人工智能发展神速？37年前的尘封档案告诉你并没有
更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）
《MIT 科技评论》AI 高级编辑 Will Knight 随之转推表示同意，称“历史总是惊人的相似”。
在他们看来，人工智能相关的基本概念和研究进展似乎过于缓慢。近日，AI 前线从《纽约客》挖掘到 1981 年的一篇对人工智能之父马文·明斯基的人物专访，我们得以拂去历史的灰尘，一窥在 20 世纪 80 年代，初步萌芽的人工智能研究究竟是什么面貌，以及这位 AI 界的领袖对 1981 年之前人工智能发展历程的回顾。
1979 年 7 月，一款名为 BKG 9.8 的计算机程序在蒙特卡洛举行的世界西洋双陆棋锦标赛中夺得冠军。这款程序的发明者是匹兹堡卡内基梅隆大学的计算机科学教授 Hans Berliner，它在卡内基梅隆的一台大型计算机上运行，并通过卫星连接到蒙特卡洛的一个机器人上。 这个名为 Gammonoid 的机器人胸前有一个西洋棋显示屏，可以显示它自己，以及其意大利对手 Luigi Villa 的动作。Luigi Villa 在短时间内击败了所有人类挑战者，赢得了与 Gammonoid 对弈的权利。竞赛的奖励是五千美元，Gammonoid 最终以 7:1 赢得了比赛。一开始，几乎所有人认为它会输，其创建者 Berliner 还曾在《科学美国人》中撰文，描述了比赛之前人们对 Gammonoid 是如何嗤之以鼻的。
然而结果让人大跌眼镜。
我其实对计算机其实一知半解。20 世纪 50 年代计算机普及以来，他是典型的接受计算机教育的一代人，可以操作最新的可编程随身计算机，懂得基本的编程语言。但作为理论物理学家，我避免了在大型机器上运行的物理问题。尽管如此，多年来我已经阅读了很多关于新的计算机革命和微处理器时代的书籍：一个微处理器可以将包含数千种元素的电路装入计算机硅晶芯片的时代，它小到可以插入针孔中去；机器的操作以十亿分之一秒为计量单位；而且，由于电磁信号仅能够以光速传播，从而导致机器性能受到限制的事实开始体现出来。关于这个问题和它的含义有太多的书籍和文章，很难区分谁对谁错，但是在所有这些计算机文献中，我一直很欣赏从马文·明斯基那里读到的东西，其自 1974 年以来一直是麻省理工学院的教授。在一篇题为《物质、精神和模型》（Matter, Mind, and Models）的论文中，明斯基对自由意志的评论如下：
如果一个人完全理解一台机器或一个程序，他就没有将“意志”归因于它的冲动。如果一个人不能很好地理解，他必须提供一个不完整的解释模型。我们日常的高级人类活动的直觉模型相当不完整，我们非正式解释中的许多概念都经不起仔细推敲。自由意志或意志就是这样一种观念：人们无法解释它与随机随想的不同之处，但强烈地认为它确实如此。我猜想这个想法起源于强大的原始防御机制。简单地说，在童年时代，我们逐渐学会各种形式的侵略和强迫，并对之产生厌恶心理，无论我们是屈服亦或抵抗。等长大一些，当我们被告知我们的行为应当受到诸如此类的一套规矩的“控制”时，我们将这一事实与其他识别的强制性行为一起植入我们的模型中（不恰当地）。我们抵制这种来自所有人的“强迫”感。尽管抵抗在逻辑上是徒劳的，但它们会留在我们的记忆中，并且因具有缺陷性的解释而合理化，因为这在情感上是不可接受的。
在文章的后面，明斯基写道：
当构建智能机器时，我们不难发现，它们对于心智、意识、自由意志等方面的信念和人类一样困惑和固执。所有这些问题都指向解释自我模型各部分之间复杂的相互作用。一个人或一台机器对这些事情的信念不会告诉我们关于这个人或机器的任何信息，而仅会告诉我们关于模型自身的东西。
我知道明斯基已经三十多年了，但在 20 世纪 40 年代末才第一次见到他本人。他在哈佛具体干什么我不太清楚，他跟着作曲家 Irving Fine 学习音乐作曲，身为本科生却已经在心理学院和生物学院各有一间自己的实验室，而且还完成了一篇后来证明是闪着智慧光辉的拓扑学论文。但所有这些兴趣之中，他对人类的思维研究工作最为严肃。当他还是一个学生时，至少在他看来，在这个世界上或者在科学的世界里只有三个有趣的问题。“遗传学似乎很有趣，因为没有人知道它是如何工作的，”他说道。“但我不确定它是否深刻。物理学问题似乎是深刻但可以解决的。从事物理研究可能是个不错的选择。但是智力问题看起来绝对无比深刻。 除此之外我不认为还有任何其他值得做的事情。”
