人工智能基本概述

　　人工智能（Artificial Intelligence，AI）是由 McCarthy 于 1956 年在 Dartmouth 学会上正式提出；随后，在20 世纪 60 年代，感知机被提出；专家系统、知识工程于 20 世纪 70 年代开始出现。在接下来的十多年里，人工智能进入了低谷期。直到 20 世纪 80 年代到中期开始，有关人工神经元网络的研究取得了突破性的进展并带领人工智能走进全新的发展领域。Rumelhart 于 1969 年提出了反向传播（back propagation- BP）学习算法，解决了多层人工神经元网络的学习问题，掀起了人工神经元网络的研究热潮。

　　1985 年，Geoffrey Hinton 使用多个隐藏层来代替感知机中原先的单个特征层，并使用 BP 算法来计算网络参数。1989 年，Yann LeCun 使用深度神经网络识别信件中邮编的手写体字符。从 1987 年开始，随着电脑性能不断提升，人工智能的硬件市场急剧萎缩，人工智能经历了第二次寒冬。

　　直到 2006 年，Hinton 提出了深度置信网络（Deep Belief Networks, DBN），其降低了学习隐藏层参数的难度，并且该算法的训练时间和网络的大小和深度近乎线性关系，其带领人工智能重新进入人们的视野。人工智能进入了新一轮的快速发展阶段，迎来了第三次浪潮。2010 年，美国国防部 DARPA 计划首次资助深度学习项目。

　　2012 年，Hinton 将 ImageNet 图片分类问题的 Top5 错误率由 26% 降低至 15%。2014 年，Google 将语识别的精准度从 2012 年的 84% 提升到如今的 98%，移动端 Android 系统的语言识别正确率提高了 25%。人脸识别方面，Google 的人脸识别系统 FaceNet 在 LFW 上达到 99.63% 的准确率。2016 年，DeepMind 使用 了 1920 个 CPU 集群和 280 个 GPU 的深度学习围棋软件 AlphaGo 战胜人类围棋冠军李世石。2017 年 4 月，AlphaGo 向柯洁等中国棋手再下战书，人工智能进入快速发展阶段。

　　
人工智能发展史 ( 来源：https://zhuanlan.zhihu.com/p/87153966)在以神经网络为基础的人工智能发展期间，以马尔可夫决策过程为基础的强化学习也在不断发展。1954 年 Minsky 首次提出“强化”和“强化学习”的概念和术语。1957 年，Bellman 提出了求解最优控制问题以及最优控制问题的随机离散版本马尔可夫决策过程（Markov Decision Process，MDP）的动态规划方法。随后 Howard 提出了求解马尔可夫决策过程的策略迭代方法。自此强化学习进入了一段长达三十年左右的低谷期。直到 1989 年，Watkins 提出的 Q 学习进一步拓展了强化学习的应用和完备了强化学习。此后一段时间，强化学习被监督学习（supervised learning）的光芒所遮掩，直到 2013 年，DeepMind 发表了利用强化学习玩 Atari 游戏的论文，至此强化学习开始了新的十年。2015 年 10 月，由 Google DeepMind 公司开发的AlphaGo 程序击败了人类高级选手樊麾。2016 年 3 月，透过自我对弈数以万计盘进行练习强化，AlphaGo 在一场五番棋比赛中 4:1 击败顶尖职业棋手李世石。Master（AlphaGo 版本）于 2016 年 12 月开始出现于弈城围棋网和腾讯野狐围棋网，取得 60 连胜的成绩，以其空前的实力轰动了围棋界。

　　
强化学习发展过程在强化学习中采用神经网络的方法成功将强化学习和神经网络结合起来，开启了深度强化学习（Deep Reinforcement Learning，DRL）。深度强化学习在自动驾驶、控制论、推荐系统、智能电网、智能交通网络及网络流领域被广泛使用。随着 5G 网络的快速发展以及万物互联时代的出现，数量激涨的网络边缘侧设备将会产生海量的边缘侧数据。

　　由于用户终端设备的计算能力有限，因此常常需要利用云计算数据中心的模式对上述数据进行计算、通信及存储。然而，传统云计算模型在应对急剧增长的数据量时，存在着实时性、带宽以及数据隐私安全等多方面不足。针对云计算模型所面临的问题，边缘计算模型被提出并用来对用户终端产生的海量数据进行处理与计算。移动边缘计算（Mobile Edge Computing，MEC），即在网络边缘侧实现通信数据的传输及计算，其中，网络边缘即为云计算数据中心与用户终端之间的任意位置，其主要针对用户终端所传输的上行数据以及云中心处理所得到的下行数据进行处理。边缘侧利用其优势逐渐引用并融合 AI 技术，令 AI 算法能够顺利在边缘侧运行，即边缘智能。

　　虽然边缘智能可以赋能人工智能于边缘计算甚至终端设备，但其受限于计算、存储以及网络资源，仅能完成低数据量的计算，而且 5G 网络的发展，使得网络传输速率大大提高。因此，联合云计算、5G 网络以及边缘计算实现人工智能的应用显得非常有必要。