昨天翻到谷歌最新的关于AI的论文-- Attention all of you need， 谷歌把人工智能在语言翻译领域的研究成果贡献出来，把注意力作为一个因素加入到人工智能算法...

似乎一夜之间，人工智能成为了全世界最热的话题， 每个公司都开始发表在人工智能领域的成果和产品，似乎一沾上人工智能，马上公司的股价就能翻番。遥想当年云服务火的时候，连卖茶叶蛋的都说自己提供的是云服务。。。但是，事实上人工智能到现在仍未出现， 换句话说，现在还没有一家公司是人工智能公司。

有人把16年定义为人工智能元年，仿佛人类已经从信息化时代跨入智能化时代，但事实上16年或者17年 和其它的年份并没有什么不同，普罗米修斯并没有把人工智能这枚火种，从阿波罗哪里偷出来给人类，人类仍然在黑暗中继续摸索。

人工智能的爆发并不只有在今年，深度学习有着悠久的历史，随着许多不同哲学观点，与之对应的名称也随之淡出人们的视线，历史上人工智能爆发过两次 -- 控制论，联结论，还有本次爆发的深度学习论。

DFS （深度优先）和 BFS（广度优先）

第一次爆发在1950年
当时主流的研究和开发是基于固定规则的搜索程序。假如人类希望机器执行某种操作，那么必须写出所有可能的模型，机器的计算速度远远超越人类，为了找到答案可以重复计算几百万次，没有感情，不需要休息，但是如果机器碰到一个随机的问题或者黑箱问题，机器将耗费让人恐怖的时间，因此，后来的研究主要焦距在如何让机器运行的更有效, 这个时代焦距在两种算法 DFS 和BFS.
在特定的时间框架下，在你能想到的所有可能的模型中，找到最佳路径或最佳选择。为了达到这个目的，两种基于树或图的数据结构的算法被发明出来---DFS 和 BFS，从树或图的根节点出发，遍历全部节点，在可接受的时间内寻找最佳路径。
这两种算法在特定的领域内完成任务，在棋类领域表现尤为突出，通过历史数据的查询，来判断下一步落子输赢的概率，下面，我们来看看机器如何下棋的。
在棋盘上，每一次落子，都可以以落子的点为根节点，构成一颗20个分支树性结构，每个节点又有20个分支，每一个分支即代表了下一步落子的可能性，我简单的计算下第四层的可能性为多少种，202020*20 = 160000，当然在这里忽略了棋类游戏的规则，计算机处理这种问题非常拿手。大家一定会想到阿尔法狗最近的英雄事迹，或者会想到20年前深蓝战胜卡斯帕罗夫，但是现在是1950年，还没有出现Aalpha-Beta和RNN 算法，机器还不足以战胜大师级的人物，但赢一般的菜鸟已经绰绰有余。
然而，机器对问题的解决模式是固定的，只是重复执行人类设定的问题模型，而且问题模型被设定在某一固定的领域，对于一些无意识的问题，或者超越编程者认知领域的问题，却无能为力。这完全称不上智能，所以这次爆发迅速冷却，淡出人们的视线。
路径算法虽然没有解决智能的问题，但是棋类问题的研究，却激发了电子游戏的诞生，把屏幕变成有限数量的格子，用BFS和DFS使用机器具备能和人博弈的能力。
然而，科技的进步是不会停止的，人类在黑暗中对光明探索的好奇心，引发了第二次人工智能的爆发。

Knowledge Representation (KR)

1980年， KR 爆发了，KR打算构造一个机器能够理解的知识库，如果集中世界上所有的知识并变成机器能理解的，那么机器就能给出正确的答案机器当面对一个复杂的问题，那么这个浪漫的想法能实现么？
对于真实世界而言，让机器去学习知识比命令机器去完成任务要难上几万倍，但是一种能够应答的机器被开发出来，把所有的乐观或者悲观的词汇都存在机器中，那么给出任何一个句子，机器就可以通过分析词汇，来判断这句话是乐观还是悲观的。
那么，这可以称作人工智能吗？ 显然这和人的智能还相差甚远，机器任然只是识别了特殊标记，无法形成自己的理论，只是完成了数据比较的任务，并没有达到智能的目的。这次爆发也迅速消亡了，而且，一些人开始出现相当悲观的观点，认为机器的人工智能走到尽头， 提出疑问，人真的可以是机器具有智能吗？

Machine learning

人类第三次向人工智能发起了冲击，这一次，人类把问题的焦点放在问题的建模，机器如何根据输入信息，变成机器解决问题的运算模型是这个方法的关键，当机器面对一个陌生的问题，如何根据问题及已经存储的问题模型，获取新问题的运算模型，从而解决问题，这就是机器学习，或者叫模式识别。
在律政类的电影中，我们经常会看到，律师对嫌疑人问提问的时候总会说，你只需要回答 Yes or No。假设世界上所有的问题都可以分解为若干是非的问题，比如问题"你喜欢什么颜色？"， 可以分解为"你喜欢红色吗？"，"你喜欢绿色吗？"，"你喜欢黑色吗？" 。。。通过多次枚举问答，我们一定能找到答案，这其实是机器学习中的决策树模型，但这只是一种问题模型，所以，对问题领域及问题模式的识别，是解决问题的关键。

当然，对问题模型的归类并不是一个简单的问题，机器学习已经在多个领域实践，比如自然语言分析，图像识别，语音识别，图像搜索，语音搜索不仅如此，很多商业应用也设计这个领域，比如销售预测，推荐引擎，金融预测等等。

在大数据时代，数据的获取成本降低，为很多对机器学习有兴趣的人提供了较容易的获取数据的途径，而在对大数据分析处理时也常常离不开机器学习的一些理论知识。
但是， 不幸的是，机器学习并不能实现完整的AI，机器学习有个致命的弱点，机器永远无法知道输入数据的质量；无论问题是简单还是复杂，都必须由人为机器找到合适的数据作为输入条件。

Deep Learning

为了让机器像人类一样获取知识，机器学习进入到了深度学习时代，我猜你一定听说过神经网络，在阿尔法狗挑战围棋大师的时候，很多新闻都提到了神经网络技术。
我记得有篇新闻里面说，阿尔法狗的创造者说：“我也不知道它在想些什么，不知道为什么它会下那一步棋”。是的，深度学习就是这样的技术，让机器具备自我创新的能力，没有人知道它根据数据得出什么结论，也没人知道下一步它会做什么，
2015年，英特尔研发的第五代CPU已经达到10亿颗晶体管，根据摩尔定律，CPU的晶体管数量将在2045年超过人类大脑的细胞数量，达到100亿，有人预测，机器将具备自回归的智力，这基本已经接近人类大脑处理问题的方式。

那么，未来诞生第一个AI机器人，它的智力如何？他是善良还是邪恶？是否具备人的价值标准？

what‘s next？ nobody known ...