人工智能的起源：20 世纪 80 年代如何为当今的生成模型奠定基础——图片来源：Xpert.Digital
人工智能先驱：为什么说20世纪80年代是远见卓识者的十年
革命性的 80 年代：神经网络和现代人工智能的诞生
20世纪80年代是科技领域变革与创新的十年。随着计算机日益普及到企业和家庭，科学家和研究人员致力于提升机器的智能水平。这一时期为我们如今习以为常的许多技术奠定了基础，尤其是在人工智能（AI）领域。这十年的进步不仅具有开创性意义，而且深刻影响了我们今天与技术的互动方式。.
神经网络的重生
20 世纪 70 年代人们对神经网络持怀疑态度，但到了 80 年代，神经网络迎来了复兴。这主要归功于约翰·霍普菲尔德和杰弗里·辛顿的工作。.
约翰·霍普菲尔德和霍普菲尔德网络
1982年，约翰·霍普菲尔德提出了一种新的神经网络模型，后来被称为霍普菲尔德网络。该网络能够存储模式并通过能量最小化来检索这些模式。它代表了联想记忆发展的重要一步，并展示了如何利用神经网络来稳健地存储和重构信息。.
杰弗里·辛顿与玻尔兹曼机
杰弗里·辛顿是人工智能领域最具影响力的研究者之一，他与特伦斯·塞诺夫斯基共同开发了玻尔兹曼机。这种随机神经网络系统能够学习复杂的概率分布，并被用于识别数据中的模式。玻尔兹曼机为深度学习和生成模型领域的诸多后续发展奠定了基础。.
这些模型具有开创性意义，因为它们展示了神经网络不仅可以用于数据分类，还可以用于生成新数据或补全不完整的数据。这是迈向生成模型的关键一步，而生成模型如今已被广泛应用于诸多领域。.
专家系统的兴起
20世纪80年代也是专家系统发展的十年。这些系统的目标是将特定领域专家的专业知识进行编码和利用，以解决复杂问题。.
定义和应用
专家系统基于规则方法，将知识以“如果-那么”规则的形式存储。它们已被应用于包括医疗、金融、制造业等在内的诸多领域。一个著名的例子是医疗专家系统MYCIN，它有助于诊断细菌感染。.
对人工智能的意义
专家系统展示了人工智能在实际应用中的潜力。它们表明，机器知识可以用于做出决策和解决以前需要人类专业知识才能解决的问题。.
尽管专家系统取得了成功，但也暴露了基于规则的方法的局限性。它们通常难以更新，也难以处理不确定性。这促使人们重新思考，并为机器学习领域的新方法创造了空间。.
机器学习的进展
20 世纪 80 年代标志着从基于规则的系统向数据驱动的学习方法的过渡。.
反向传播算法
反向传播算法的重新发现和普及是神经网络发展史上的一个关键突破。该算法通过将误差反向传播到多层神经网络中，从而能够高效地调整网络权重。这使得更深层的神经网络更具实用性，并为当今的深度学习奠定了基础。.
简单生成模型
除了分类任务之外，研究人员开始开发生成模型，以学习数据的潜在分布。朴素贝叶斯分类器就是一个简单的概率模型的例子，尽管它有一些假设，但已在许多实际应用中取得了成功。.
这些进步表明，机器不必仅仅依赖预定义的规则，还可以从数据中学习来完成任务。.
技术挑战与突破
尽管理论进展令人鼓舞，但研究人员面临着巨大的实际挑战。.
有限的计算能力
与今天的标准相比，20世纪80年代的硬件非常有限。训练复杂的模型既耗时又往往成本高昂。.
梯度消失问题
在使用反向传播算法训练深度神经网络时，一个常见问题是：底层梯度过小，无法进行有效学习。这严重阻碍了更深层模型的训练。.
创新解决方案：
受限玻尔兹曼机（RBM）
为了解决这些问题，杰弗里·辛顿开发了受限玻尔兹曼机（RBM）。RBM 是玻尔兹曼机的简化版本，其网络结构受到限制，从而简化了训练过程。它们成为构建更深层模型的基础模块，并实现了神经网络的逐层预训练。.
分层预训练
通过逐层递进地训练网络，研究人员能够更有效地训练深度网络。每一层都学习如何转换前一层的输出，从而提升整体性能。.
这些创新对于克服技术障碍和提高神经网络的实际应用性至关重要。.
20世纪80年代研究的持久性
如今深度学习中使用的许多技术都起源于 20 世纪 80 年代的研究——图片来源：Xpert.Digital
20 世纪 80 年代发展起来的理念不仅影响了当时的研究，也为未来的突破铺平了道路。.
FAW Ulm（面向应用的知识处理研究所）成立于1987年，是首个独立的人工智能研究机构。戴姆勒克莱斯勒股份公司、Jenoptik股份公司、惠普有限公司、罗伯特·博世有限公司等多家公司都参与其中。 我本人于1988年至1990年间在该研究所担任研究助理。
深度学习基金会
当今深度学习中使用的许多技术都起源于 20 世纪 80 年代的研究工作。反向传播算法、使用带有隐藏层的神经网络以及逐层预训练等思想都是现代人工智能模型的核心组成部分。.
现代生成模型的发展
早期对玻尔兹曼机和受限玻尔兹曼机的研究影响了变分自编码器（VAE）和生成对抗网络（GAN）的发展。这些模型能够生成逼真的图像、文本和其他数据，并在艺术、医学和娱乐等领域得到应用。.
对其他研究领域的影响
20世纪80年代的方法和概念也影响了统计学、物理学和神经科学等其他领域。这种跨学科研究使人们对人工系统和生物系统都有了更深入的理解。.
应用及对社会的影响
20 世纪 80 年代的技术进步催生了一些具体的应用，这些应用构成了当今许多技术的基础。.
语音识别与合成
早期的神经网络被用于识别和重现语音模式。这为Siri或Alexa等语音助手奠定了基础。.
图像和模式识别
神经网络识别复杂模式的能力已在医学成像、人脸识别和其他安全相关技术领域得到应用。.
自主系统
20 世纪 80 年代的机器学习和人工智能原理是自主车辆和机器人发展的基础。.
20世纪80年代：智能学习与生成
20世纪80年代无疑是人工智能研究取得突破的十年。尽管资源有限，挑战重重，研究人员仍然憧憬着能够学习和生成的智能机器。.
今天，我们在此基础上不断发展，正经历着人工智能渗透到我们生活方方面面的时代。从互联网上的个性化推荐到医学领域的突破，这些起源于20世纪80年代的技术正在推动创新。.
令人惊叹的是，那个时代的思想和概念如今如何在高度复杂且功能强大的系统中得到应用。这些先驱者的工作不仅推动了技术进步，也引发了关于人工智能在社会中扮演何种角色的哲学和伦理讨论。.
20世纪80年代人工智能领域的研究和发展对塑造我们今天使用的现代技术至关重要。通过引入和改进神经网络、克服技术挑战以及构想能够学习和生成的机器，那个年代的研究人员为人工智能在未来发挥核心作用铺平了道路。.
这一时期的成功与挑战提醒我们基础研究和创新追求的重要性。20世纪80年代的精神在每一项新的人工智能发展中都得以延续，并激励着后代不断突破可能的边界。.
与此相关：