本文試圖理性分析這次人工智能浪潮褪去的可能性，以及泡沫破滅的可能“姿勢”。值得提出的是，雖然人工智能有泡沫，那也不是一件多么壞的事情，適度的泡沫有助于驅(qū)動大眾的熱情，助推整個智能產(chǎn)業(yè)的發(fā)展。只是我們要保持理性，并對泡沫破滅的時候有所準備。
如果要找這兩年最大的風口，那非人工智能莫屬。無論是學術界、企業(yè)界、資本市場，還是政府機構(gòu)，都對人工智能懷著極大的期待和熱情。但是，很多時候期望越大失望也越大。當有一天人們發(fā)現(xiàn)人工智能并不是想象中的那么強大時，會不會由一個極端走向另一個極端，覺得人工智能什么都不是呢？
本文試圖理性分析這次人工智能浪潮褪去的可能性，以及泡沫破滅的可能“姿勢”。值得提出的是，雖然人工智能有泡沫，那也不是一件多么壞的事情，適度的泡沫有助于驅(qū)動大眾的熱情，助推整個智能產(chǎn)業(yè)的發(fā)展。只是我們要保持理性，并對泡沫破滅的時候有所準備。
歷史上的寒冬，人工智能的三次沉浮錄
如果將眼光放長遠一點，歷史上已經(jīng)經(jīng)歷了三次發(fā)展浪潮，也經(jīng)歷了兩次低谷。換言之，人工智能的泡沫已經(jīng)破滅兩次了。讓我們先來回顧一下人工智能這三起兩落的歷史，從歷史中來找尋現(xiàn)在的意義，推導出我們可能面臨的未來。
人工智能沉浮史
第一次浪潮和第一次低谷：
達特茅斯會議推動了全球第一次人工智能浪潮的出現(xiàn)，這次浪潮從1956年一直持續(xù)到1974年。當時樂觀的氣氛彌漫著整個學界，在算法方面出現(xiàn)了很多世界級的發(fā)明，其中包括一種叫做增強學習的雛形（即貝爾曼公式），增強學習就是谷歌AlphaGo算法核心思想內(nèi)容。
70年代初，AI遭遇了瓶頸。人們發(fā)現(xiàn)邏輯證明器、感知器、增強學習等等只能做很簡單、非常專門且很窄的任務，稍微超出范圍就無法應對。當時的計算機有限的內(nèi)存和處理速度不足以解決任何實際的AI問題。
研究者們很快發(fā)現(xiàn)，要求程序?qū)@個世界具有兒童水平的認識這個要求都太高了——1970年沒人能夠做出人工智能需要的巨大數(shù)據(jù)庫，也沒人知道一個程序怎樣才能學到如此豐富的信息。另一方面，有很多計算復雜度以指數(shù)程度增加，這成為了不可能完成的計算任務。
第二次浪潮和第二次低谷：
在80年代，一類名為“專家系統(tǒng)”的AI程序開始為全世界的公司所采納，而“知識處理”成為了主流AI研究的焦點。專家系統(tǒng)的能力來自于它們存儲的專業(yè)知識，知識庫系統(tǒng)和知識工程成為了80年代AI研究的主要方向。
但是專家系統(tǒng)的實用性僅僅局限于某些特定情景，不久后人們對專家系統(tǒng)的狂熱追捧轉(zhuǎn)向巨大的失望。另一方面，1987年到1993年現(xiàn)代PC的出現(xiàn)，其費用遠遠低于專家系統(tǒng)所使用的Symbolics和Lisp等機器。
相比于現(xiàn)代PC，專家系統(tǒng)被認為古老陳舊而非常難以維護。于是，政府經(jīng)費開始下降，寒冬又一次來臨。
第三次浪潮：
1993年后，出現(xiàn)了新的數(shù)學工具、新的理論和摩爾定律。人工智能也在確定自己的方向，其中一個選擇就是要做實用性、功能性的人工智能，這導致了一個新的人工智能路徑。
