人类做过哪些伟大的探索,改变了历史进程?

的品牌提问·了解更多
从发明汽车到科技创新,梅赛德斯-奔驰 131 年来从未停止探索的步伐。在其他领域也有不同的探索者,改变了历史进程。对每一个在未知路上留下的脚印,我们心怀敬意,致敬那些向未知迈出第一步的人!
关注者
4512
被浏览
1198362

122 个回答,由品牌推荐

阿波罗登月,一定是改变人类科技历史进程的一个里程碑事件了。

在经过不计成本的疯狂投入后(1966年达到了美国联邦政府总预算的4.5%),阿波罗登月取得了前所未有的成功,随着登月的发现极其有限然后及时刹车节省经费。但不经意间将整个人类的航天技术推上了一个巅峰,直到今天人类航天还在吃它积累下来的技术红利。

这是阿姆斯特朗的一小步,却是全人类的一大步!


1.历史背景

二战期间德国人的V2火箭让盟国吃了不少苦头,让苏美两国对之又恐惧又敬畏。以至于纳粹投降后双方开始秘密争抢技术资料和更重要的人才,因为双方都很清楚一山不容二虎的道理,必须击败对方才有可能享受这个世界资源的支配权利。

身处欧洲东部、直面欧洲和美国军队的苏联显然压力更大,在二战后投入巨资在V2火箭上研发武器。很快做出了世界第一个洲际导弹(1957),然后是第一个火箭(1957),第一个人造卫星(1957),第一个月球探测器(1959),第一个金星探测器(1961),第一位男宇航员(1961),第一个火星探测器(1962),第一位女宇航员(1963),第一个空间站(1971),全面比美国人快一步。

美国人被惊呆了,没想到在二战中被德国钢铁洪流碾压的苏联竟然爆发出了如此强的科技和重工业实力。行事谨慎的肯尼迪总统开始坐立不安,美国人也因为担心不可预防的核武器+洲际导弹+天基武器组合惶惶不可终日。

在这种时代背景下,肯尼迪于1961年发表了著名的演讲,也出现了人类航天史上著名的一句话:“在1970年之前,我们要把美国人送上月球,再安全地送回来”。轰轰烈烈的阿波罗登月计划上马并吸引了巨资注入,NASA几大航天中心也迅速建立起来。

阿波罗登月标志着人类太空竞赛达到巅峰,这个竞争极速推送了从V2火箭到登上月球的科技进步。


2.阿波罗登月的成就

在1961-1972年的12年中,美国人先后投入了254亿美元(1973年价格,等于如今的2000多亿美元)到阿波罗计划17次任务中。

举个例子好了,美国海军目前的主力是10艘尼米兹核动力航空母舰,按照如今的美元价格每艘的造价是85亿美元。阿波罗登月的花费可以建造23艘航母,基本可以将美国海军航母编队再造一次,而美国海军对于美国的意义就不用多说了。

期间,阿波罗1号就因为地面试验三名宇航员不幸牺牲,可谓是开局非常不顺利。但经过一系列无人和载人任务后,从11号起美国进行了共计7次载人登月,其中6次成功,送了12个地球人成功登陆月球。

其中,阿波罗13号发生了氧气罐爆炸事故,但当时已经在快抵达月球的路上。只有一线生机的情况下,地面控制人员和飞行乘组反而决定利用绕到月球背后超大椭圆轨迹返回地球,从而创造了人类距离地球的最远距离,最后三人成功返回,可谓奇迹。

然而, 6次登月并没有发现月球有特殊的价值,且随着尼克松访苏两国关系迅速缓和,双方同时宣布放弃太空竞赛,但背地里把目光转向近地空间站建设。美国人也实在负担不起下一步的投资,在1972年12月执行完最后一次阿波罗17号任务后,宣布取消18-20号任务,已经建造的飞船和火箭另做它用,阿波罗登月正式宣告结束。

同时期的苏联则止步于登月的N1火箭研究,再加上国力远弱于美国,很快就放弃了登月。在这次人类的天顶科技竞争中,终于被美国全面超越。


3. 如何改变了历史进程

a. 把人类航天技术推上了顶峰,影响战后格局

从1972年到2017年的45年内,自从唯一有可能重复登月的苏联解体,再也没有第二个国家能实现载人登月的壮举,而目前中国、欧洲和印度等曾经提出登月计划的国家也把这个时间点列到了2030年,与阿波罗登月已经差了整整一个甲子。考虑到现在使用的技术要比60年代先进很多,这个时间差就更可怕了。