在后来的几年里，我没有和明斯基保持联系，但大约一年前，当他意识到技术方面的新事物在逐渐吞没我们之后，决定去找他请教。他已经进入了一个现在被称为人工智能，或者 A.I. 的领域。在那之前，它甚至没有正式的名称。 （“人工智能”一词通常被认为是由明斯基在麻省理工学院的前同事 John McCarthy 提出的，他是麻省理工学院的一名数学家，现在是斯坦福大学计算机科学教授，他在 19 世纪 50 年代中期创造了这个词来描述某些机器做一些人们称之为智能（intelligent）的事情。1958 年，麦卡锡和明斯基在麻省理工学院创建了人工智能小组。在谈话中，明斯基非常健谈，颇具幽默感，带着灿烂的笑容。明斯基是我遇到过的头脑最清晰的人之一，他能够用简单的语言阐明最复杂的想法。我们在他 M.I.T. 的办公室和波士顿附近的家中进行。他的妻子 Gloria Rudisch 是波士顿当地一位著名儿科医生，他们和 18 岁的双胞胎孩子朱莉和亨利，住在一幢宽敞的房子里。 Minskys 最年长的孩子玛格丽特，二十三岁，毕业于 M.I.T.，现在正在研究航天和设计家用电脑的教育计划。
他家里的乐器装饰品透露出他对于音乐的热爱，杂乱的书房里有一台计算机终端。这个国家的 AI 研究人员可以通过这个他们于 1969 年创建的网络进行交流。他还用一台被记者误以为音响的机器向我演示如何生成复杂的音乐。明斯基告诉他，几年前，明斯基把一箱计算机模块带回家用于构建逻辑电路。他在调试电路时遇到了麻烦，因为他没有示波器——一种能够在屏幕上显示电路行为的仪器，而且他发现如果他非常快速地运行计算电路并将其连接到扬声器，他可以通过声音来分辨是否有错误发生。 “我将几个扬声器连接到电路上，通过声音我可以判断触发器是否已经无效。”触发器是一种可以找到两个稳定位置之一的电子元件。
有一天，他的朋友，一位 M.I.T. 的计算机科学教授 Edward Fredkin 来拜访时，对这个物件十分感兴趣，后来创立了一家公司把这个机器当作玩具来卖。
明斯基在 M.I.T. 人工智能实验室的办公室同样拥挤不堪。这里有一个机器人塑料雕像，还有不可或缺的计算机终端。该实验室拥有自己的大型计算机，多年来，该计算机上运行了任何人所能想到的几乎所有编程。它可以打开实验室的门，召唤大楼内的电梯；它装有机械手臂，还有特殊的电视摄像机，模拟视觉和无线电发射机，以操作遥控机器人。它曾经赢得过象棋比赛，上面还放着得来的奖杯。最初，该实验室位于一栋设有第二次世界大战电子实验室的摇摇晃晃的建筑物中，但自 1963 年以来，它已被安置在一栋俯瞰技术广场的现代化九层建筑的第三层楼上，与 M.I.T 校园隔街相望。大约有一百人在这里工作，其中包括七位教授，其中大多数是明斯基的前学生；约二十五名研究生；以及明斯基亲切地称之为黑客的一群人。这些黑客大多是进入 M.I.T.，并迷恋计算机的一群人。有些人从来不打算拿到学士学位，但有几个人获得了高等学位。
有一天，明斯基带我参观了 A.I. 实验室，并告诉了我它的发展历史。当他和麦卡锡成立人工智能小组之初，小组仅有他们两人和几个学生。大约一年后，当 Minsky 和 McCarthy 在 M.I.T. 的走廊里讲话时恰巧被当时学校的电子研究实验室主任 Jerome Wiesner 偶遇，交流之后三人感觉兴趣相投。麦卡锡当时正在启动一个计算机分时系统，并且还创造了一种新的非常复杂的计算机语言，而明斯基开始尝试让计算机去做非数字任务，比如近似推理。 Jerome 向他们提供了所需的资金。几年来，他们从未写过研究计划。然而自此事情发生了变化，提出书面申请后，实验室每年可以从各个政府机构那里获得 250 万美元的资金支持。 1968 年，当该小组正式成为人工智能实验室时，明斯基成为其董事，直到 1973 年，他一直担任这项工作，后来他厌倦了编写资金申请提案，将董事职位转交给他以前的学生之一 Patrick Winston。
