[AIOps番外篇]探究人工智能历史渊源

Posted 2021-04-24 大鹏杂谈

上一篇文章中讲到了是 Algorithmic IT Operations（机器算法IT运维），而非Artifical Intelligence Operations（人工智能运维），今天我们探索下为何如此…先给大家上关键节点：

ENIAC诞生

“科学的实际重要性，人们首先是从战争领域认识到的。”
——罗素

二战（1939年9月1日 - 1945年9月2日）时期，各国战略性武器就是飞机和大炮，因此研制和开发新型大炮和导弹就显得十分必要和迫切。为此美国陆军军械部在马里兰州的阿伯丁设立了“弹道研究实验室”。 该实验室每天为陆军炮弹部队提供6张射表以便对导弹的研制进行技术鉴定。事实上每张射表都要计算几百条弹道，而每条弹道的数学模型是一组非常复杂的非线性方程组。按当时的计算工具，实验室即使雇用200多名计算员加班加点工作也大约需要二个多月的时间才能算完一张射表。在“时间就是胜利”的战争年代，这么慢的速度怎么能行呢？

于是在1943年6月5日美国陆军资助宾夕法尼亚大学对ENIAC的设计和建造，并于1946年2月14日发布，这台机器花费了将近五十万美元（考虑通货膨胀，相当于2018年的一千万美元，这个情人节礼物有点贵），但它比当时已有的计算装置要快1000倍，而且还有按事先编好的程序自动执行算术运算、逻辑运算和存储数据的功能。ENIAC的第一次测试运行不是火力表，而是计算氢弹相关数据，输出结果100万张卡片（想想新中国研发原子弹的艰辛），至此宣告了人类一个新时代的开始。

让我们来缅怀一下曾经的王者（1946年2月14日 - 1955年10月2日晚上11点45分）

宾夕法尼亚大学展览的ENIAC的4个面板（40个）和1个函数表（3个）

曾经的屌丝程序员后来都入选了国际科技名人堂

图灵测试

“我们怎么知道其他人曾有同样的体验。”
——-阿尔弗雷德·艾耶尔《语言，真理与逻辑》

由于计算机的出现，已经可以在解决定向问题上的效率超越人类，很多哲学家开始思考“机器是否有可能思考这个问题”，其中笛卡尔指出，机器能够与人类互动，但认为这样的机器不能作出适当的反应。因此，笛卡尔借此区分机器与人类。但他没有考虑到机器语言能力未来能够被克服。

1950年，图灵发表了一篇划时代的论文《计算机器与智能》，文中预言了创造出具有真正智能的机器的可能性。由于注意到“智能”这一概念难以确切定义，他提出了著名的图灵测试：如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。这一简化使得图灵能够令人信服地说明“思考的机器”是可能的。

比如：

如果王刚旦同学使用测试对象皆理解的语言去询问两个他不能看见的对象任意一串问题。 对象：一个是正常思维的赵铁翠同学、一个是机器猫。 结果：如果经过若干询问以后，王刚旦不能实质分辨赵铁翠与机器猫的不同，则此机器猫通过图灵测试。

最初的人工智能研究是30年代末到50年代初的一系列科学进展交汇的产物。神经学研究发现大脑是由神经元组成的电子网络，其激励电平只存在“有”和“无”两种状态，不存在中间状态。维纳的控制论描述了电子网络的控制和稳定性。克劳德·香农信息论则描述了数字信号（即高低电平代表的二进制信号）。图灵的计算理论证明数字信号足以描述任何形式的计算。这些密切相关的想法暗示了构建电子大脑的可能性。

1951年马文·明斯基（人工智能之父）基于老师们的理想化的人工神经元网络研究与Dean Edmonds一道建造了第一台神经网络机，称为SNARC，至此打开了机器模拟人类思考的一扇大门。

