原创：张天奇 & wk Refinitiv创新实验室
我们首篇文章向大家介绍了机器学习的一些基本常识，但是很多好学的同学们看了以后嗷嗷直叫不过瘾，为了满足同学们强烈的求知欲，因此我们推出了基本常识的续集—当AI群星闪耀时
记得《三体》里有个将宇宙飞船加速到十分之一光速的解决方案：在渺茫的宇宙空中，每隔一段距离就放置一个核弹，飞船靠辐射帆推动，每经过一个核弹，核弹就发生爆炸，靠着核弹爆炸的辐射推动，飞船因此逐渐加速。 而这个场景，跟我们要讲述的历史何等的相似。 如果我们将人类的历史，无论是经济，政治，文化，还是科技都比作这艘飞船，那么，推动我们历史前进的核弹就是那些光辉璀璨的伟人们。今天，我们要讲述的机器学习史，将沿着时间的脉络，寻觅那些曾经的人，那些曾经的事，那些永恒的光辉和伟岸。
机器学习简史（图片来源： Brief History of Machine Learning）
神经学往事
神经学是心理学的一个分支，在神经学的众多大神的努力之下，对于人类神经工作模式的探索已经经历了几百年，对神经的工作原理也有了深刻的理解，而这一切，都为后来的神经网络打下了良好的基础。这也是一段十分伟大的历史，感兴趣的同学们可以读读《脑机穿越》，《连接组》等科普著作，享受这段神奇历史。而这，也是我们所讲的AI的导火索中那长长的一段。而后，计算机巨匠的介入，生物学和计算机学，数学的融入，AI进入了属于它的时代。
1950年 美国
38岁的图灵已经是曼切斯特大学计算实验室的副院长，在过去的岁月中，他以其敏锐的头脑在数学，密码学，计算机学上披荆斩棘，建立了非凡的成就。而这年，图灵稍稍的思考了一下他对计算机的一些理解，整理成《计算机与智能》《机器能思考么》两篇文章，提出了人工智能界无人不知的图灵测试，从此，计算机界潮水涌动，AI正式被人们所观察和认识，踏上了它的发展之旅。 而我们的英雄却三年后早早离开，未能见证它的繁华。
阿兰 图灵
1957年 美国
康奈尔大学的实验心理学家弗兰克·罗森布拉特在一台那个时候的IBM巨型机上跑了一个叫做“感知机”（Perceptron）的神经网络模型。这个模型当时在科学界引起了巨大的轰动。因为计算机冒出来以后，对于计算机能做的事情，人们一直心存敬畏，而这个老头竟然告诉大家，计算机可以模拟大脑，于是当时人们接近奔溃的疯狂也可以理解（你看看跟我们现在的情形不也一样么）。但这是一个英雄辈出的年代，罗森布拉特遇到了同时代AI的另外一位奠基人明斯基（Marvin Minsky）的质疑, 神经网络原本在布拉特的感知机模型下前途一片光明，明斯基却给他们浇了一大盆冰水，十多年后，明斯基证明感知机不能模拟简单的XOR异或函数，加之政府的长期投入却丝毫没有成果，于是神经网络跌下神坛，不再被人提及,直至Webbos解决XOR问题，提出BP算法。罗森布本人在1971年据说投湖自尽，而他的老对手在2016年见证了AI的再次辉煌之后，才离开人间。
弗兰克·罗森布拉特
1959年 美国
在IBM工作的科学家Arthur Samuel闲来无事，编写了一个游戏。这是一个跳棋游戏，但也远非这么简单，游戏程序中内置了一套算法，可以通过观察当前棋子的位置来判断胜率。游戏程序还可以记录下所有它见过的棋谱。在后来的发展里，ArthurSamuel向它输入职业选手的对局，并且让游戏程序自身与自身对决来增加它的棋艺。通过这个游戏程序，Arthur Samuel提出了机器学习的概念，并将它定义为“可以提供计算机能力而无需显式编程的研究领域”。
Arthur Samuel
1969年 美国
马文明斯基，罗森布拉特的老对手，这个时候气候已成。1956年时，他便与香农和麦卡锡一起发起了达特茅斯会议，1958年，也就是他从哈佛毕业的第四年，明斯基从哈佛转到MIT，成立了世界上第一个人工智能实验室，顶上了人工智能之父的光环。而1969这年，他发表了那本惊世骇俗的《感知机：计算几何学》一书，指出了感知机中不能实现的不足，提出了两个对于机器学习要解决的两个基本论点：
(1) 只能解决线性问题的算法是不够的, 需要能够解决非线性问题的算法。
(2) 只能解决理论世界问题的算法是没有意义的, 需要能够解决实际世界问题的算法。
