【摘要】「机器人会梦见电子羊吗？」仍不失为一个好问题（译者注：《机器人会梦见电子羊吗？》（Do Androids Dream of Electric Sheep）为菲利

「机器人会梦见电子羊吗？」仍不失为一个好问题（译者注：《机器人会梦见电子羊吗？》（Do Androids Dream of Electric Sheep）为菲利普·迪克所著科幻小说，电影《银翼杀手》根据该小说改编而成），但是科学事实已经发展到开始与科幻小说相吻合的程度了。不，我们（目前）还没有造出挣扎于生存危机的自主机器人，但是我们距离人们所谓的「人工智能」确实越来越近了。机器学习是人工智能的一个分支，它的算法能够从数据和信息中进行自主学习。在机器学习中，计算机不需要被精确地编程，却可以不断改进自身的算法。

如今，机器学习算法让计算机能够和人类交流、自动驾驶汽车、写作并发表体育赛事报道以及搜寻恐怖分子嫌疑人。作者坚信机器学习将会深刻地影响绝大多数的行业及其就业情况，因此，每个经理人都应该对机器学习的概念及发展有一定程度的了解。这篇文章，作者将快速地回顾历史，以考察机器学习的源起及其最新突破。


1950 ——阿兰·图灵创造了「图灵测试」来检验计算机是否具有真正的智能。计算机必须在测试中让一个人类相信它也是人类，才算是通过图灵测试。

1952——Arthur Samuel写出了第一个计算机学习程序，该程序用于国际跳棋比赛。IBM的计算机通过不断对局，学习哪些招式有助于赢得对局，并将这些招式纳入自己的程序中。

1957——Frank Rosenblatt设计出了第一个计算机神经网络——感知机（the perceptron），它模拟了人脑的运作方式。

最邻近算法
1967——「最近邻」算法（The nearest neighbor algorithm）出现，由此计算机可以进行简单的模式识别。它可以帮助旅行商制定旅游路线图，，即保证旅行商从任意城市出发，以最短的总路程遍历所有城市。

斯坦福车
1979——斯坦福大学的学生研发了「斯坦福车」（Standford Cart），它可以自动定位房间中的障碍物。

1981——Gerald Dejong提出了基于解释的学习（Explanation Based Learning，EBL）这一概念——通过分析数据并舍弃次要信息，计算机能够创造出一套它可以理解的规则。

1990年代——机器学习的方法从知识驱动转为数据驱动。科学家们开始研发能够让计算机通过分析海量数据，并从结果进行总结（「学习」）的程序。
1997 ——IBM的「深蓝」（Deep Blue）打败了国际象棋的世界冠军。
Geoffrey Hinton
2006——Geoffrey Hinton正式提出了「深度学习」的概念，它解释了那些能够让计算机「看见」并且区分图像和视频中的物体及文字的算法。
微软/Kinect
2010——微软的体感设备Kinect能以每秒30次的速度捕捉人类的20个特征，让人类得以通过动作和手势与计算机进行交流。

IBM Watson
2011——IBM的Watson在Jeopardy游戏中击败人类对手。

Google Brain
2011——谷歌大脑（Google Brain）项目启动，它的深层神经网络可以像猫一样识别并分类物体。

Google X 实验室
2012——谷歌的X实验室研发了能够自动浏览YouTube视频并识别出包含猫的部分的机器学习算法。

DeepFace
2014——Facebook研发了DeepFace，这个软件算法可以识别或者核实照片中的人物，它的水平已经达到和人类一致。

2015——亚马逊发布了自己的机器学习平台。

2015——微软创建了分布式机器学习工具包，它让机器学习问题能够在多台电脑间有效配置。

2015——超过3000名人工智能及机器人学研究者，受到史蒂芬·霍金、伊隆·马斯克及史蒂夫·沃兹尼亚克等许多人物的公开支持，签署了一份公开信，警告那些能在没有人类干预下锁定目标的自动化武器的危害。


2016 ——谷歌的人工智能算法打败了围棋专业选手。围棋这一中国的棋盘游戏被认为是世界上最复杂的游戏，比国际象棋难出许多倍。谷歌DeepMind 团队的AlphaGo算法在5局对弈中均取得胜利。

于是，我们正在向人工智能靠近吗？一些科学家认为这个问题本身就是错误的。他们认为计算机永远不会像人类那样「思考」，把计算机的计量分析和算法与人脑运作机制进行比较就像是拿苹果和橙子对比。

无论如何，计算机进行看、理解以及与世界交互的能力正飞速发展。而且随着我们所产生的数据量以指数倍增长，我们的计算机处理、分析——以及学习这些数据的能力也随之突飞猛进。

本文选自 forbes ，作者： Bernard Marr ，机器之心张诗玥编译