关于阿波罗登月有个著名的玩笑:“好比是划着洗衣盆飘过了大西洋”。60年代还没有现在的计算机技术,整艘飞船的计算能力总和还不如现在一个高级计算器,和手机甚至电脑计算能力就完全没法比了。

阿波罗登月创造的航天技术和系统工程高度是惊人的,好比是一个定在那里的目标,等着世界各国去超越。但与此同时,在完成了这一个登月过程之后,积累的技术红利会一步一步反馈给整个美国的航天和高科技产业。

从此,在政治经济高科技甚至军事上,苏联开始被美国逐渐甩开,可以说阿波罗登月也加速了二战后国际政治格局的转变。


b. 奠定了美国在人类航天时代的地位

人类历史上有过三次大的发展机遇:大航海时代,被西班牙、葡萄牙、荷兰、英国和法国所把握,他们一跃成为世界列强;陆权争霸时代,被德国、日本、美国所把握,他们一跃成为顶级工业强国甚至主导了二战和后续国际格局;无论是海洋还是陆地,都只是在小小的地球,资源极其有限,光速只需0.13秒就可以围绕地球转一圈了。

而目前则要迎来一个崭新的航天时代。广袤宇宙中的资源是无穷的,2013年人类认识到的宇宙就足以让光在任何一个方向都可以走上460亿年,相比而言地球简直太微不足道了。航天时代到目前的天顶科技就是阿波罗登月,它对人类未来打下的基础,也不言而喻。

(肯尼迪中心为登月和航天飞机准备的密密麻麻发射架)

NASA现在是人类航天探索事业的领跑者,它最重要的三大中心都是因为阿波罗登月而建立的。其中,1960年建立的马歇尔空间飞行中心目前是NASA最大的综合中心,1961年建立的林登·约翰逊中心是NASA的控制中心,1962年建立的肯尼迪航天中心是美国载人航天任务中心。到目前为止,NASA几乎探测过太阳系内所有的星球类型(恒星、行星、卫星、小行星、彗星、矮行星),远远领先其他国家。


c. 促进美国高科技产业的成功和推动人类进入信息时代

如果说命运太过遥远,那么离我们最近的就是今日耳熟能详的高科技和它们背后的企业了。在当年阿波罗计划海量的投资中,这些公司赚得盆满钵满而获得了飞速增长,在全世界还在从战后恢复经济时迅速奠定了垄断优势。

其中,阿波罗飞船方面,制造飞船指令仓的罗克韦尔是曾经世界500强排名第27的大型高科技公司;制造登月舱的格鲁曼公司成为美国海军曾经最大的舰载机供应商;制造逃逸塔的洛克西德公司成为世界最大的防务公司;

登月的土星五号火箭方面,制造火箭结构的波音成为世界第二的防务公司,也是全球最大的航空制造公司;麦道公司和北美航空也是世界顶级航空和防务公司;制造火箭发动机的洛克达因公司也是世界上最大的火箭发动机公司。

可以说,这些大型防务公司的存在,也是美国维持世界霸权的利器。

而在商业方面,IBM依靠为整个阿波罗计划提供控制和计算设备而获得了飞速增长,摩托罗拉为阿波罗计划提供了通讯设备。据统计,世界集成电路、芯片和计算机行业刚刚起步阶段,单单阿波罗计划及相关研究就消耗了美国一半以上的产品,直接促进了美国公司在后来的领先地位。与此同时,阿波罗登月期间也是美国理工科大学快速发展时期。大量的人才储备,也成为提高行业发展速度的必备条件。

从这个角度上,阿波罗登月对于整个人类更快进入信息化时代有着巨大的益处。关于阿波罗登月经济效益的报告有很多,虽然当年这么多钱花出去后看起来非常不值,但随着时间的推移,当初花掉的2000亿美元换回来的今天收益可谓远远超过这个数字了。


