蘋果公司在北京時間6月11日凌晨1點召開了2024年的全球開發者大會（WWDC），會上最大的亮點無疑是 Apple Intelligence 的推出。蘋果公司在年初傳出將暫停投入了10年之久的自動駕駛電動汽車的開發，而將精力轉向人工智能領域，隨著2024年 WWDC 的結束，這一傳言終于得到證實。至此，全球頭部科技公司均已涉足這一領域。

當大家都在討論人工智能的時候，有一個問題似乎很少有人關注，即：人工智能從何而來？

人工智能的歷史源遠流長。在古代的神話傳說中，技藝高超的工匠可以制作人造人，并為其賦予意識和想法。現代意義上的人工智能始于古典哲學家試圖將人類的思維過程描述為對符號的機械操作。20世紀40年代，基于抽象數學推理的可編程電腦的發明使科學家開始嚴肅地探討構造一個“智能”大腦的可能性。

但這個想法其實相當抽象。“智能”是主觀的。比如一朵花隨著太陽升起而綻放，我們會說它“智能”嗎？答案可能因人而異。孩子可能會說“是”，植物很聰明，而成年人可能會說“不是”，這只是一種反應。越來越多的生物學家和神經學家大概會說“可能”，因為據研究植物能夠表現出交流、學習、解決問題甚至記憶的能力。

1956年夏，麥卡錫、明斯基等科學家在美國達特茅斯學院開會研討“如何用機器模擬人的智能”，首次提出“人工智能（Artificial Intelligence，簡稱AI）”這一概念，標志著人工智能學科的誕生。

當時，讓機器變得智能的想法似乎在短短幾年內就可以完全實現。艾倫·圖靈的同名測試最初名為模仿游戲，于1950年制定。現在的圖靈測試時長通常為5分鐘，如果電腦能回答由人類測試者提出的一系列問題，且超過30%的回答讓測試者認為是人類所答，則電腦通過圖靈測試。1981年，美國哲學家約翰·塞爾開發了一個名為“中文房間”的思想實驗，揭示了圖靈測試的缺陷——如果房間外的人不知道人/機器如何得出答案，那么答案是對是錯都無關緊要，因為這其中沒有原創思想，因此便不存在“智能”。

然而，將智能定義為原創思維很快就會衍生出另一個問題。人們一直都有想法，但這些想法受到先前經驗的強烈影響，那么這些想法是原創的嗎？如果你深入研究，就會發現任何想法的基礎都必須建立在堅實的、已知的東西之上。這不太可能完全原創。

用原創思維來定義“智能”意味著人工智能的概念可能從一開始就是有缺陷的。

1THE FIRST PART

解構人工智能

在20世紀70年代和80年代，人工智能系統的許多應用場景在很多方面與今天的應用相似。其中包括自動駕駛汽車和聊天機器人，但它建立在一段主要關注人工智能物理方面的研究基礎上，使機械物體以某種程度的智能去運行。

隨后行業的研究進入低谷。但90年代互聯網的出現無疑激發了人們對自然語言處理的興趣。一系列初創企業的涌現一度讓人覺得一個新時代已經開始。同時它鼓勵了新處理算法的開發，而廉價、功能強大的計算機的出現則推動了這一算法的發展。現在，人工智能已經成為一種服務。

一旦我們開始討論提供服務，范圍就會縮小。事實上，這種人工智能通常被稱為狹義人工智能，因為它專注于一項特定任務。我們可以將其比作圖靈測試或塞爾的中文房間。相比之下，通用人工智能是一種不需要知道任務是什么的系統，它會使用“智能”來解決問題并得出答案。目前，我們在服務行業使用專家系統來加速和自動化決策。這種人工智能深藏在數據中心里，具有極大的可擴展性。

相比之下，在小型設備的邊緣部署人工智能仍是一個新興領域。我們開始討論芯片上的神經網絡、嵌入在圖像傳感器中的機器學習、在微控制器上運行的推理引擎以及邊緣處理。

人工智能通常被稱為機器學習的超集，而機器學習本身又是深度學習的超集。從這個層面來看，技術與生物學之間的界限開始變得模糊。

2THE SECOND PART

人工智能詞匯

人工智能理論界使用了許多術語，其中一些已經滲透到現實世界。其中一個比較知名的術語是“神經網絡”，越來越多的半導體公司正在開發和銷售嵌入某種神經網絡的集成電路。

神經元是一種可以通過電信號刺激的細胞。由于細胞在生物學中以這種方式工作，因此它們在微電路中被模仿也就不足為奇了。當這些細胞中的幾個相互連接時，它們就變成了一個電路，當許多這樣的電路相互連接時，它們就變成了一個網絡。生物神經元分為感覺神經元、運動神經元和中間神經元，后者為神經電路提供了基礎。

