英國著名計算機科學家艾倫·圖靈在1950年發(fā)表的論文《計算機器與智能》中，對人工智能的發(fā)展和人工智能的哲學作出了廣泛的研究。1936年，圖靈已經發(fā)展出了現(xiàn)代計算機的原理，并在二戰(zhàn)期間在布萊切利園破解密碼的過程中發(fā)揮了關鍵作用。在1950年的論文中，圖靈探索了“機器”和“思考”的含義，在后來的“圖靈測試”中，他提出，如果一臺機器進行的對話無法與人類對話相區(qū)別，那么可以說這臺機器能夠“思考”。他在計算機方面的早期研究成果被送到倫敦數(shù)學學會（London MathemaTIcal Society），并且證明了所有的數(shù)字計算機都有同樣的功能（也就是說，只要有足夠的內存和時間，任何計算機都可以模擬所有其他計算機的行為），這個實驗表達出了一個強有力的、優(yōu)雅且精確的概念。這篇論文至今仍被廣泛閱讀、討論、引用和納入選集。

人工智能領域的早期研究者們專注于開發(fā)必要的工具和技術，以幫助他們探索圖靈的思想。早期的方法主要針對符號編程（也就是能夠在自己的編程語言中操縱表達的程序），這是最有前景的范例。許多特殊目的語言都是以此為動力編寫的，其中最著名的是美國的LISP語言，但也包括來自英國的重要貢獻，比如POP-2（由愛丁堡大學的羅賓·波普和羅德·伯斯托發(fā)明）和Edinburgh Prolog（由愛丁堡大學的大衛(wèi)·沃倫發(fā)明）。

1952年，克里斯托弗·斯特拉奇在曼徹斯特大學使用FerranTI?Mark?1系統(tǒng)編寫了國際跳棋的玩法，在后來還編寫了情書。人工智能已經參與到了越來越復雜的游戲中，這一直是其進步的標志。

另一位前布萊切利密碼破譯者是唐納德·米奇，他后來在愛丁堡的機械智能與感知部門擔任主管。當時他發(fā)明的連三子棋程序MENACE對當時的計算機來說太過復雜，而他最初是用300個火柴盒來實施這個過程的。

到20世紀60年代，人工智能技術被應用于更為復雜的問題，并被運用到實際中。前期計劃包括制定解決問題的策略，從而逐步解決問題，比如自動推理，或者是規(guī)劃依據(jù)（由艾倫·邦迪首創(chuàng)）。

理解自然語言是另一個重要的部分；例如，Karen Sprck Jones發(fā)明了從文檔中檢索信息的方式，而Yorick Wilks的偏好語義是一種用來消除單詞歧義感的計算方法，這不僅是對人工智能的貢獻，而且直接挑戰(zhàn)了語言學中占主導地位的喬姆斯基范式。他們二人都是劍橋語言研究小組的校友，這是一個由維特根斯坦的學生Margaret Masterman創(chuàng)立的計算機語言學的傳奇熔爐。

在隨后的發(fā)展中，像愛丁堡的Freddy I和Freddy II這樣的機器人系統(tǒng)已經能夠將視覺、智能、多功能性和物理工程結合起來，來完成一些任務，比如組裝物體（需要為機器人開發(fā)的專用AI語言）。人工智能系統(tǒng)也對認知心理學這一學科產生了影響。研究人員包括理查德?格雷戈里、克里斯托弗?隆格希金斯、菲利普?約翰遜-萊爾德和戴維?馬爾，他們意識到，人類的認知過程可以被視為一種計算方式，并被模仿為計算機程序。

在全球以及在英國，人工智能經歷了向前發(fā)展的階段，也有相對停滯的時期（通常被稱為“人工智能的冬天”）。其中一個重大事件發(fā)生在1973年，,詹姆斯·萊特希爾（Sir James Lighthill）發(fā)表了關于人工智能的報告，該報告建議將人工智能資金集中在少數(shù)幾所英國大學。萊特希爾質疑了當時的人工智能能夠通過擴大規(guī)模來解決現(xiàn)實世界的復雜問題，而且確實，20世紀60年代的主流方法，將復雜的推理建模為可能的決策樹，很容易遇到組合性爆炸的問題。