在实验室，我注意到一幅约 6 英尺的巨幅画像，乍看上去就像是街道规划图，然而明斯基告诉我这其实是计算机芯片的线路图，它是专为人工智能工作而设计的第一台微型计算机的重要组成部分。这台电脑是由 Gerald Sussman 和他的一些学生设计的，Sussman 曾是明斯基的学生，现在是 M.I.T. 的电气工程教授。在三楼，我看到了实际的芯片。它的面积不到半英寸，比其电路图大约小十万倍，我们不得不把它放在显微镜下才能看到电路线。计算机芯片上有两条电路线交叉的晶体管，每个晶体管的约为 7 微米，相当于红色血细胞的大小。下一代晶体管将只有其四分之一大小。
在三楼，他还向我展示了一台由他设计和建造的计算机。1970 年，他坚信可以生成自动视觉显示的计算机是很有价值的教辅工具。“所以我设计的这台电脑能够在屏幕上每秒制作 200 万个点，可以产生足够逼真的动画效果。”相比之下，典型的爱好电脑每秒只能画几千个点。明斯基称他的计算机为 2500，寓意他认为它所在的学校价值 2500 美元。一年来，他沉浸在设计中，并像阅读小说一样学会看电路图，了解了两百多种电脑芯片的工作原理。他的工作得到了斯坦福大学人工智能实验室的帮助，该实验室是 John McCarthy 于 1963 年成立的，开发了一些程序，可以自动分析短路和有其他缺陷的电路图。明斯基在自己的电脑控制台上使用这些程序，在办公室里设计了这台机器。它所需的三百个芯片从德州仪器订购，光电路图就花费了二十四页图纸。“连接电脑曾经是一项艰巨的任务，”明斯基指出。“但所幸我们可以把整个东西放在磁带上，这样就可以通过自动布线机来读取信息。完成之后，我们必须插入三百个芯片并连接电源，键盘和电视屏幕。这并不是那么容易，但它证明了一小撮人和一个有用的计算机设计程序可以比一个大型工业设计部门做得更好。”
而此时，来自南非的数学家 Seymour Papert 加入到 AI 实验室。他发明了一种孩子们可能会喜欢的机器语言——logo。明斯基向我展示了如何使用它让机器在其显示屏上绘制各种多边形，并使它们像螺旋桨一样旋转。他有一段时间没有使用该程序，期间显示器还因数据不足而暂停。
20 世纪 70 年代初，Minsky 和 Papert 联合创办了一家公司来销售这种机器，但是最后因为资金断裂而破产。在过去的一年中，从事 logo 语言工作的人们设法找到了将其编程到家用电脑中的方法，Minsky 和 Papert 再次尝试将它推广到儿童中，因为机器现在已经变得足够便宜，供学校使用 购买。明斯基认为，几年后，他们应该变得和原来的 2500 一样强大。
明斯基于 1927 年 8 月 9 日在纽约出生。
和所有数学天才一样，明斯基并没有数学方面的背景，他的父亲是一名眼科医生，母亲是一名犹太复国主义狂热者，上有一个建筑师和画家的姐姐，下有一个身为疾病控制咨询顾问的妹妹。
但他的智力水平在 5 岁时经历的一次智力测试中就得以体现，也因此根据测试结果进了一个公立天才儿童实验班。
在小学、初中、高中阶段，这位数学天才也和普通人一样经历过校园欺凌和嘲笑，甚至还因为字写的难看被要求留级，父母觉得理由不合理让他匆忙转学。
在菲尔德斯顿高中（Fieldston），明斯基对科学的兴趣开始萌芽，并于 1941 年进入布朗克斯科技高中（Bronx High School of Science），这是一所培养对科学感兴趣的年轻人的学校，该校曾培养了 1979 年诺贝尔物理学奖两位得主 Steven Weinberg 和 Sheldon Glashow。在这里，他接触到了计算机先驱 Russell Kirsch，哈佛的应用数学和信息资源教授 Anthony Oettinger，以及人工智能先驱 Frank Rosenblatt，他发明了 Perceptron，但不幸于 1971 年在一次沉船事故中丧生。
1945 年，明斯基应征参加美国海军，他在五大湖海军训练中心练就了高超的射击技巧，并在结束服役后于 1946 年 9 月进入哈佛。
