機器學習簡史——經理人必讀
「機器人會夢見電子羊嗎？」仍不失為一個好問題（譯者注：《機器人會夢見電子羊嗎？》（Do Androids Dream of Electric Sheep）為菲利普·迪克所著科幻小說，電影《銀翼殺手》根據該小說改編而成），但是科學事實已經發展到開始與科幻小說相吻合的程度了。不，我們（目前）還沒有造出掙扎于生存危機的自主機器人，但是我們距離人們所謂的「人工智能」確實越來越近了。機器學習是人工智能的一個分支，它的算法能夠從數據和信息中進行自主學習。在機器學習中，計算機不需要被精確地編程，卻可以不斷改進自身的算法。
如今，機器學習算法讓計算機能夠和人類交流、自動駕駛汽車、寫作并發表體育賽事報道以及搜尋恐怖分子嫌疑人。作者堅信機器學習將會深刻地影響絕大多數的行業及其就業情況，因此，每個經理人都應該對機器學習的概念及發展有一定程度的了解。這篇文章，作者將快速地回顧歷史，以考察機器學習的源起及其最新突破。
1950 ——阿蘭·圖靈創造了「圖靈測試」來檢驗計算機是否具有真正的智能。計算機必須在測試中讓一個人類相信它也是人類，才算是通過圖靈測試。
1952——Arthur Samuel寫出了第一個計算機學習程序，該程序用于國際跳棋比賽。IBM的計算機通過不斷對局，學習哪些招式有助于贏得對局，并將這些招式納入自己的程序中。
1957——Frank Rosenblatt設計出了第一個計算機神經網絡——感知機（the perceptron），它模擬了人腦的運作方式。
1967——「最近鄰」算法（The nearest neighbor algorithm）出現，由此計算機可以進行簡單的模式識別。它可以幫助旅行商制定旅游路線圖，，即保證旅行商從任意城市出發，以最短的總路程遍歷所有城市。
1979——斯坦福大學的學生研發了「斯坦福車」（Standford Cart），它可以自動定位房間中的障礙物。
1981——Gerald Dejong提出了基于解釋的學習（Explanation Based Learning，EBL）這一概念——通過分析數據并舍棄次要信息，計算機能夠創造出一套它可以理解的規則。
1990年代——機器學習的方法從知識驅動轉為數據驅動。科學家們開始研發能夠讓計算機通過分析海量數據，并從結果進行總結（「學習」）的程序。
1997 ——IBM的「深藍」（Deep Blue）打敗了國際象棋的世界冠軍。
2006——Geoffrey Hinton正式提出了「深度學習」的概念，它解釋了那些能夠讓計算機「看見」并且區分圖像和視頻中的物體及文字的算法。
2010——微軟的體感設備Kinect能以每秒30次的速度捕捉人類的20個特征，讓人類得以通過動作和手勢與計算機進行交流。
2011——IBM的Watson在Jeopardy游戲中擊敗人類對手。
2011——谷歌大腦（Google Brain）項目啟動，它的深層神經網絡可以像貓一樣識別并分類物體。
2012——谷歌的X實驗室研發了能夠自動瀏覽油Tube視頻并識別出包含貓的部分的機器學習算法。
2014——非死book研發了DeepFace，這個軟件算法可以識別或者核實照片中的人物，它的水平已經達到和人類一致。
2015——亞馬遜發布了自己的機器學習平臺。
2015——微軟創建了分布式機器學習工具包，它讓機器學習問題能夠在多臺電腦間有效配置。
2015——超過3000名人工智能及機器人學研究者，受到史蒂芬·霍金、伊隆·馬斯克及史蒂夫·沃茲尼亞克等許多人物的公開支持，簽署了一份公開信，警告那些能在沒有人類干預下鎖定目標的自動化武器的危害。
2016 ——谷歌的人工智能算法打敗了圍棋專業選手。圍棋這一中國的棋盤游戲被認為是世界上最復雜的游戲，比國際象棋難出許多倍。谷歌DeepMind 團隊的AlphaGo算法在5局對弈中均取得勝利。
于是，我們正在向人工智能靠近嗎？一些科學家認為這個問題本身就是錯誤的。他們認為計算機永遠不會像人類那樣「思考」，把計算機的計量分析和算法與人腦運作機制進行比較就像是拿蘋果和橙子對比。
無論如何，計算機進行看、理解以及與世界交互的能力正飛速發展。而且隨著我們所產生的數據量以指數倍增長，我們的計算機處理、分析——以及學習這些數據的能力也隨之突飛猛進。
本文選自 forbes ，作者： Bernard Marr ，機器之心編譯出品，編譯： 張詩玥。
來自： http://www.almosthuman.cn/2016/02/29/p4lh1/