来个比喻来形容阿波罗登月好了。这就好比是当大家还在努力研究怎么做出一辆自行车的时候,美国人已经砸锅卖铁做出一辆跑车开着去超市买菜了。但是跑车开起来太贵也没有完善道路系统可以用,买菜非常不值,所以在造出两辆样品之后(完成六次登月)就立即停产,但它的技术储备足够造出各种各样的自行车去攻占市场了。而到了日后,大家都能造自行车时,跑车的技术依然在那里,等待你超越。

对于我国也是如此,随着航天技术日趋成熟,迈过登月这个门槛,是未来在人类航天时代追逐星辰大海的必经之路!一个崭新的航天时代就要来临,机会永远留给有准备的人。



有一些我曾经的相关回答和live、电子书等,供大家参考。

回答:

为什么人类在过去的 40 年没有再登月球

zhihu.com/question/2514


「登月无用,不如拿来改善民生」的说法有道理吗

zhihu.com/question/2215


Live:

阿波罗登月:知乎 Live - 全新的实时问答


电子书:

离开地球表面:一小时读懂人类航天史 - 「一小时」系列 - 知乎书店

历史的进程,是在个人奋斗的同时不得不考虑的,这和整个人类命运也有很大关系。

人类很早就发明了工具来节省体力,后来呢,越来越豪迈,连脑力也想节省。很多人小时候都曾梦想过,让哆啦A梦帮自己写作业。


现在机器人已经不仅能写作业,今年还参加了数学高考,而且分数还不算低。看这机器手也跟哆啦A梦很接近,属于猜拳永远赢不了的那种。


曾经被认为人类不可能败于AI的围棋,也已经分出了高下,“人工智能”、“深度学习”几乎成为显学,而这些创举都要从五十年前的一场撕逼说起。


以下部分内容援引深度学习的理论基础课程。


Live or Die

对于计算机来说,不管是下棋还是写字,都不是自上而下整体理解“下棋、写字”这些行为,而是依照“分治”的策略拆解成一个个更细碎的小问题。


那么最简单的问题,就是“二选一”了,毕竟瞎猜也有50%准确率。比如非常著名的“生存还是毁灭,这是个问题”。于是现代人工智能的探索,就可以回溯到“如何让机器正确的二选一”。


为什么强调“现代”?因为人工智能的探索延续了千百年,从“机关木甲术”到“弗兰肯斯坦”(科学怪人)都算是理念上的尝试,但是它们从根本方法上,和今天基于统计学习的AI有本质区别。


1958年,康奈尔大学航空实验室的Frank Rosenblatt发明了一种东西叫“感知器”(perceptron),这个名字听起来很赛博朋克,后来《变形金刚》动画片里也有个汽车人叫感知器,而且设定是塞伯坦星球的科学家,可以变成显微镜。



虽然名字听起来科技感十足,其实思想内涵很朴素,就好比一套投票系统。假设有三个影评人给一部片子打分,结果是x=[x1, x2, x3]。但是每个人在业界的地位是不一样的,有的是女装大佬,他一票可能顶别人好几票,这个投票的权重力度记为w=[w1, w2, w3]。那么最终的投票结果就是w·x=w1x1 + w2x2 + w3x3。如果这个结果高于一定标准,影片就可以获得提名,那么我们实际上关心的是w·x+b这个数值,是否大于0。



从几何的角度来看,w·x+b=0就是一条直线,大于0和小于0分别是平面的一半,由此我们就可以做出判断决策。


当然在50年代Frank Rosenblatt刚把它发明出来的时候,实现起来还是挺不容易的。第一台运行感知机运算的机器,如下图左,名字跟初代钢铁侠一样,叫Mark I,Mark I的诞生掀起了第一次人工智能的波澜,感知器也可以视为最简单的人工神经网络模型。



Rosenblatt的感知器模型,在理念上借鉴了生物“神经元”,我们上面说的“是否大于0”,其实就模拟了神经突触是否激活的过程。Mark I已经能够解决一些简单的字母识别问题,这是一大创举。


Rosenblatt曾经真的把两只小白鼠的脑子挖出来交换,观察行为模式的改变。他不仅是AI学者、心理学家,而且热衷天文学,在自己后山建造天文望远镜(可见还是个土豪),探索地外文明,是SETI项目的早期成员。为了纪念他的贡献,IEEE(电气和电子工程师协会)于2004年设立了以Rosenblatt为名的奖项。


