我們是否處在新一輪人工智慧的泡沫中？ AI冬天的陰影是否會再次出現？

可能在當下人工智慧大熱之時去提泡沫這詞，顯得有點逆勢而思。可是人類歷史的教訓告訴我們，大捧往往跟隨著大落。大愛是理性的去看待這一領域所取得的成就，為之歡呼和吶喊，也要為之保持警醒。對追隨這一領域多年的人們來說，歷史上出現過的人工智慧冬天（AI Winter），是我們每一個人都不願意再次看到的。

--- 靈致

[Note] 圖文版見首發微信公眾號： data_wisdom

如果問及當下科技圈哪個辭彙最火，十有八九會是「人工智慧」。隔三差五，你就會看到主流媒體和業界大亨拋出這個辭彙，宣稱人工智慧是我們當下最大的機會，是下一個風口，大家要提前做好布局，把你們的豬放上去等待翱翔云云。然而在人類歷史上，人工智慧並不是第一次吸引到全球火熱的目光和關注。在過往歲月的長河裡，這個領域起起伏伏，經歷過多次的高潮與低潮，才蹣跚而又堅定的走到了今天。如今這一領域又一次迎來自己的春天，而且似乎快過度到火熱得可以直通秋天的夏天。

人工智慧這個辭彙於我們每個人並不陌生 -- 無論你是否上過大學，是否接觸過計算機文化，從我們人類多年的文化作品中，你總可以接觸到這個聽起來科幻感十足的辭彙。因為很久以前媒體就開始鋪墊渲染它，而且2001年大導演斯皮爾伯格拍了一部以此為名的大片，橫掃全球。以九千萬美元的拍攝成本一舉拿下了全球兩億三千萬的票房。片中對於機器人表現出人類情感之後，與人類現有文化產生衝突的細緻刻畫，給觀眾們留下了深刻印象。

雖然用計算機來模擬人腦思想、實現人腦基本功能這一人工智慧的樸素想法，早在阿蘭·圖靈於上個世紀40年代提出的圖靈機通用計算模型時，就為科學界所預見，但是直到1956年，達特茅斯會議才第一次將「人工智慧」（Artificial Intelligence)這一辭彙定義並推舉了出來。人工智慧這一領域，開始正式受到科學界的廣泛關注，並逐漸形成了一個備受媒體和大眾關注的研究領域。當年參加會議的人工智慧五巨頭--- John McCarthy, Marvin Minsky, Allen Newell, Arthur Samuel以及Herbert Simon, 漸漸成為了這一領域的領軍人物。多年之後，他們和他們的徒子徒孫們孜孜不倦的在這塊從一開始就備受人類關注的領域辛勤耕耘，發明了能夠下棋、猜詞、證明邏輯定理以及講英文的計算機程序。

正是從那時候開始起，人工智慧就開始醞釀其第一次浪潮。到了上個世紀六十年代，整個美國的人工智慧研究達到了一個新的高度 --- 美國國防部資助了這一領域的大部分研究，而緊隨其後的是全球範圍類建立起了許多人工智慧實驗室。

在那個人工智慧的風口浪尖上，領袖們開始對這個領域的發展前景表現出極其的樂觀。五巨頭之一的Herbert Simon預言說 「機器在二十年內將會能夠做任何人類能夠做的事情」。 說這話的時候，是上個世紀六十年代中期，也就是說到大約上個時代八十年代中期，機器將能夠全面實現強人工智慧。

而另一巨頭Marvin Minsky不僅嚴重同意這個預言，還補充說「在我們這一代人的努力下，不久以後「創造人工智慧」這一難題將會從根本上被解決掉。」 Minsky老爺子在MIT工作多年，直到今年（2016年）一月份，在當下人工智慧的最熱時期與世長辭，享年88歲。雖然人工智慧離他們幾位巨頭所定義的徹底解決還非常遙遠，但是老爺子看到大家如此關注人工智慧，並且全人類為之嗨了又嗨好幾回的歷史情形，應該是比較欣慰的。

在那個時代人工智慧第一波狂熱的背景下，各資本主義主要強國都爭先恐後的資助人工智慧相關研究，想要搶佔這一科學技術的制高點。然而幾年過後，世界就意識到人們不過是受人工智慧部分進展的鼓舞，產生了盲目的樂觀，並沒有深刻認識到人工智慧尚遺留的諸多問題的真正難度。整個領域的研究在1974年左右就陷入了緩慢的泥沼，熱情基本消退，整個領域面臨社會嚴苛的拷問。

