人工智能这一次遭遇的寒流与第一次相比有过之而无不及，人们开始思考人工智能到底往何处走，人工智能研究者是否以正确的方式工作。在早期的人工智能研究里，智能最重要的特征是解决那些困难到连高学历的人都觉得有挑战性的任务，例如象棋、数学定理证明和解决复杂的代数问题。至于四五岁的小孩就可以解决的事情，例如用眼睛区分咖啡杯和一张椅子、用腿自由行走，或者发现一条可以从卧室走到客厅的路径，这些都被认为是不需要智慧的。正因为如此，早期的人工智能研究者对制造出会思考的机器抱着十分乐观的态度，他们认为，当几乎解决了逻辑和代数这样对于一般人困难的问题时，容易的问题例如辨识人脸、在房间内走动等也会很快地被解决。但事实证明他们错了。汉斯·莫拉维克、罗德尼·布鲁克斯、马文·明斯基等人指出，与传统的假设不同，人类所具有的高阶智慧能力只需要非常少的计算能力，但无意识的技能和直觉却需要极大的运算能力。如莫拉维克所说的：“要让电脑如成人般地下棋是相对容易的，但是要让电脑有如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。”于是，布鲁克斯决定在人工智能和机器人技术的研究上另辟蹊径，从研究人类复杂行为转向研究某些简单行为的组合。他尝试以昆虫为灵感，建造了一种没有辨识能力，只是依靠感应器的输入来迅速决定做什么的机器。布鲁克斯的研究大获成功，这种昆虫机器人可以以人类的步调躲避障碍物，在房间内自由地行动。最终，这种技术用到了扫地机器人上，虽然能执行的任务有限，却真正走入了人们的日常生活，人类与机器人有了第一次亲密接触。
与此同时，一派名为“机器学习者”的计算机科学家向传统人工智能发出质疑的声音。该学派不相信逻辑推理是获取真理的最佳途径，而是采用基于统计模型的研究方法。类似于专家系统这样的系统需要工程师充当各领域专家的角色，将知识提炼成计算机能读懂的规则后编入系统架构，这样的系统需要被不断地更新来适应新的任务，被认为不能自动学习知识。机器学习理论的目的是设计和分析一些让计算机可以自动“学习”的算法，想让计算机能够透过大量历史数据学习到规律，从而对新的数据进行识别或者对未来做预测。由于人们对人工智能开始抱有客观理性的认知，人工智能又产生了一个新的繁荣期。最早的结果为，1997年，IBM的超级计算机深蓝（DeepBlue）战胜世界排名第一的世界象棋大师盖瑞·卡斯帕罗夫，让人工智能重新回到了公众的视野。从2006年开始，随着一种名为“深度学习”技术的成熟，加上计算机运算速度的大幅增长，还有互联网时代积累起来的海量数据，人工智能迎来了第三次热潮。
深度学习是机器学习的一种，其核心计算模型人工神经网络源自于对大脑结构的深刻理解。人类大脑通过神经元的连接来传递和处理信息，人工神经网络的模型就借鉴了人脑的这种机制。这种想法早在20世纪50年代就被提出过，但很快因为无法实际工作而衰落。但杰弗瑞·辛顿等人并没有放弃对神经网络的研究，他们坚信实现机器智能的密码就隐藏在这一层层互相连接的神经元中。经过30多年的耕耘，终于在2006年，辛顿带领他的团队发表了《一种深度置信网络的快速学习算法》及其他几篇重要论文，第一次提出了“深度学习”的概念，突破了此前人工智能在算法上的瓶颈。经过不断地优化，深度学习开始在图像识别上大放异彩。2012年，在代表计算机图像识别最前沿发展水平的ImageNet竞赛中，辛顿团队参赛的算法模型突破性地将图片识别的错误率降低了一半，这是人工智能发展史上一个了不起的里程碑。到
第1章 人工智能概述
21