人工智能的历史：从未来小说到企业的未来

说起“人工智能”这个词，大多数人都会想到 Alexa 和 Siri。其他人可能会想到终结者或 2001：太空漫游等电影。

事实是，人工智能 (AI) 并不是一个遥远的科幻概念。事实上，它无处不在——想想 Netflix 推荐你的下一个电视节目或优步优化回家的最佳路线。

人工智能是一个复杂的现代互联技术生态系统，经过数十年的发展，并在今天继续发展。因此，人工智能的历史也是复杂多层次的也就不足为奇了。这是一段以各种不断变化的工具和功能为特色的历史，这些工具和功能将我们所知道的 AI 发展到了现在的状态。

要了解今天 AI 的重要性并为明天做好准备，这有助于了解 AI 从何处开始以及它是如何演变成今天改变游戏规则的技术。

20 世纪的人工智能：雄心勃勃的概念证明

现代人工智能诞生于精英大学研究部门的学术室，学者们在这里对计算的未来进行了深入思考。但由于缺乏数据和计算能力，它早年被限制在这些房间内。

1956 年，达特茅斯学院主办了达特茅斯夏季人工智能研究项目——这个研讨会被认为是人工智能学术研究的关键第一步。在研讨会期间，20 位研究人员旨在证明一个假设，即学习可以被如此精确地描述，“以至于可以制造一台机器来模拟它”。

一年后的 1957 年，美国心理学家弗兰克·罗森布拉特用感知器扩展了达特茅斯的研究，感知器是一种可以成功执行二进制分类的算法。在这里，我们开始看到人工神经元如何从数据中学习的有希望的证据。

又一年后，达特茅斯人工智能暑期研究项目的参与者约翰麦卡锡和麻省理工学院的众多学生开发了 Lisp（一种新的编程语言）。几十年后，McCarthy 的研究将有助于实现新的、更令人兴奋的项目，包括 SHRDLU 自然语言程序、Macsyma 代数系统和 ACL2 逻辑系统。

来源

当我们回顾这些早期的实验时，我们可以看到 AI 从高尚的研究领域迈向了实际的计算领域，迈出了摇摇欲坠的第一步。

1960 年，Simulmatics 首次亮相，该公司声称可以根据人口统计数据预测人们的投票方式。

1965 年，研究人员开发了所谓的“专家系统”。这些系统允许人工智能通过结合事实集合和推理引擎来解释和评估数据，从而解决计算机系统中的特殊问题。

然后，一年后，即 1966 年，麻省理工学院教授约瑟夫·魏岑鲍姆设计了一个名为 Eliza 的模式匹配程序，向用户展示人工智能是智能的。用户可以向该程序提供信息，而作为心理治疗师的 Eliza 会为他们提供一个开放式问题作为回应。

到 1970 年代中期，政府和企业对人工智能失去了信心。资金枯竭，随后的时期被称为“人工智能寒冬”。虽然在 1980 年代和 1990 年代有小幅复苏，但 AI 大多被归入科幻小说领域，严肃的计算机科学家避免使用该术语。

在 1990 年代末到 2000 年代初，我们看到了机器学习技术的大规模应用，例如 Microsoft 用于垃圾邮件过滤的贝叶斯方法和用于亚马逊推荐的协同过滤。

21 世纪的人工智能：非常成功的试点计划

在 2000 年代，计算能力、更大的数据集和开源软件的兴起使开发人员能够创建高级算法，从而在相对较短的时间内彻底改变科学、消费者、制造和商业社区。人工智能已成为当今许多企业的现实。例如，麦肯锡发现了 400 个公司目前使用人工智能解决业务问题的例子。

网络提供了组织数据的新方法

2000 年代初至中期席卷全球的网络革命给 AI 研究领域带来了一些重要的变化。可扩展标记语言 (XML) 和 PageRank 等基础技术以 AI 可以使用的新方式组织数据。

XML 是语义网和搜索引擎的先决条件。 PageRank 是 Google 的一项早期创新，进一步组织了网络。这些进步使网络更易于使用，并使人工智能更容易访问大量数据。

与此同时，数据库在存储和检索数据方面变得越来越好，而开发人员正在开发函数式编程语言，使操作数据变得更容易。这些工具可供研究人员和开发人员进一步推进 AI 技术。

神经网络和深度学习展示了人工智能的潜力

在 20 世纪，人工智能有远大的梦想，但计算能力使它们几乎不可能实现。然而，到了 21 世纪，计算机在存储、处理和分析大量数据方面的功能正呈指数级增长。这意味着神经网络和深度学习的崇高目标可以成为现实。

研究人员开发了特别适合机器训练的数据集，从而产生了像 AlexNet 这样的神经网络。以前，机器训练依赖于数以万计的数据集，但图形处理单元 (GPU) 的进步意味着新的数据集可能数以千万计。