在这里，他学会了高等微积分，同时对社会学和心理学、神经学非常感兴趣，并提出了一些学习机器学习过程的理论。
他还做了一个有趣的实验项目，用一台仪器连接上小龙虾的爪，通过刺激特定神经纤维来控制爪的张合来抓取物体。这激发了他对机器人工具的兴趣，在这个领域尝试为手术等建立更好的显微操作器。 虽然在这个领域几十年来一直没有取得太多的进展，他还是决心坚持下去。
提起大学时光，明斯基称给他留下最深刻印象的同学是只比他大几岁的数学家 Gleason，他用了几年时间解开了当时被认为是世界上最难解的难题之一——希尔伯特第五问题，这也让明斯基第一次意识到数学是一个可以跨越几乎所有困难的阶梯。
结束了在哈佛的快乐时光后，明斯基来到普林斯顿数学系，导师是 Solomon Lefschetz。
在这里，他遇到了志同道合的电子系同窗 Dean Edmonds，并说服哈佛的 George Miller 从伦敦海军研究局处获得资金，进行了研发具有学习能力的电子学习机器的项目。“这台机器有三百个电子管和很多电机，一些我们自己加工的自动电动离合器。机器的存储器存储在其控制旋钮的位置（其中 40 个），当机器学习时，它使用离合器来调整旋钮。我们用一架 B-24 轰炸机的自动操纵装置来移动离合器。“明斯基讲道。
毫无疑问，明斯基的机器是世界上第一台电子学习机器之一，也许是第一台。然而，这台机器除了神经元和突触及其内部记忆回路之外，许多网络都是随机连接的，因此无法进行预测。一个“老鼠”会在网络中的某个点产生，然后开始学习到某个特定终点的路径。首先，它会随机进行，然后通过使机器更容易再次进行选择来增强正确的选择，从而增加其执行的可行性。通过灯光布置，实验者可以跟踪老鼠的进展。 “事实证明，由于我们设计中的问题，我们可以将两三只老鼠放在同一个迷宫并追踪它们，”明斯基告诉说道。“这些老鼠实际上是相互影响的。如果其中一只找到了一条好路径，其他老鼠会跟上它。我们惊讶于它的小神经系统可能会同时发生多项活动。由于布线是随机的，这反而带给系统一种故障安全特性，其中一个神经元停止工作也不会产生很大影响。而且，由于有近三百个电子管和我们焊接的数千个连接，到处都可能出现问题。“
由于这台机器几乎是操作性条件反射的，而且不能进行预测，学习能力有限，它在当时并没有引起多大的重视。然后，我对机器进行了二次记忆的改动，这样就可以进行预测。当机器处理新出现的情况时可以搜索记忆，如果过去的记忆中有相关的“不愉快经历”，系统会学会尝试另外的路径。“我曾经天真地以为，如果建立一个足够大，足够多回路存储器的网络，这台机器就可以具有想象力。这在之后成为一个研究方向，被称为自组织随机网络。但我没有能力构建这样的网络。“当宾夕法尼亚大学莫尔电气工程学院已经创造出第一台电子数字计算机时，明斯基却没有在计算机上模拟运行他的学习机器。据他所说是出于两点考虑：第一，担心机器学习的复杂性；第二，认为他的机器对于研究任何方式的学习来说都还不够大。尽管如此，他还是凭借一篇神经系统学习方式的论文获得了 Ph.D.。
之后，明斯基在哈佛开始建立自己的人工智能团队，共三十多人。两年后，即 1956 年，正值历史上的大事件——达特茅斯人工智能夏季研究项目启动。此前一年，明斯基和他的三位同事——他在普林斯顿的同窗 John McCarthy、IBM 实验室的信息研究 bu 部门经理 Nathaniel Rochester 和贝尔电话实验室的数学家 Claude Shannon，一起向洛克菲勒基金会提出应该召开一次被麦卡锡称之为“人工智能”的会议。洛克菲勒基金会认为这个提议十分有趣，并为这次会议赞助 7500 美元资金。不用多说，之后这些参加会议的人都成了人工智能领域的大人物。
明斯基说道，当时让他感到震惊的有两件事，一是 IBM 公司的工程师当时已经制作出了 701 计算机，已经具有数百个神经；另一件事是 1959 年，IMB 的年轻物理学家第一次用计算机证明了一条计算机定理。
之后，明斯基沉迷于用机器学习证明一些数学原理问题，并成功地用机器学习的毒液逻辑证明了上图中简单的 BA 与 BC 相等的问题。
