在早期，AI 主要由運行原始 Lisp 操作的專用硬件上的 Lisp（LISt 處理器）編程語言提供支持。Lisp 是最早的語言之一，可以高效地處理項目列表。通用機器隨后成為時尚，編程模型也隨之流行。但隨著機器學習，特別是深度學習的復興，新的方法和工具包優(yōu)化了這些數據流。在這里，我們將探索機器學習和軟件平臺的融合。

早期人工智能歷史

人工智能和 Lisp 不可避免地交織在一起，因為概念和語言起源于同一個人 John McCarthy（1927-2011）。在其最早的形式中，人工智能比當今占主導地位的數字方法更專注于搜索和符號處理。Lisp 憑借其簡單自然地表示復雜數據的能力及其對遞歸（用于迭代和搜索）的使用使其成為當時許多問題的理想選擇。憑借其交互式解釋器（稱為 REPL 或讀取評估打印循環(huán)），Lisp 使探索性編程變得更加容易，這非常適合解決未完全理解的問題。

但是 Lisp 的強大功能也是它最大的貶低者。它的函數式編程風格很困難，并為新的編程語言范例打開了大門。雖然今天繼續(xù)使用函數式編程，但命令式、面向對象和多范式語言在今天更為普遍。

現代人工智能語言

雖然可以使用任何編程語言開發(fā) AI 應用程序，但有些語言比其他語言更好。無論是語言本身還是圍繞語言的支持，某些語言都極大地簡化了 AI 開發(fā)。

邏輯編程

Prolog語言于 1972年推出，其根源在于一階邏輯，其中程序由事實和規(guī)則定義。可以查詢程序以將規(guī)則應用于事實并產生結果。Prolog 今天仍然廣泛用于專家系統(tǒng)和自動規(guī)劃系統(tǒng)等應用程序。Prolog 最初是為自然語言處理而設計的，并且它繼續(xù)在那里找到應用程序。

通用語言

Prolog 推出 20 年后，出現了一種名為Python的通用語言，它是圍繞代碼可讀性而設計的。盡管 Python 作為一種教授編程的教育語言很早就引起了人們的興趣，但它已經發(fā)展成為一種在各個領域廣泛使用的語言，包括人工智能和機器學習。Python 的主要優(yōu)勢之一是其龐大的庫和工具包集，使構建應用程序變得更加簡單。例如，Python 可以與 TensorFlow 開源工具包一起用于構建深度學習應用程序。當您想要部署深度學習而不開發(fā)所需的詳細深度神經網絡結構時，這很有用。

統(tǒng)計計算

R 語言中使用了類似的模型，它既是一種語言，也是一種用于圖形化表示的統(tǒng)計計算環(huán)境）。R 是一種高度可擴展的語言，可通過包的集成進行擴展。包將一些特定應用程序的函數和數據收集在一起，然后可以在 R 程序中使用，例如統(tǒng)計函數或整個深度學習工具包。截至 2020 年，超過 15,000 個包可用于 R 語言。

新的功能方法

盡管 Lisp 主要是當今機器學習的一個注腳，但它的功能根源已經催生了遵循這種范式的新語言。Haskell語言是一種純函數式語言，具有強大的類型系統(tǒng)，可以生成更安全的代碼；在考慮機器學習和物聯網設備的爆炸式增長時，這是一個有用的特性。盡管缺乏可用于 Python 和 R 的廣泛庫集，Haskell 包含機器學習工具包的綁定，這使得使用 Haskell 構建機器學習應用程序變得簡單。

工具包

隨著語言、工具包和庫也在追求機器學習應用程序的過程中得到發(fā)展。這些工具包（例如TensorFlow）為語言提供了構建復雜機器學習應用程序的能力，而無需從頭開始構建這些能力。TensorFlow 為各種語言（如 Python、Haskell 和 R）提供接口，使深度學習應用程序的構建和部署變得簡單。

概括

人工智能的概念及其數字后代機器學習的形成創(chuàng)造了語言和工具包的共同進化。語言提供了構建各種應用程序的通用功能，而工具包則通過特定的機器學習功能擴展了這些語言。

審核編輯hhy