在1970年左右，著名英國應用數學家James Lighthill受英國科學研究委員會（Science Research Council）之託，開始全面審核調查人工智慧領域學術研究的真實狀況。三年之後，歷史上赫赫有名的《萊特希爾報告》(Lighthill Report)正式出爐。這篇報告嚴厲批判了人工智慧領域裡的許多基本研究，特別是機器人和自然語言處理等知名子領域，並宣稱」AI領域的任何一部分都沒有能產出人們當初承諾的有主要影響力進步「。另外，報告特別指出人工智慧的研究者並沒有能夠解決將AI應用於真實世界裡必然會遇到的組合爆炸問題。整個報告基本表達了對AI研究在早期興奮期過後的全面悲觀。

正是基於萊特希爾報告的結論，英國政府決定停止資助除三所大學（Edinburgh, Sussex and Essex）以外的所有與人工智慧相關的研究。而美國政府因為受到來自國會的壓力，大規模削減了對人工智慧探索性研究的投資，轉而資助那些被認為更容易取得有影響力進展的領域。

於是，在接下來的幾年裡，人工智慧經歷了其在人類歷史上的第一次寒冬，史稱」人工智慧冬天「 （AI Winter）。

然而，這次的寒冬並沒有宣告人工智慧的死刑，只是熱潮之後人們感到極度失望的一種反應。人工智慧開始了自己緩慢而又艱辛的前行歷程。

到了八十年代，由於專家系統的崛起，人工智慧迎來了一次久旱之後的甘霖期，也是一個新的高潮。專家系統是通過整理專家在某個領域的知識，然後基於知識表示建立一個邏輯推理引擎，從而在某些領域能夠達到專家級水平的軟體系統方法。這些專家系統如果效果好，可以很直接的商業化，並且能夠很大程度上取代極其稀缺的專家資源。到八十年代中期，人工智慧的商業市場曾經一度達到過10億美元的規模。

正是在八十年代的人工智慧第二波高潮期，日本政府從長遠考慮，想要佔領這一未來潛在應用價值極其巨大的領域，雄心勃勃的於1982年開始投入巨額資金研發」第五代電腦「，即人工智慧電腦計劃。這一計劃想要通過製造大規模的並行計算電腦，為未來人工智慧的蓬勃發展提供平台基礎。該計劃原來準備實施十年， 但是最後還是以失敗而告終。雖然由此帶來的影響是日本在硬體級別的研究突飛猛進，但是人們意識到人工智慧的問題不是硬體問題，而更加是軟體以及演算法層面的挑戰沒有突破。

於是，隨著1987年基於通用計算的Lisp機器在商業上的失敗，人工智慧再次滑入了低迷期。

到了上世紀九十年代後期，隨著摩爾定律所指引下的計算機硬體的高速發展，計算機計算能力的不斷提高，人工智慧再次捲土重來。以數據挖掘和商業診斷為主要代表的應用非常成功，使人工智慧重回人們的視野。

在研究領域，神經網路模型（現代深度學習的前身）在漫長的計算機發展歷史中得以長足發展，從理論到應用演算法都有了長足進步，但因為深層神經網路的理論研究結果表明其發展非常有限，加上計算複雜度高，它漸漸被後來以Vapnik為代表的支持向量機模型（SVM）學派超越。SVM因為其理論的完備性，演算法的高效性，以及核方法的良好適配性，在許多公開數據集和人工智慧任務上表現非常優異，加上後來的Boosting方法，貝葉斯採樣推理等，以及蓬勃發展的統計機器學習領域的崛起，人工智慧達到了一個全新的高度。這一時期，研究成果推陳出新速度很快，各種應用領域的研究也風起雲湧，人類對於人工智慧的火熱開始逐漸升溫，湧入這一領域的研究人員和經費也越來越多。

這一時期的典型代表事件，就是1997年IBM的深藍計算機在國際象棋項目上戰勝了人類世界冠軍卡斯帕洛夫。這成為人工智慧發展歷史上的一個巨大的里程碑。因為這是在公認的人類高級智力任務上，計算機第一次擊敗人類，這也是許多人認為機器具備」思考能力「的一個很直接的」證據「。深藍計算機儼然成為了人工智慧的最佳代言實體。

這一時期人工智慧的狂熱在政府層面上並沒有達到前兩次高潮那樣的熱度。相反，商業公司在其研究進展上的推動作用越來越大，故也沒有出現類似以前的AI冬天。

而真正的高潮，是在AI繼續發展的過程中，以Geoff Hinton代表的研究人員於2006年發現了訓練高層神經網路的有效演算法，並且隨著進一步的研究和擴展，於2012年在圖像識別這一非常具有人工智慧特色的領域裡面大大突破了以前的演算法，將最好結果一下子推進到了靠近突破人類最佳表現的邊緣。