深度學習為核心的機器學習算法獲得發(fā)展，積累的數(shù)據(jù)量極大豐富，新型芯片和云計算的發(fā)展使得可用的計算能力獲得飛躍式發(fā)展，現(xiàn)代AI的曙光又再次出現(xiàn)了。一個標志性事件發(fā)生在2016年3月，谷歌DeepMind研發(fā)的AlphaGo在圍棋人機大戰(zhàn)中擊敗韓國職業(yè)九段棋手李世乭。隨后，大眾開始熟知人工智能，各個領域的熱情都被調(diào)動起來了。
深度學習算法，這次人工智能崛起的技術根基
可以看到，每次技術的突破，都會迎來一波人工智能的發(fā)展浪潮。這次人工智能浪潮的基石有三個，分別是算法、數(shù)據(jù)和計算能力。尤其是算法，直接決定了人工智能的發(fā)展水平。
人工智能的三大根基
首先，我們來看看這次人工智能的技術根基。1943年，美國心理學家McCulloch和數(shù)學家Pitts在論文《神經(jīng)活動中所蘊含思想的邏輯活動》中首次提出神經(jīng)元的M-P模型，該模型從邏輯功能器件的角度來描述神經(jīng)元。M-P模型將生物神經(jīng)信息處理模式簡化為數(shù)學模型，為神經(jīng)網(wǎng)絡的理論研究開辟了道路。
M-P模型
在M-P模型中，Xi（i=1，2，...，n）表示來自于與當前神經(jīng)元j相連的其他神經(jīng)元傳遞的輸入信號，Wij表示從神經(jīng)元i到j的連接強度，F(xiàn)為轉(zhuǎn)移函數(shù)。那么神經(jīng)元的輸出用向量表示就是Yj=F（XW）。
2006年，加拿大多倫多教授Hinton和他的學生發(fā)表了《Reducing the dimensionality of data with neural networks》,提出了一種面向復雜通用學習任務的深度神經(jīng)網(wǎng)絡，指出具有大量隱層的網(wǎng)絡具有優(yōu)異的特征學習能力，而網(wǎng)絡的訓練可以采用“逐層初始化”與“反向微調(diào)”技術解決。
自此，人類借助神經(jīng)網(wǎng)絡找到了處理“抽象”概念的方法，人工智能進入了一個嶄新的時代。
另一方面，由于互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)以及物聯(lián)網(wǎng)的發(fā)展，企業(yè)尤其是互聯(lián)網(wǎng)巨頭積累了大量的數(shù)據(jù)。再加上云計算的發(fā)展，讓計算能力像電力一樣變得更加便宜，可獲得性更高。
芯片性能的提高，GPU、FPGA等人工智能芯片的出現(xiàn)和發(fā)展，進一步提高了人類可利用的計算水平。一些互聯(lián)網(wǎng)巨頭開始利用大量數(shù)據(jù)，來訓練其深度學習算法，不斷提升系統(tǒng)的智能水平。
純粹理性批判，我們離冬天還有幾年？
介紹完了人工智能的“沉浮史”，以及支撐這次浪潮的基礎?，F(xiàn)在讓我們回到剛開始的那個問題：這次人工智能的泡沫會破么？分析這個問題的角度有兩個：
從歷史上人工智能兩次低谷的原因來分析這次面臨同樣困境的可能性；
從這次人工智能浪潮的支撐基石角度，看目前的技術水平能支撐人工智能走多遠。
從上兩次人工智能泡沫破滅的原因來看，最重要的限制來自算法層面。人們對人工智能的最大期待是不斷提升系統(tǒng)的智能水平，讓智能系統(tǒng)逐步拓展能夠處理的問題范圍，最終實現(xiàn)通用人工智能系統(tǒng)，解決幾乎所有領域問題。