但是，從長遠來看，符號編程的進步使人們對人工智能解決復雜問題的能力有了更深入的理解，特別是在工具和技術方面取得了特別的進展，可以模擬或支持復雜的專家推理在結構相對良好的領域的應用（在工作場所的應用是非常理想的）。

Knowledge-Based Systems（KBS），被稱為知識庫系統(tǒng)，將人工智能技術與其他類型的計算推理和領域相關專業(yè)知識結合起來，為非常常用但重要的現(xiàn)實應用程序創(chuàng)建系統(tǒng)。KBS不引人注目但實際的成功，幫助化解了萊特希爾的“悲觀情緒”，并為通過Alvey項目進行大規(guī)模的資金擴張鋪平了道路。回顧過去，我們所看到的人工智能冬天都是過度炒作的產物——支持者夸大了錯誤的失敗印象，并因此低估了研究中重要但未取成果的成就。

1983年至1987年期間，英國的Alvey智能知識庫系統(tǒng)（IKBS）計劃是為了響應其他國家的進展而開發(fā)的，尤其是日本（其這5年的項目依靠技術和語言，尤其是來自英國的Edinburgh Prolog）。Alvey影響了學術界研究能力的發(fā)展，也鼓勵了行業(yè)應用，使其專注于已經取得進展的實際問題，尤其是自然語言處理、界面和KBS。

這些應用程序逐漸將人工智能領域的目標從制造“思考機器”（這個概念一直存在哲學爭論）轉變?yōu)榱烁珊饬康臉嬒耄磩?chuàng)造出能夠發(fā)揮作用的機器，如果這些機器是由人類生產的，那么就可以將其作用歸因于“智能”（圖靈測試中隱含的一個概念）。這種智能的表現(xiàn)可能是由“蠻力”方法產生的，既沒有反映，也沒有試圖反映人類的問題。有趣的是，英國培養(yǎng)了許多重要的哲學家，他們幫助發(fā)現(xiàn)了這些區(qū)別背后的概念，比如瑪格麗特·博登和安迪·克拉克。

Alvey項目之后，AI的投資再次下降，但這一領域的前景已經出現(xiàn)了好轉，因為新的編程方法不再依賴于符號推理的線性組合。盡管符號編程是人類語言最簡單的編程類型，但模擬自然技術從感知環(huán)境（例如來自感官的信息）中也可以推斷出很多信息，因為它們不包括陳述性或假設性知識的直接表述。

從自然中獲得靈感的一個例子是遺傳算法，它將一個程序編碼為一組“基因”，然后以模仿進化的方式進行修改，尋找與不斷變化的與環(huán)境的“契合度”（早期項目包括理查德·弗西斯的小獵犬系統(tǒng)，用于模式識別）。另一種是神經網絡或連接主義系統(tǒng)，在這種系統(tǒng)中，人造“神經元”相互連接在一個系統(tǒng)中，這個系統(tǒng)的作用類似于人腦，由多個“神經元”相互刺激或抑制。與具有象征意義的人工智能一樣，研究人員經常在模仿人類大腦時進行逆向推理，來提高其性能（例如，由杰弗里·辛頓開發(fā)的反向傳播算法），但由史蒂夫·弗伯領導的大規(guī)模神經網絡SpiNNaker（2005-）仍然是大腦直接建模的傳統(tǒng)范式。其他與人工智能相關的非傳統(tǒng)計算方法還包括并行處理（并行處理多個處理器來解決問題）、多智能體系統(tǒng)（在一個環(huán)境中有許多智能自動代理交互）和機器學習（算法可以學習在數(shù)據(jù)中找到重要的結構，并通過培訓確定有趣的模式）。

其他國家和國際公司正在大力投資人工智能開發(fā)，但英國仍被視為人工智能研究和應用領域的專業(yè)中心，至少目前是這樣。例如，DeepMind的兩位創(chuàng)始人，在倫敦大學學院計算機神經科學組讀博士時結識，而這一小組的創(chuàng)始主任正是杰弗里·辛頓。英國可以繼續(xù)在圖靈的遺產和追隨他的人的基礎上繼續(xù)努力，繼續(xù)成為人工智能的重要中心之一。

Kieron o'hara博士，南安普敦大學電子與計算機科學系副教授和首席研究員。