在这之前几个月，兰德公司和卡内基技术学院的 Allen Newell、 J. C. Shaw 和 Herbert Simon 已经发明了一种被称作 I.P.L.（information-processing language）的语言，John McCarthy 提出将之与 IBM 的 fortran 语言相结合，创造出一种可以编写几何定理的语言，Gelernter 付诸实践，创造出 flpl 语言。几年之后，麦卡锡又结合 I.P.L. 和 flpl，以及其他人的思想发明了新语言——lisp（list-processing），成为下一代计算机研究语言。1959 年，他的这一语言已经可以实际应用。
1957 年，明斯基加入 MIT 林肯实验室，与研究计算机图像识别第一人 Oliver Selfridge 成为同事，并于同年与麦卡锡成立 AI 小组。麦卡锡在之后的四年里对计算机科学的研究一定程度上奠定了 AI 领域的基础，其中一项就是计算机分时系统，即后来被普遍使用的多人可以同时使用一台计算机处理任务的方法。但在当时，几乎没有人认为这是一件重要的事情，很多人分不清分时和多任务处理的差异，他们花了很长时间才说服老同学的公司 Digital Equipment Corporation 采用了分时处理器，不久，他们有了第一台商用分时计算机，Digital Equipment Corporation 也成为最大的计算机公司之一。然后我们决定分时共享 M.I.T. 的计算机。效果出人意料地好，因此 M.I.T. 长期每年从国防部高级研究计划局的计算机科学研究部门获得三百万美元资金。”
像明斯基和麦卡锡这样的人在计算机革命中发挥如此大的作用，部分原因是由于晶体管的发明，以及高级计算机语言的发展，即使是年幼的孩子学习也几乎没有问题。晶体管是由 John BardeenWalter H. Brattain 和 William Shockley 于 1948 年发明的。自问世以来，晶体管已经以许多不同的方式发展。
1954 年，市场上出现第一台晶体管收音机，它们是由印第安纳波利斯的工业发展工程联合公司制造的，在商业上取得巨大的成功。1959 年，飞兆半导体公司开发出第一款集成电路。这款电路中，晶体管中加入硅芯片，被这些晶体管通过像铝这样的导电材料彼此连接，因为铝比铜更容易附着到硅上。1961 年，数字设备公司销售了第一台小型计算机，并于 1963 年制造出带有半导体元件的电子袖珍计算器，但直到 1970 年代才开始批量生产 ，费用随之大幅下降。
1979 年，根据罗切斯特大学计算机科学系主任 Jerome A. Feldman 统计，仅在美国，当时就有超过 150 多种用于各种用途的编程语言。对于简单的数值计算，大多数语言几乎同样适用；实际上，1963-64 年由达特茅斯的一个小组开发的 basic（初学者通用符号指令代码）是小型家用计算机中使用最广泛的语言，可以完成家用电脑所需的几乎所有任务。（大多数人似乎就是用电脑玩游戏，而游戏的程序是现成的）。这些小型计算机的内存非常小，最多只有 6508 比特，所以最先进的计算机语言不能得到充分利用。有人开始察觉到人工智能领域所需的程序复杂性要比这些大得多。对于这些程序，fortran 和 basic 都不够复杂。当 fortran 问世时，每一比特的计算机内存花费超过一美元。今天，人们以 6 美元左右的价格可以购买 65000 比特内存的电路芯片，价格下降约一万倍。下一代个人电脑应该可以为用户提供最先进的计算机语言。但明斯基认为，将来最有用的语言将是人工智能编写的程序。这个想法是让每个人，不仅是程序员，用非正式的术语来描述他想要一个程序做什么，或仅仅通过展示程序编写程序的一些例子，让计算机编写一个程序来完成所描述的任务。这个过程比聘用专业程序员要便宜得多。