阿兰·麦席森·图灵，是他

而不是他

人工智能

“我们只能看到眼前的一小段距离……但是，我们可以看到仍有许多工作要做。”
——阿兰·麦席森·图灵

诞生

1956年在马文·明斯基、约翰·麦卡锡（来自IBM）等人的组织下召开了第一届达特茅斯会议，会上正式确立了人工智能的研究领域，而麦卡锡则说服与会者接受“人工智能（Artifical Intelligence）”一词作为本领域的名称。他们中有许多人预言，经过一代人的努力，与人类具有同等智能水平的机器将会出现（由于这个牛逼吹的太大，毁了这个牛逼的词）。

黄金时代

在随后几届会议上，与会者开发出了计算机可以解决代数应用题，证明几何定理，学习和使用英语等等能力。当时大多数人几乎无法相信机器能够如此“智能”，政府也看到了人工智能的美好前景，对其投入了上千万美元被投入到AI研究中，以期早日实现这一目标。人工智能也迎来了它第一个黄金时代（1956 - 1974），像自然语言处理就出现在这个时期。

第一次低谷

到了70年代，马文·明斯基提出了一个对当时人工智能研究思路的一个比较典型的质疑：

原文	The box was in the pen	The box was in the pen
机器翻译	钢笔在盒子里	盒子在钢笔里

实际上pen在英语里还有"围栏"的意思，人之所以能翻译出来，是因为不仅仅针对“the box was in the pen”这句话，实际上还有pen背后的关联语义。所以如果让计算机模拟人来做实际是做不到的。

再加上由于人工智能研究者们对其课题的难度未能作出正确判断：此前的过于乐观使人们期望过高，当承诺无法兑现时，也就导致所有的人工智能程序都只是一地鸡毛，导致整个学术界也可以对人工智能这个词比较排斥，后来政府取消对相关研究的资助，人工智能也迎来了它第一次低谷（1974 - 1980）。包括像今天感知器和神经网络人工智能中核心被冷落批判导致其停滞发展10年之久。

重新繁荣

在80年代，一类名为“专家系统”（能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题）的人工智能程序开始为全世界的公司所采纳，而“知识处理”成为了主流人工智能研究（1980 - 1987）的焦点，比如1972年设计的MYCIN能够诊断血液传染病。这也让人工智能来了一次回光返照，但是好景不长。

第二次低谷

随着Apple和IBM生产的台式机性能不断提升，在商业领域上发挥的作用越来越大，到了80年代晚期，专家系统的实用性还是仅仅局限于某些特定情景，而人工智能在其它领域也没有突破迎来了第二次低谷（1987 - 1993）。

但80年代后期，一些研究者提出了一种全新的人工智能方案。他们相信，为了获得真正的智能，不能让机器模拟人的抽象推理，而应该去探究人类自身智能的形成原理和机制，机器需要感知，移动，生存，与这个世界交互。比如说飞机之所以能飞上天，不一定要模仿鸟一样如何去煽动翅膀，而是应该了解鸟儿飞起来的原理是依赖空气动力。

机器智能

“透过现象看本质。”
——马克思《资本论》

再次起航

由于改变了研究思路，再加上摩尔定律让机器的运算能力得到了指数级增长，科学界不在提人工智能的概念，而是提机器智能（1993 - 至今）的概念，在1997年5月11日，深蓝成为战胜国际象棋世界冠军卡斯帕罗夫的第一个计算机系统，让人们又一次看到希望。

随着云计算和大数据的兴起又为机器智能插上了翅膀，机器智能开始在推理运算、语音识别、图像识别、生物识别、生物医疗等多领域白花齐放有了实质性的进展，比如在2010年Google的无人驾驶汽车成功上路，2012年Nate Silver预测美国各州大选100%的正确度的让世人为止侧目，随后机器智能又在不改变方法不增加样本量的基础上进行深入学习，并在2016、2017年AlphaGo分别击败了李世石和柯洁，至此宣告机器智能元年的诞生。

AIOps大猜想

Gartner在2016年恰逢其时面向IT运维提出的 AIOps之所以称为Algorithmic IT Operations，大概也是为了回避Artifical Intelligence避免让机器模拟人来运维，而是在站运维的本质上来看机器智能运维，不得不赞叹Gartner对市场的敏感度及面对科学的严谨性。

本节我们算是补充了个小知识点，下一篇我们来讲讲AIOps核心组件，及其为运维带来了哪些改变。