在人工神經網絡領域，有幾種方法變得流行起來。最受歡迎的可能是卷積神經網絡(Convolutional Neural Network, CNN)，它可以以不同的效率水平映射到傳統的微處理器架構。另一種是脈沖神經網絡(Spiking Neural Network, SNN)，它通常采用一種全新的處理架構，更接近于模擬生物世界。

如果我們認為 CNN 是“傳統”方法，那么許多公司現在正在開發能夠更高效地執行 CNN 的新型處理器也就不足為奇了。這些 NPU（神經處理單元）可以與其他傳統架構（如 DSP 和 MCU）集成。其吸引力顯而易見，因為它將神經網絡以最小的干擾引入設計流程。

SNN 可以說是一種更具革命性的方法。加權在神經網絡中被廣泛使用。這可以比作手里拿著兩個物體，試圖判斷哪一個重量最輕。你可能會放棄那個物體，選擇“更重”的物體，然后將它與一個新物體進行比較。這個迭代過程很像冒泡排序程序，最終將根據選擇標準返回結果，例如哪個物體重量最重。SNN 將時間元素引入其推理中，這就是為什么它們被視為更接近生物世界的原因，也可能是它們更難在微電路中實現的原因。

3THE THIRD PART

學會學習

人工智能的學習方式也在不斷發展。一般來說，神經網絡有三種學習方式：監督式、半監督式和無監督式。簡單來說，它們之間的區別在于數據的呈現方式。如果所有數據都帶有標簽，則通常屬于監督式學習系統；如果部分數據帶有標簽，則屬于半監督式學習系統；如果所有數據均未帶有標簽，則屬于無監督式學習系統。

強化學習通常被視為一種單獨的方法，因為它使用獎勵和懲罰的概念來改變行為，而不是簡單地使用行為的正確或錯誤結果。

軟件中廣泛使用的流控制技術之一“If...Then”語句很好地映射到 AI 中使用的另一項技術：推理引擎。我們都根據過去的經驗進行推斷，這些經驗可以是我們自己的行為，也可以是后天習得的行為。例如，我們小時候可能會被熱水燙傷一兩次，但我們很快就學會了不這樣做。我們可以推斷出所有的熱水都會燙傷我們。但我們也可以從教過的課程而不是經驗中推斷。例如，我們不需要從樹上掉下來才知道這可能會導致腳踝骨折。

機器使用推理引擎來實現 AI，而這些引擎通常需要使用大量資源進行訓練。這種能夠生成可使用更少資源部署的推理模型的能力是將 AI 置于物聯網最前沿的舉措背后的原因。

這些設備各有特色，也具有共同的特征。例如，物聯網中的端點可能會具有某種形式的無線接口。例如，這可能是藍牙、Wi-Fi 或 Zigbee。雖然一個端點可能是智能鎖，另一個端點可能是智能恒溫器，但它們可能都使用相同的無線接口，因此可以從共享開發該接口所需的工作中受益。

現在，人工智能模型也是如此。遷移學習將經過訓練的模型中不同應用程序所共有的部分提取出來，并允許它們共享。這意味著，通過在智能恒溫器中使用部分知識，可以最大程度地減少訓練智能鎖所需的工作量（時間、計算資源、數據集）。遷移學習與修剪相結合（精簡模型以提供其需要關注的結果），意味著人工智能現在可以適應嵌入式處理器甚至微控制器。隨著人工智能深入物聯網，這將變得極為重要。

或許從我們的祖先時代就已經有了模糊的“人工智能”的概念，因為人類對于任何事物效率的提高一直有著無止境的追求。“人工智能從何而來？”似乎是一個非常抽象的問題，但這個問題重點并不是去解答這個問題，而是引發思考——“人工智能最終會去向何處？”