Exsys是世界上第一个成功商业化的专家系统，这家公司诞生于1983年，时至今日它依然存在。在Exsys公司的主页上显示，他们的使命与现在的许多人工智能公司差不多——希望通过专家系统，为无力进行人工智能研发的公司提供人工智能服务。

　　专家系统确实在商业化上取得了一定成功，许多商业公司、政府机构都会使用专家系统来帮助解决一些简单的问题。今天你依然能在与小冰、小娜和Siri的对话中看到专家系统的影子，一些医疗机构也仍旧在使用专家系统对患者进行标准化诊断。

　　上世纪80年代初，专家系统公司曾预言，未来专家系统会成为公司的CEO。这一幕我们至今仍未看到，而且可能永远也看不到了。

　　因为专家系统的本质依然是编程的变种，它只是为没学过编程的人提供了可以进行简单编程的接口。

　　专家系统自身没有太强的学习能力，一个标准的专家系统不会因为知道了小娜是女孩儿，再通过一个姓名的大数据库就推断出小冰应该也是个女孩儿。所有的规则都必须预先由人类定义，同时随着规则的增加，规则之间的冲突会让专家系统变得语无伦次和答非所问。

　　1990年代，互联网的春天来临，公众对人工智能的注意力再次被引开，人工智能又一次落入了短暂的冬天。

　　一张运行于Win98上的ViaVoice截图，用户可以通过麦克风来进行语音输入和电脑控制。是的，支持中文。

　　尽管在1997年，IBM就推出了名为ViaVoice的商用语音识别系统，但使用过这套系统的人都对它有着深刻的记忆——每一次安装，使用者必须对它进行长达2小时以上的语音训练，你要对着电脑屏幕用标准的播音腔，不断朗诵那些提前准备好的文案，确保机器学会你的口音。

　　这种缓慢、机械、蹩脚的学习方式直到深度学习（多层神经网络算法）出现才被抛弃。

　　2009年，多伦多大学任教的深度学习之父杰夫·辛顿发现了多层神经网络在机器认知上的作用。辛顿实验室中的一位博士生在实习期间将Android的语音识别系统准确率提升了25%，而此前，一直在业内已经使用30年的标准方法其实修修补补不得要领。

　　辛顿在同年夏天收到了来自科技巨头公司的Offer，人工智能在这一年迎来了第三次春天。之后的故事尽管还有8年，但这些年的进步你应该已经有了直观的体验，人工智能的一段简史到此为止。

　　人工智能终将战胜人类

　　20世纪50年代、70年代、90年代和21世纪初，分别有人预言“人工智能马上就要统治人类了”。

　　按照基调和标题，这篇文章应该也是新的一次预言。

　　但其实“在人工智能统治人类之前”这个描述十分讨巧——我并没有说人工智能会在什么时候统治人类，这个时间可能是下周、可能是10年，可能是再过50年。

　　回顾人工智能的进步史，尽管时间并不确定我们却不难得出这样一个结论：人工智能终将战胜人类。

　　世界第一辆无人驾驶汽车在1995年诞生，那年一辆搭载了最先进数码摄像头、计算机、GPS和陀螺仪传感器的小型货车成功在没有驾驶员的情况下穿越美国。而到了2017年，我们在讨论的是“全自动驾驶汽车可能在未来5年大规模普及”。

　　这比汽车在人类中的推广速度快了十倍，是什么让人工智能进步的如此之快？

　　总体来说，人工智能的进步会来自于两方面：一方面爆炸式的算法改进，另一方面是渐进式的算力提升。

　　人类对算法的研究，更像是对宇宙客观存在的发现。尽管它依然需要积累、尝试和科学家的睿智，但它对人工智能的影响是突变式的。就像我们可以将物理学分为牛顿发现万有引力前和发现万有引力后一样。

　　多层神经网络算法可能并不是未来真正高级人工智能的最终算法。这意味着即便以AlphaGo为代表的此时代人工智能，在现实生活中可能永远是现在这幅智障模样。但并不意味着人工智能发展会就此停滞。

　　与算法不同，算力的进步是一种对工程精度和工业化水平的考验——尽管摩尔定律已经主见失效，但量子计算机、生物计算机等前沿计算设备可能会让算力的进步继续下去。

　　计算力的提升为人工智能提供了长期、稳定的进化速度，填补了每次算法革命之间的鸿沟，并促使那些实验室里的革命转化为你能买得到的服务与商品。依靠着这两种进步，人类在地球这个巨大的玻璃瓶里走过的几十亿年的路程，有可能被压缩在几百年中完成。

　　而回到眼前的现实，如果人工智能必将战胜人类，那么柯洁与AlphaGo的对决，很有可能是瓶中小人打破玻璃瓶的第一步。