不过Frank Rosenblatt的探索并不是一帆风顺,很快有人要公开撕他,这个人也不是等闲之辈,他是1970年图灵奖获得者,号称“人工智能之父”的Marvin Minsky。



刚才我们介绍过,感知器的本质就是画条线,把空间分成两部分,由此实现分类。但有些时候一条线是分不开的,这就是“线性不可分问题“,例如下图的”抑或关系“。


“线性不可分问题“成了Rosenlatt和感知器的命门,“亦或”并非多么复杂的情况,也就是比最常见的“或与非”逻辑稍微高级一点。那如果连这都解决不了的话,实现“智能”、“写作业”、“下围棋”岂不都是天方夜谭。


Malvin Minsky正是抓住了这个把柄,对Rosenblatt狠狠地批判了一番,Minsky写了一本书,就叫《Perceptrons》,虽然叫这个名,但内容全是黑感知器的,翻译成中文应该叫《九评感知器》。不仅如此,Minsky还断言即使把感知器组合起来构成“多层感知器”,也突破不了这层桎梏,给Rosenblatt的研究彻底判了无期。

由于Minsky是业界大佬,他的话极有影响力,这导致了全社会对Rosenblatt及其感知器的大批斗,军方地研究经费也被撤离。人工智能的想法尝试有很多门派和路子,当时最有希望的“感知器”这一系突遭横祸,陷入了停滞,史称“AI寒冬”(“AI Winter”)。

Rosenblatt本人也英年早逝,在他43岁生日当天亡于一场船只事故,甚至有说法成他是不堪重负自杀身亡。



第二春

尽管“感知器”被整的这么惨,踏上了一万只脚,但还是有一小撮人负重前行坚持探索,直到80年代中期,历史的进程有了一次反转,

Rumelhart、Hinton等人提出的“反向传播算法”,可以训练“多层感知器”,就能突破前面说到的“线性不可分“这个命门了。也就是说,Minsky当时所做的论断是错的,1987年再版的《Perceptron》(就是当年撕逼的那本书)里,Minsky本人也承认了这个问题。


“感知器”这个名字有点黑历史,之后业界一般将“多层感知器”改称神经网络,因为“感知器”模拟的是神经元细胞,那么多个细胞组合起来的便是“神经网络“了。不过神经网络也并没有包打天下,又有其他很多人在继续探索机器学习的新思路,其中最著名的一个,也是每个只要对机器学习稍有了解的人都会听过的名字,叫“支持向量机”(Support Vector Machine)。支持向量机其实和最早的那种感知器颇有渊源,感兴趣的朋友可以看这个问题:

感知机(perceptron)和支持向量机(svm)是一种东西吗? 如果不是那他们的区别和关系是什么?



但在神经网络盛行的年代,“支持向量机”这个名字听起来明显缺少点情怀,导致学术界无人问津。最后逼的作者没办法,把名字改成了“支持向量网络”(Support-Vector Networks),其实支持向量机和“网络”没啥关系。


这说明科学的探索不总是那么单纯,有时候也得看社会的脸色,为了发表论文、为了申请经费,也需要圆滑和妥协。

支持向量机在分类、回归等有监督问题上表现突出,特别是在数据量不大的时候,能够取得很好的的效果。而神经网络的真正潜力,在386/486的年代还远没有被挖掘出来。



深度学习

历史的行程又一次改变,就到了2012年,那是一个春天,在ImageNet图像分类竞赛上,Hinton的学生Alex Krizhevsky用深层卷积神经网络取得了冠军,之后“人工智能”、“深度学习”的热度就一直持续到现在。

这次为历史进程做了一点微小工作的,还有GPU也就是显卡。计算能力的提高发挥出了大数据的作用,也真正展示了神经网络(深度学习)的潜力。



卷积神经网络虽然用的很多,但也远远不是终极方案,人类仍然在探索新的玩法。像Google就应用生成对抗网络(Generative Adversarial Network,简称GAN)“创作”接近专业摄影师的作品。





生成对抗网络(GAN)是个很有潜力的方向,下一阶段的探索我称之为“撸起袖子加油GAN”。

以上就是“神经网络”发展过程中的“三起两落”,至于会不会有第三落,这也要看接下来AI科学家们的探索情况了。