在 20 世纪 50 年代，已经有很多人在研究国际象棋编程，包括对人工智能先驱人物阿兰·图灵。当时最好的国际象棋程序是 Belle，由贝尔实验室的 Ken Thompson 和 Joe Condon 创建，其后是西北大学的 David Slate 和 Lawrence Atkin 发明的 Chess 4.9，Belle 的得分为 2,200，Chess 4.9 的得分为 2,050。总的来说，这些程序并不真正模仿人类象棋大师，人类的国际象棋大师可以或多或少地了解一个位置的总体结构，然后分析数步三或四步棋路。
1959 年，明斯基的高中同学 Frank Rosenblatt 发明了第一台能够处理复杂模式识别的计算机。
1963 年，南非的 Seymour Papert 来到 MIT，明斯基和他开启了一项研究人类意识、儿童心理学、实验机器人、计算理论的项目，并计划制造一台能够处理复杂问题的“智能”计算机。这一研究就是十多年，在第十个年头，明斯基改变了事事亲为的做法，用资金大力招募人才，招揽了一大批来自各个领域的人才来进行这项研究。
研究过程遇到很多问题，与此同时，明斯基和他的同事们参与了另外两个项目：计算机语言学和机器人。他们在计算机上尝试的最早的非数字项目之一是语言翻译。 结果一言难尽，部分原因是因为机器对语法的了解还不够，以及词语固有的模糊性，简单的逐字翻译可能会得出荒谬的结果。
明斯基对机器人项目一直兴趣颇深。1962 年，跟着 Minsky 和 Claude Shannon 学习的 Henry Ernst 发明了人工智能小组的第一台电脑控制机器人。这是一个带有肩膀，肘部和手爪的机械臂，基本上就是用来远程操纵放射性材料的手臂，可以放置和抓取物体。
当时，人工智能领域内外对“人工智能”的定义发生激烈的争论。该领域工作人员最普遍接受的观点是，人工 智能是生产并输出与人类头脑相似甚至最终无法区分的结果的机器。终极人工智能可以执行所有的认知功能。那么，“机器”又是什么呢？ 几乎所有的这个领域的工作者似乎都认为机器就是某种数字计算机。
在这方面，存在着一个自 19 世纪以来就广为人知的观点，即虽然真正的计算机可能有无数种，但理论上只有一种。这个概念来源于阿兰·图灵，他构思了一种他称之为抽象通用计算机的东西，原则上它可以被编程模仿所有其他计算机。这台通用计算机可以执行所有计算机模型可以执行的所有操作。
人工智能的目标之一是建立一台计算机，它与人类的智力不相上下，人类能用思维玩象棋和跳棋、做数学研究、写音乐和读书，理想的机器也必须能够做到所有这些事情，至少达到和人类一样的水平。显然，制造这样一台机器是一项艰巨的任务，也许是不可能的。和面临所有非常复杂问题的科学家一样，从事人工智能工作的人们一直在试图各个击破完成这项任务，因此，他们制造机器，包括硬件和必要的程序，“理解”报纸内容、识别图像。不可否认，那些机器已经可以不同程度地完成这些事情，但问题在于这意味着什么。我们是否正在接近更好地理解人的思维？。即使我们能够建造一个人形机器，也会有人认为它并不真正理解自己在做什么，它只是在模拟信息，并且永远不可能超越现实。
对此，明斯基认为，“我相信，对于‘智能’的理解，应该是拥有人类思维中可以理解特定事物，以及可以理解为什么了解这些事物的能力。如果你想学习一些知识，最重要的是要知道你的大脑中哪个部分擅长学习那种东西。我不太注重统一的一般理论。我正在寻找一种可以解释大脑的各部分是如何拥有足够的理解能力去解决所面临所有问题的理论。我有兴趣研究各种简单的学习机器的方法，其中每一种方法都以互相学习彼此擅长解决的问题为主题。最后，我希望它们能够形成一个闭环，让所有的部分都能找到优化本身的方法。 至少，这是我的一个梦想。”
原文链接：
https://www.newyorker.com/magazine/1981/12/14/a-i
今日荐文
点击下方图片即可阅读
Spark 2.3重磅发布：欲与 Flink争高下，引入持续流处理
AI 在工业界的落地，目前都有哪些应用场景和落地方案？特别是火热的深度学习技术到底可以解决哪些业务问题？这些技术什么时候用？如何正确使用？AICon 人工智能专家团为你解读深度学习在 CTR 预估、图像处理中的应用，系统分享知识图谱技术，从模型到实战，直击 AI 落地。
扫描上方二维码或者点击「阅读原文」免费试看课程。