每次人工智能浪潮中，人們都或多或少的懷有“一勞永逸”的期待。泡沫破滅的主要原因，也是現(xiàn)實的系統(tǒng)遠遠無法達到人們所想象的智能水平。
第一次泡沫破滅是因為人們發(fā)現(xiàn)當時的智能系統(tǒng)如邏輯證明器、感知器、增強學習等，只能做很簡單、非常專門且很窄的任務，稍微超出范圍就無法應對，這讓智能系統(tǒng)不足以解決任何實際的問題。
第二次泡沫破滅也是因為專家系統(tǒng)所能解決的問題非常局限，遠遠無法達到人們的期待。
那么，算法的局限性也會是埋葬這次人工智能浪潮的掘墓人么？——很可能是！這次技術革新最大的成就無疑是深度學習技術，人工智能浪潮能走多遠很大程度上取決于深度學習技術到底有多強。
深度學習是比以前的統(tǒng)計學和機器學習方法更為強大的模式識別方法，但具有很多的內(nèi)在缺陷：
深度學習系統(tǒng)缺乏推理能力。深度學習技術缺乏表達因果關系的手段，缺乏進行邏輯推理的方法，而邏輯推理毫無疑問是人類智能的核心之一。
深度學習系統(tǒng)缺乏短時記憶能力。人類的大腦有著驚人的記憶功能，我們不僅能夠識別個體案例，更能分析輸入信息之間的整體邏輯序列。這些信息序列富含有大量的內(nèi)容，信息彼此間有著復雜的時間關聯(lián)性。
目前的深度學習系統(tǒng)，都不能很好地存儲多個時間序列上的記憶，也就是說缺乏記憶能力。這在目前主流的人機對話系統(tǒng)中可以很明顯的感覺出來。
人類的交流，都會基于前面的交談內(nèi)容來構(gòu)建語境，后面的交流都會基于前面的語境來進行，目前的人機對話系統(tǒng)還遠遠達不到這種水平。比如蘋果的Siri系統(tǒng)，你問它3乘以3等于多少，它可以很好的回答，但是你再問“剛才的結(jié)果再乘以3呢？”或者說“我剛剛問你什么來自？”，估計Siri得一臉懵逼。
缺乏執(zhí)行無監(jiān)督學習的能力。無監(jiān)督學習在人類和動物的學習中占據(jù)主導地位，我們通過觀察能夠發(fā)現(xiàn)世界的內(nèi)在結(jié)構(gòu)，而不是被告知每一個客觀事物的名稱。
目前幾乎所有由人工智能創(chuàng)造的經(jīng)濟價值都來自監(jiān)督學習技術，也就是基于系統(tǒng)曾經(jīng)接受過的其他實例的輸入，來學習對結(jié)果進行預測或?qū)|西進行分類。
在可預見的未來，深度學習系統(tǒng)還無法具備無監(jiān)督學習的能力。目前來看，雖然無監(jiān)督學習可以幫助特定的深度網(wǎng)絡進行“預訓練”，但最終絕大部分能夠應用于實踐的深度學習方法都是使用純粹的有監(jiān)督學習。
另一個方面，建立在語言之上的知識系統(tǒng)在人類智能方面扮演至關重要的作用。語言是知識的鑰匙，而知識正是 AI 的終極目標。人類社會的知識，正是通過語言來代代相傳的。
僅靠觀察他人，人類是無法獲取到廣泛的可復用知識的。對于下一代智能系統(tǒng)所需的知識，人工智能必須能同時進行“閱讀”和“聆聽”才能獲取到。而此等程度的機器學習，其關鍵技術正是 NLP，可以說NLP是實現(xiàn)人與 AI 之間成功溝通的技術關鍵。但當前的深度學習方法還不足以解決 NLP 領域的核心問題。
僅僅通過擴大今天的深度學習技術，我們無法實現(xiàn)通用智能。雖然神經(jīng)網(wǎng)絡在大樣本量上可以達到統(tǒng)計學上令人驚訝成果，但它們“對個例不可靠”，并且經(jīng)常會導致人類永遠不會出現(xiàn)的錯誤。
