AI 《A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE》读后总结

本文转载：

               http://www.cnblogs.com/SnakeHunt2012/archive/2013/02/18/2916242.html

《A
Proposal for the Dartmouth Summer Research Project on Artificial Intelligence》，这是AI领域的开山之作，是当年达特茅斯会议上各路大牛们为期两个月的讨论结果。边看这篇文章边在wiki上科普这些年AI
这个领域到底发生了什么。当时会议总结出了七个方向。
Automatic Computers

这条结论到今天仍然适用，他说他们坚信任何一个人类可以做的工作，都可一写出一个程序来自动完成。即使的计算能力有限(当年)，但内存，速度什么的都不是问题，问题是我们能否利用好这些资源。

当时的计算能力跟今天的计算能力相比根本无法相比，可是关键的地方并没有得到多大的改善，倒是刺激起一些边缘应用。
How Can a Computer be Programmed to Use a Language

看来这条结论直接刺激了我们的NLP的诞生。当时他们的结论是“人类的语言是基于推理和推测的”[fn:1]。

今天看来他们也许想得太过简单，人类的语言机制很复杂，也许不是基于推理和推测。
Neuron Nets

没 想到那时就有神经网络了啊，当时对着方面感兴趣的人还挺多，也许大家普遍都能感觉到模拟人脑是最直接最靠谱的办法。涉嫌的有:Uttley, Rashevsky 及其团队, Farley 和 Clark, Pitts 和 McCulloch, Minsky, Rochester 和 Holland 等. [fn:3]
Theory of the Size of a Calculation

这里他们很明智 地认识到一个问题。[fn:4]说现在的计算机解决问题就是把所有有可能的答案都拿出来然后挨个试，人类从都来不是这么做的，而且小学生都是到这么做不是 解决问题的办法，这是投机取巧的，这样计算很被动。即便我们后来有了其他算法可以更简化计算过程，但终究还是人类提供的算法，计算机不能得出算法，他向来 都是被动的。直到今天，程序员们还天经地义地用着个想法来写程序，所以写出来的永远都只是程序。

Self-lmprovement

后来的无监督学习也许采纳了这个想法。但当时的原意是“自我完善”。
Abstractions

讨论了什么是抽象，今天看来可能是指应该具有归纳能力。
Randomness and Creativity

当时，他们认为为创造力是不确定性造成的，有创造力思维过程和没有创造力的思维过程本质区别是里面有没有随机过程。这在今天仍没有定论，而且越猜越离谱了。

      这 篇通讯今天回过头来看看看，其实还是意义深远的。从今天的角度看，那个时候的AI是迷走在逻辑之中的。后来，就开始常识“概率”或者说“统计”。不过这到 底是不是答案呢，在未结果出来之前，谁都不知道。所以就这样半个多世纪过去了，结果依然没有出现。今天AI已经远远不是那个样子了，他就像原始大陆一样， 分崩离西成今天我们这几个应用学科。通过wiki了解到，当时他们是遇到了很多困难，一开是大家过分地狂热，向公众，向部门都许下了太多诺言。在当时看来 所有人认为这都是“妥妥的”，可是之后却越来越发现这个真心是做不下去了，完全是不可能。于是大家就瓜分了AI的现有成果各自谋生去了，于是就有了今天的
ML,NLP，VC...。最后以至于“Computer scientists and software engineers avoided the term artificial intelligence for fear of being viewed as wild-eyed dreamers”。最终“Artificial Intelligence”沦落为一个令人尴尬的单词。

其他方面，这个月把 Coursera上面那个ML的公开课看到了神经网络。另外给大家推荐个机器学习的网站[fn:2]，  其实本来我是想找机器学习整体的文献综述，但是却找到了这个，里面是Machine Learning在各个领域的应用的文献综述。这些都是热心网友提供的他们最喜欢的一些综述，大部分都比较新。传说中各个领域的论文综述都需要由每个领域 的领头羊亲自执笔，但是我看NLP的综述有15篇之多，而且都不是同一个人写的，所以也许不是很权威。

* Footnotes

[fn:1] It may be speculated that a large part of human thought consists of manipulating words according to rules of reasoning and rules of conjecture. From this point of view, forming a generalization consists of admitting a new word and some rules whereby
sentences containing it imply and are implied by others.

[fn:2] http://www.mlsurveys.com/
[fn:3] Uttley, Rashevsky and his group, Farley and Clark, Pitts and McCulloch, Minsky, Rochester and Holland, and others.

[fn:4] If we are given a well-defined problem (one for which it is possible to test mechanically whether or not a proposed answer is a valid answer) one way of solving it is to try all possible answers in order. This method is inefficient, and to exclude it
one must have some criterion for efficiency of calculation.

[fn:5] Bauer, E. and Kohavi, R. An empirical comparison of voting classificationalgorithms:Bagging, boosting and variants. Machine Learning 36 (1999), 105~142

[fn:6] http://netflixprize.com