月，谷歌以DeepMind为主体与牛津大学的两支人工智能研究队伍建立了合作关系。DeepMind也很快发布了研究成果，它在10月份公布了一种新的模拟神经网络，旨在模仿人类大脑的工作记忆原理，拥有更加强大的归纳整理和联想演绎等逻辑处理能力，从而带来更快的任务处理速度，还可以通过训练去自行处理任务，这种全新的深度学习算法可用于计算机视觉和语音识别等领域。DeepMind最杰出的代表成果就是AlphaGo。在2016年3月的世界围棋大战中，AlphaGo以4：1大胜世界排名第一的李世石，人工智能再次战胜人类，也进一步引发了用户对人工智能发展的关注。
IBM
IBM公司自2006年开始研发Watson，并在2011年2月的《危险地带》(Jeopardy!)智力抢答游戏中一战成名。一开始IBM想把Watson打造为超级Siri，主要还是卖硬件。但是后来转型为认知商业计算平台，2011年8月开始应用于医疗领域。例如在肿瘤治疗方面，Watson已收录了肿瘤学研究领域的42种医学期刊、临床试验的60多万条医疗证据和200万页文本资料。Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录，包括病历和患者治疗结果，并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson，并在今年8月正式进入中国。2014年8月，IBM发布能模拟人类大脑的SyNAPSE（SystemsofNeuromorphicAdaptivePlasticScalableElectronics，即“自适应塑料可伸缩电子神经形态系统”）芯片，含有100万个可编程神经元、2.56亿个可编程突触，每消耗一焦耳的能量，可进行460亿突触运算。在进行生物实时运算时，这款芯片的功耗低至70毫瓦(mW)，比现代微处理器功耗低数个数量级。
2013年12月，Facebook成立了人工智能实验室，聘请了卷积神经网络最负盛名的研究者、纽约大学终身教授YannLeCun为负责人。YannLeCun是纽约大学终身教授，是卷积神经网络领域的重要推动者，而该技术的最主要应用就是图像识别的自然语言处理，这与Facebook的需求和已经积累的数据类型非常匹配。在YannLeCun的帮助下，2014年Facebook的DeepFace技术在同行评审报告中被高度肯定，其脸部识别率的准确度达到97%。而他领导的Facebook人工实验室研发的算法已经可以分析用户在Facebook的全部行为，从而为用户挑选出其感兴趣的内容。
微软
相比谷歌和IBM，微软在人工智能上的动作相对较慢。主要的成果基于语音、视觉、自然语言的分辨和分布式机器学习上，通过推出智能机器人小冰、语音助手Cortana以及增强现实头显HoloLens切入人工智能领域。微软人工智能产品包括MicrosoftAzure（存储、计算、数据库、live、媒体功能）、分布式机器学习工具包DMTK（自然语言处理，推荐引擎，模式识别，计算机视觉以及预测建模等）、人工智能平台ProjectMalmo。
百度
2014年5月，被称为“谷歌大脑之父”的AndrewNG(吴恩达)加盟百度，担任首席科学家，负责百度“百度大脑”计划。大数据是人工智能的基础，而作为天然的大数据企业，百度拥有强大的数据获取能力和数据挖掘能力。2014年7月14日，百度凭借自身的大数据技术14场世界杯比赛的结果预测中取得全中的成绩，击败了微软和高盛。2014年9月，百度正式发布整合了大数据、百度地图LBS的智慧商业平台，旨在更好在移动互联网时代为各行业提供大数据解决方案。
百度大脑由三个部分组成：人工智能算法（超大规模的神经网络）、计算能力（数十万台服务器来进行计算，基于GPU）和大数据。主要有四方面能力：语音的能力（语音合成、语音识别）、图像的能力、自然语言处理能力以及用户画像能力。
科技巨头的人工智能与医疗的结合
人工智能在医疗健康领域的作用不容忽视，已经成为影响医疗行业发展的最重要的科技。人工智能对于医疗健康领域中的应用已经非常广泛，从应用场景来看主要分成了虚拟助理、医学影像、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共11个领域。人工智能的加入，可以显著提升疾病的判断速度、诊断准确度和药品开发进度，降低成本。
从70年代的专家系统开始，人工智能就参与到人类疾病的诊断和治疗上。在医疗健康领域，我们相对接触最多的就是IBMWatson，而且Watson取得了不俗的成绩。例如在肿瘤治疗方面，Watson已收录了肿瘤学研究领域的42种医学期刊、临床试验的60多万条医疗证据和200万页文本资料。Watson能够在几秒之内筛选数十年癌症治疗历史中的150万份患者记录，包括病历和患者治疗结果，并为医生提供可供选择的循证治疗方案。目前癌症治疗领域排名前三的医院都在运行Watson，并在今年8月正式进入中国。与此同时，近年来美国、英国、以色列和中国等地不断涌现医疗健康领域的人工智能初创公司，融资额和项目数量均呈上升趋势，且在多个细分方向取得了值得关注的有趣进展。近两年来，中国的医疗健康类人工智能初创公司的也逐渐开始显现。
今年2月24日，谷歌DeepMind公布成立DeepMindHealth部门，将与英国国家健康体系（NHS）合作，帮助他们辅助决策或者提高效率缩短时间。在与皇家自由医院的合作试点中，DeepMindHealth开发了名为Streams的软件。这一软件用于血液测试的AKI报警平台，帮助临床医生更快地查看医疗结果。DeepMind与Moorfields眼科医院的合作将人工智能技术应用于及早发现和治疗威胁视力的眼部疾病。Moorfields眼科医院将向DeepMind提供100万份匿名的眼球扫描资料，后者会用来研究机器学习是如何分析光学相干断层扫描（OCT）图片，并创建出可检测湿性年龄相关黄斑变性以及糖尿病视网膜病变等眼疾的早期迹象的算法。DeepMind还参与NHS一项利用深度学习开展头颈癌患者放疗疗法设计的研究。通过分析超过700名符合UCLH数据隐私政策的头颈癌患者匿名数据，利用深度机器来探讨缩短放疗时间的可能性。
10月11日，百度以“开启智能医疗新时代”为主题，正式对外发布百度人工智能在医疗领域内的最新成果——百度医疗大脑，对标谷歌和IBM的同类产品。作为百度大脑在医疗领域的具体应用，百度医疗大脑是通过海量医疗数据、专业文献的采集与分析进行人工智能化的产品设计，模拟医生问诊流程，与用户多轮交流，依据用户的症状，提出可能出现问题，反复验证，给出最终建议。在过程中可以收集、汇总、分类、整理病人的症状描述，提醒医生更多可能性，辅助基层医生完成问诊。
设置首页-搜狗输入法-支付中心-搜狐招聘-广告服务-客服中心-联系方式-保护隐私权-AboutSOHU-公司介绍-网站地图-全部新闻-全部博文
搜狐不良信息举报邮箱：
推荐：