輸入不準確或不完整數(shù)據(jù)的神經(jīng)網(wǎng)絡將產(chǎn)生錯誤的結(jié)果，這其中有兩個著名的例子：
Google 圖像錯誤地將非洲裔美國人分類為大猩猩；
微軟的 Tay 在 Twitter 上學習了幾個小時后，就出現(xiàn)了種族主義以及歧視女性的言論。
算法的突破無疑是制約人工智能發(fā)展的關鍵，這次人工智能浪潮的核心——深度學習算法的局限，直接決定了目前的人工智能系統(tǒng)不可能實現(xiàn)人們所預想的通用人工智能那種狀態(tài)。
除了算法層面，就人工智能的另外兩個關鍵因素數(shù)據(jù)和算力來看，雖然取得了很大的進步，但也存在諸多問題。
首先，數(shù)據(jù)層面。積累的海量數(shù)據(jù)就是人工智能系統(tǒng)的“糧食”，可以說是足夠多的數(shù)據(jù)將人工智能“養(yǎng)大的”。
一方面，隨著互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的發(fā)展，數(shù)據(jù)積累的速度在不斷加快，5G網(wǎng)絡建成之后，物聯(lián)網(wǎng)體系將會貢獻更大量、類型更豐富、對人類更有價值的數(shù)據(jù)；
另一方面，不是積累的數(shù)據(jù)都可用，目前機器系統(tǒng)能夠“理解”的基本都是結(jié)構(gòu)化數(shù)據(jù)，像語音、圖像、社交數(shù)據(jù)這些非結(jié)構(gòu)化數(shù)據(jù)的“理解”還存在很大問題，在10年之內(nèi)是否能夠解決非結(jié)構(gòu)化數(shù)據(jù)的“理解”問題尚未可知。
算力層面。目前的GPU、FPGA等人工智能芯片，雖然比CPU計算能力更強，但局限性依然很大。我們最終的目標是實現(xiàn)人類一樣的通用智能，繼而實現(xiàn)超級智能，那從系統(tǒng)的物理結(jié)構(gòu)上就必須支持這一設想。
目前來看，我們對大腦的思維過程還知之甚少，其整個處理和決策過程對于人類來說還是個“黑箱”。就當前的處理芯片跟人腦在物理結(jié)構(gòu)上的差距非常大，甚至可以說根本就不是一回事。對人腦神經(jīng)系統(tǒng)的研究還任重道遠，近10年內(nèi)基本也看不到獲得根本突破性進展的可能。
綜上所述，技術尤其是算法層面的局限，決定了這次人工智能浪潮的“天花板”。深度學習算法帶來的“技術紅利”，將支撐我們再發(fā)展5~10年時間，隨后就會遇到瓶頸。
在人工智能領域，技術的進步不是線性的，而是線性積累和間斷式突破交替進行的。我們必須要達到一個“技術奇點”，才能實現(xiàn)根本上的突破，達到通用人工智能甚至是超級人工智能的水平。
大概率的可能性，未來幾年人們對人工智能懷有巨大的熱情和非理性的期待，但同時會漸漸發(fā)覺推進起來越來越費勁，仿佛有個無形的“天花板”擋在那里，遲遲不能獲得突破，人們的耐心被漸漸耗盡，人工智能的下一個冬天也就來臨了。
人工智能發(fā)展階段
泡沫會以什么姿勢破滅，怎么過冬？
人工智能技術和產(chǎn)業(yè)特性決定了，在沒能實現(xiàn)高水平的智能之前，現(xiàn)在勢頭正猛的應用領域，在未來幾年很可能會進入寒冬，乃至退出人們的視線，就像第二次浪潮中的專家系統(tǒng)一樣。