计算机芯片制造商英伟达于 2006 年推出了他们的并行计算平台 CUDA。在这个平台中，英伟达使用 GPU 来提高计算速度。这种性能提升帮助更多人运行使用 TensorFlow 和 PyTorch 等机器学习库编写的大型复杂机器学习模型。

来源

随着技术变得更容易获得，这些库将成为开源并激发广泛的实验。这种 AI 的民主化将有助于 AlphaGo、Google DeepMind 和 IBM Deep Blue 等激动人心的新工具起步。

计算机视觉为新的行业应用打开了大门

直到 2000 年代，人工智能只有在处理文本时才真正有用。但在世纪之交，计算机视觉的进步使计算机能够识别和解释图像，将人工智能的用例推向了新的高度。

这一次，我们的先驱者不是学者。相反，它们住在您的家中，使清洁（Roomba）和游戏（XBox Kinect）比以往任何时候都更容易，并将计算机视觉应用到世界各地的家庭中。

我们还看到新兴的自动驾驶汽车和医院使用计算机视觉来自动检测病变和肺炎等疾病。

除了特定行业的用例之外，计算机视觉的变化也有助于推动机器人过程自动化 (RPA) 的发展。 🎉 辅以光学字符识别（OCR），RPA 机器人可以处理结构化和非结构化数据，这改变了我们所知的数据分析世界。

数据分析改进 AI 业务应用程序

过去二十年向我们表明，自动化和人工智能可以衡量复杂的业务用例。随着人工智能在分析数据方面的能力越来越强，公司可以更多地利用人工智能来帮助他们更智能、更高效地工作。

银行正在使用人工智能将客户查询从每年收到的大量非结构化电子邮件中分类为不同的类别。当使用基于规则的关键词分类时，此过程是手动密集型的或产生较差的结果。 AI 让银行能够以高准确度对这些电子邮件进行分类，并减少平均处理时间 (AHT)。

人工智能和自动化也不仅仅在帮助金融服务公司。医疗保健支付者正在加速识别高危妊娠。软件机器人加载经过验证的患者数据并访问预测模型以对患者进行风险评分，确定适当的护理管理计划。结果是准确识别的低出生体重妊娠的数量增加了 24%，同时避免了 44% 的低出生体重妊娠——每年总共节省 1100 万美元。阅读全文。

自然语言处理和语音识别提高了 AI 的可用性

虽然 AI 是从文本分析开始的，但它绝不会掌握它。直到最近，文本——即使是 OCR——也需要以机器可读的格式进行结构化。自然语言处理 (NLP) 领域将计算机编程以理解自然语言的能力推向了前沿。

NLP 最著名的例子之一是 Generative Pre-trained Transformer 3（更广为人知的 GPT-3）。 GPT-3 于 2020 年 5 月推出，使用深度学习生成与人造文本非常相似的文本。 GPT-3 已经出现了一些有趣的应用，例如撰写文章（例如，《卫报》要求 GPT-3 撰写一篇关于机器人无害的文章）和生成计算机程序。

NLP 的应用超越了 GPT-3。 NLP 可用于从语音中生成文本、自动总结一段文本的含义、跨语言翻译文本等等。

虽然 NLP 经常存在于最前沿，但它也进入了我们的家庭。例如，Alexa 和 Google 等虚拟助手可以处理自然语言请求并将其翻译成可执行命令。通过简单的语音请求，这些 AI 助手可以搜索信息；将命令路由到智能设备，例如灯或锁；等等。

人工智能的未来：企业游戏规则改变者

随着我们进入技术成熟的下一个十年，人工智能的企业用例只会继续增长。过去的工具已经为 AI 的可能性奠定了基础，但通过扩展这些工具仍有许多需要突破的地方。

随着人工智能的进一步发展，我们将看到公司利用 RPA、机器学习、流程挖掘和数据分析来创建强大的端到端自动化套件，因为这些技术在所有成熟阶段都越来越容易被企业使用. AI 将不再是研究人员和开发人员的专属领域；日常用户在现代工具的帮助下，将能够针对他们发现的问题创建基于 AI 的解决方案。

随着商业用户更容易使用这项技术，我们将看到自动化的飞轮旋转起来，为公司提供越来越多的人工智能应用创意和可能性。这些可能性将得到尖端自动化平台和工具的支持，这些平台和工具将重新启动并彻底改变我们的工作方式。

UiPath AI Fabric 让用户可以轻松启动模型、将数据注入其中、获得洞察力和评估有用性。

编者注： 随着自动化市场的不断发展，UiPath 平台也不断更新，以最好地满足客户的自动化需求。因此，自文章最初发表以来，AI Fabric 产品名称已经演变。如需了解最新信息，请 访问我们的 AI 中心页面 .

今天的人工智能：开始的正确时机

是时候自动化了。我们已经到了人工智能进化的阶段，它不是理论上的——它势在必行，预计将为拥抱它的公司释放数千亿美元的价值。

了解领先的组织如何使用自动化和 AI 将成为全自动化企业™ 的愿景变为现实：