此後，披著深度學習這件華麗新衣的神經網路繼續往前高歌猛進，以其極具特色的「特徵自學習」和「模仿人腦神經結構」的炫酷外表，披荊斬棘的攻下了多個人工智慧任務上的新制高點，比如計算機視覺任務，自然語言處理任務，語音處理技術任務等等，引起了整個科研界的狂熱。

由於基於深度學習的機器學習模型與演算法在實際數據集上的良好表現，與以往不同的是，對於技術進步越來越敏感的科技產業界，在當下新的這波浪潮中扮演了力引狂瀾的角色。典型的代表是以Google和Facebook為代表的高科技公司，紛紛花重金從學界挖走機器學習的領軍人物，用於研究更猛的人工智慧引擎和方法，以期佔領技術制高點，從而在未來轉化為巨大的商業價值。

Geoff Hinton，Yann LeCun，Yoshua Benjo以及後起之秀Andrew Ng等，都成了這一波人工智慧浪潮發展的焦點人物。而這波趨勢在2015年到2016年間，更是發展到了一個全新的高度。無論是在美國，還是在互聯網科技發展勢頭不錯的中國、以色列等國的科技公司，人們紛紛投入巨額資金搶人才、圈地盤，進軍人工智慧可能產生深遠影響的領域，比如無人車，智能醫療，以及人工智慧驅動的數據科學等等。

毫無疑問，深處矽谷科技圈，筆者也感受到了那種無法阻擋的火熱。比如最近刷爆朋友圈的李飛飛加盟Google雲計算部門等有關人物的消息，以及已經白熱化的Google，Apple，Uber，Tesla以及百度等科技巨頭在無人車戰場上的競爭相關消息，幾乎刺激著每一個科技產業相關人員的腎上腺和腦神經。

甚至在公司，許多人一言不合就鼓吹機器學習，彷彿機器學習能夠預測所有的事情，解決所有人當前還不知道如何去解決的數據問題。更有甚者，上周有位產品經理還諮詢筆者是否可以用機器學習去預測每個project的進度和最可能完成的時間，好用來管理手下的項目。這種火熱可見一斑。

我們其實很幸運，趕上了這波人工智慧大浪潮。許多科技公司越來越重視對人才的吸引和保留，紛紛提高待遇，給予很多資源上的傾斜，敢於去做一些富有挑戰和風險的項目。但同時，我們需要合理認識這一波由深度學習帶起來的浪潮。

深度學習和人腦思維過程極其不同，雖然取得了讓人深受鼓舞的成績，但是過分的吹捧和過分的貶低一樣會對這個領域帶來後續傷害。這和過往由以SVM，Boosting，Sparse model帶來的突破和進展在歷史發展的角度並無天壤之別。今天Alpha Go在圍棋上戰勝圍棋九段李世石並沒有和當年IBM戰勝卡斯帕洛夫有雲泥之分。我們應該合理的對待進展，並且努力讓公眾和政府對於人工智慧有合理的期待和支持。比如，當下還遠遠不是鼓吹人工智慧威脅論的時候。許多業界的領軍人物都開始在冷靜的思考，比如機器學習大師Michael Jordan，以及最近Andrew Ng等業界領袖也紛紛開始反思深度學習以及更廣義上的機器學習的局限性。

毫無疑問，當許多連人工智慧機器學習的基本知識都不太了解的人們開始大肆鼓吹AI至上的時候，我們無法避免的進入了一定程度上的泡沫期。但這個泡沫有多大，破壞性有多少，就是仁者見仁智者見智的事情。

無論歷史如何發展，人類社會接下來在人工智慧技術上如何推進與突破，或繼續高潮，或平穩著陸，或陷入低迷期，都不會阻止人類對於追求更先進人工智慧的渴望與夢想。學界和業界也會繼續合作，推動人工智慧的長足進步。同時，以Elon Musk等人為代表的有識之士也會繼續為人工智慧界定合理的安全邊界，以保證技術的進步服務於人類社會，而不是顛覆並凌駕於人類之上。OpenAI和大規模機器學習平台的開源，都是這一波歷史浪潮里表現出來的顯著進步。

當未來走進現實，這場浪潮將如何退卻，我們拭目以待。

【注】如果你喜歡這類文章，請關注微信公眾號 data_wisdom， 歡迎把這篇文章推薦給朋友們。
推薦閱讀：