人工智能的產(chǎn)業(yè)化應用，更多的是基于人們對于未來技術發(fā)展水平更高的預期，而不是當下已經(jīng)達到的水平。比如自動駕駛領域，未來商用是基于能夠達到L4級別的預期，但如果預期落空了呢？很可能自動駕駛就會被徹底拋棄。
就一般產(chǎn)業(yè)而言，線性發(fā)展的成分更重一些，即使產(chǎn)業(yè)不能再往前推進了，依然能夠保持比較高的產(chǎn)業(yè)成熟度。人工智能產(chǎn)業(yè)則不同，如果以百分制來衡量一個產(chǎn)業(yè)的發(fā)展程度，人工智能不是從1慢慢發(fā)展到100，而是要么是90分以上，要么是10以下。
試想一下，你有一個智能助手，如果他的智力水平一直在10歲以下，你能接受么？那樣的智能助手更多的是個玩具，不能委以重任，畢竟誰也不會將重要的事情交給一個小孩子來做。
再比如翻譯領域，一旦智能系統(tǒng)能夠達到人類水平的翻譯能力，那將是一次徹底的顛覆，人類翻譯員將徹底消失；但是，在沒達到那種水平之前，翻譯系統(tǒng)基本就是個擺設，你不能通過那套系統(tǒng)來與外國人順暢的交流，也不能將看到的整段材料馬上轉(zhuǎn)換成另一種語言。
人工智能的泡沫，更多的是產(chǎn)業(yè)化和商業(yè)應用層面的。很多做人工智能應用的企業(yè)，如果發(fā)現(xiàn)將方案落地的期待落空，那他整個商業(yè)價值存在的根基就不存在了，整個產(chǎn)業(yè)將會消失，大量企業(yè)也會倒閉。
面對那樣一個未來，我們應該怎么應對呢？我提出幾點參考建議：
適度降低對人工智能的技術預判，理性設定商業(yè)模式。企業(yè)要仔細評估技術的發(fā)展?jié)摿Γ灰в胁磺袑嶋H的幻想。尋找并設計一些智能水平不是太高就能具有商業(yè)價值的應用模式，并基于此來構(gòu)建競爭壁壘。比如在自動駕駛領域，我們要做好L4在10年內(nèi)無法實現(xiàn)的心理準備，尋找一些L3級別就能具有商業(yè)價值的應用領域。
現(xiàn)在就開始準備“過冬的糧草”。泡沫破滅之后，融資會變得越來越難，依據(jù)公司本身的造血能力維持基本沒戲。所以，現(xiàn)在盡可能的多融資吧，并且在未來幾年省著點花，爭取能挨過寒冬。
實行曲線救國策略，發(fā)展一些“偽智能”業(yè)務，拓展業(yè)務領域。如果哪天發(fā)現(xiàn)“純?nèi)斯ぶ悄?rdquo;這條路走不通，可以考慮發(fā)展一些周邊產(chǎn)業(yè)，只要能帶來現(xiàn)金流就行。雖然掛羊頭賣狗肉有點缺德，但能保存“革命的火種”，也算一件好事。
我對人工智能事業(yè)懷有深切的熱情，但目前的技術水平還無法滿足我們內(nèi)心最深切的期待，這一波人工智能浪潮很可能在幾年內(nèi)遭遇低谷。
比較壞的情況是：大多數(shù)人會由于失望而對人工智能事業(yè)不信任，媒體會由吹捧轉(zhuǎn)而嘲諷冷落，大量企業(yè)可能倒閉，目前炙手可熱的人工智能人才會遭遇職業(yè)危機，流入人工智能領域的資金會越來越少，到處都是一副蕭條的景象。
懷有最美好的期待，做最壞的打算，這是干事業(yè)應有的理智和態(tài)度。希望這次人工智能浪潮不是行將破滅的泡沫，但如果是，請做好準備。
責任編輯：吳昊
透過7件事了解人工智能先驅(qū)馬文·明斯基
哈佛大學研究新人工智能系統(tǒng) 速度媲美人類大腦
Google人工智能攻破了圍棋，然后呢？
中國新能源車的發(fā)展之路 人工智能的勝利