同时，他也拿到了那项计算机界的诺贝尔奖--图灵奖，成立了自己的人工智能公司。一切都那么完美，只是，顶峰之后便是低谷。人们对于人工智能有的极高的期望，而计算机的算力还远远不足以满足人们的期望，人工智能的研究从这年开始，进入了十多年的低潮期。一直到 1986年，Rumelhart等人的BP 算法解决了XOR 问题, 沉寂近二十年的感知机研究方向重新获得认可, 神经网络和AI才重获学术界关注。
马文 明斯基
1986年 美国
这个时候，第一届由卡梅隆大学召开的机器学习国际研讨会已经召开了有6年，机器学习再次复兴。韦伯斯的反向传播算法（BP）算法提出也有五年，大家开始尝试着把BP算法和MLP算法结合起来，黑盒的神经网络再次浮出水面。而此时，最引人注目的还是Quinlan(罗斯.昆兰)提出的ID3决策树算法。当然，十大算法之列的KNN已在1967年就已发明，而ID3决策树算法是继KNN之后，近似大脑思维而又清晰可解释的一种算法。昆兰在2011年获得了数据挖掘领域最高荣誉奖KDD创新奖，功成名就。
罗斯 昆兰（图片来源: 李航，机器学习史）
1990年 美国
这个时候的计算机科学家Robert Schapire 还没有从MIT博士毕业，但次年，他将会因为他的 Boosting算法闻名遐迩。Yoav Freund 修改并提粗了更高效的boosting算法。五年之后的他们又一起提出了Adaboost算法，相比之前的Boosting算法，这种算法不需要弱分类器的先验知识，应用更加方便。现在Schapire 还在微软研究院担任资深科学家，机器学习之路还在继续。
Robert Schapire
1995年 俄罗斯
Vladimir Vapnik 在数学天才众多的俄罗斯崭露头角，作为统计学博士的他提出了目前工程界应用最广的机器学习方法SVM支持向量机。SVM的高效性能并且在神经网络无法取得较好效果的领域的优异表现，此外，支持向量机能够利用所有的先验知识做凸优化选择，产生准确的理论和核模型。因此，它可以对不同的学科产生大的推动，产生非常高效的理论和实践改善。这种特征为它获取了一大波的粉丝，为此机器学习社区还差点因此分道扬镳，神经网络和SVM 闹的沸沸扬扬。值得一提的是，Vapnik在2006年投身美国，在美国继续自己的统计学事业。所以，不得不感叹，美国依然是科技工作者的圣地。
Vladimir Vapnik
2006年 美国
前人的努力，终于在深度学习教父级人物Hinton的坚持下迎来了胜利的曙光。 Deep Learning 在这年由Hinton提出，他和他的学生在科学杂志上发表了一篇深度学习的文章，阐述了两个观点： 1 深度学习更好的识别特征，准确率更高，应用性更强。 2 逐层训练，使深度学习的模型训练难度降低，容易操作。从此， Deep Learning 在工业界和学术界激起有一股机器学习的狂潮。Hinton 本人的经历也很值得回味，出生于英国的一个精英世家，大学退学做木匠，而后又重返学术界，在所有人抛弃神经网络的时代，就靠自己对神经网络的信念，支撑了二十年，就像飘落孤岛的鲁宾逊，直到命运的船只最终选择在他的孤岛上靠岸。而且, Hinton 拒绝AI用于军事，在发现大部分AI项目都由军方资助之后，毅然决然的前往多伦多，不再接受由军方资助的项目。 Hinton 后来注册了两个AI公司，被谷歌收购，在2012年时，谷歌大脑项目成功的在海量信息中自动提取数据，自己学习到了猫的概念，从此震惊世人。
Hinton
2010-现在 全球
这是AI大爆发的时代：
2012年，Hinton的深度学信模型AlexNet在ImageNet大赛中夺冠，同年，吴恩达和Jeff Dean领导的深度神经网络把ImagNet的错误识别率从26% 降低到15%.
2014年，Facebook的DeepFace项目 将人脸识别率提高到97%，从此以后，AI开始超越人类的认知能力。
2016年3月15日，韩国首尔，李世石登上棋坛，与AlphaGo进行这场载入历史对决的最终局，昨天他通过“神之一手”扳回一局，很可惜，今天他输了。斗士怀揣着掌声与敬意黯然离场，然而不管是李世石本人，还是观念被震动的普通人，他们或许不知道在昨天那个或难熬，或静谧的夜晚里，AlpahGo又和自己下了一百万盘棋。
假想中的机器人
展望
远瞻未来，或许人类将智慧转移到AI之后，AI将重新定义智能。 未来又是什么样？ 我们大胆前行，拭目以待~
如果你看到如此的历史内心波涛澎湃，斗志四起，欢迎关注我们的公众号，我们一起探索发现，创造未来！
