呂昭波

自1950年阿蘭·圖靈在其開創(chuàng)性論文———《計算機器與智能》中首次提出“機器能思考嗎？”這個問題以來，人工智能的發(fā)展并非一帆風(fēng)順，也尚未實現(xiàn)其“通用人工智能”的目標。然而，該領(lǐng)域仍然取得了令人難以置信的進步，例如：IBM深藍機器人擊敗世界上最優(yōu)秀的象棋手、自動駕駛汽車的誕生，以及谷歌DeepMind的AlphaGo擊敗世界最佳圍棋手……目前的成就展示了過去超過65年最優(yōu)秀的研發(fā)成果。

值得關(guān)注的是，在這段時間存在有詳細記錄的“人工智能的冬天（AI Winters）”，幾乎完全推翻了人們早期對人工智能的美好預(yù)期。過去幾年來，有推測稱另一個人工智能冬天可能正在來臨，那么哪些因素可能引發(fā)人工智能的冰川期呢？

人工智能的周期性波動

“人工智能冬天”是指公眾對人工智能的興趣，隨著商業(yè)和學(xué)術(shù)領(lǐng)域?qū)@些技術(shù)的投資逐漸減少的時期。

人工智能最初在20世紀50年代和60年代得到了快速發(fā)展。盡管在人工智能方面取得了許多進步，但它們大多還是以學(xué)術(shù)性為主。20世紀70年代初，人們對人工智能的熱情開始消退，這一灰暗時期持續(xù)到1980年左右。在這段人工智能的寒冬中，致力于為機器開發(fā)類人智能的活動開始缺乏資金。

1956年夏天，一群數(shù)學(xué)家和計算機科學(xué)家占領(lǐng)了達特茅斯學(xué)院數(shù)學(xué)系所在大樓的頂層。在8周的時間里，他們共同想象著一個全新的研究領(lǐng)域。約翰·麥卡錫作為當時達特茅斯大學(xué)的一名年輕教授，他在為研討會設(shè)計提案時杜撰了“人工智能”一詞。他認為，研討會應(yīng)該探索這樣的假說：“人類學(xué)習(xí)的每一個方面或智能的任何其他特征原則上都可以被精確描述，以至于可以用機器來模擬它”。

在那次會議上，研究人員粗略地勾勒出了我們今天所熟知的人工智能。

它催生了第一個人工智能科學(xué)家陣營，“符號主義”是一種基于邏輯推理的智能模擬方法，又稱為邏輯主義、心理學(xué)派或計算機學(xué)派，其原理主要為物理符號系統(tǒng)假設(shè)和有限合理性原理，長期以來一直在人工智能研究中處于主導(dǎo)地位。他們的專家體系在20世紀80年代達到了頂峰。

會議后的幾年里，“聯(lián)結(jié)主義”把人的智能歸結(jié)為人腦的高層活動，強調(diào)智能的產(chǎn)生是由大量簡單的單元通過復(fù)雜的相互聯(lián)結(jié)和并行運行的結(jié)果。它從神經(jīng)元開始進而研究神經(jīng)網(wǎng)絡(luò)模型和腦模型，開辟了人工智能的又一發(fā)展道路。

長期以來，這2種方法被認為是相互排斥的，雙方都認為自己正在走向通用人工智能的路上。

回顧自那次會議以來的幾十年，可以看到人工智能研究人員的希望經(jīng)常破滅，而這些挫折并沒有阻止他們發(fā)展人工智能。今天，盡管人工智能正在給行業(yè)帶來革命性的變化，并有可能顛覆全球勞動力市場，但許多專家仍在思考，今天的人工智能應(yīng)用是否已經(jīng)達到了極限。

正如查爾斯·崔在《人工智能失敗的七種揭示性方式（Seven Revealed Ways AI Fail）》中所描述的那樣，當今深度學(xué)習(xí)系統(tǒng)的弱點正變得越來越明顯。然而，研究人員并沒有對人工智能的未來感到悲觀。在不久的將來，我們可能會迎來另一個人工智能的冬天，但這也許正是靈感迸發(fā)的人工智能工程師們最終引領(lǐng)我們進入機器思維永恒之夏的時刻。

計算機視覺與人工智能專家Filip Piekniewski一篇《AI凜冬將至》的文章在網(wǎng)上引起了熱議。該文主要對深度學(xué)習(xí)的炒作提出了批評，認為這項技術(shù)遠算不上革命性，而且正面臨發(fā)展瓶頸。各大公司對人工智能的興趣也正在收斂，人工智能的又一次凜冬可能要來了。

人工智能凜冬會到來嗎

自1993年以來，人工智能領(lǐng)域取得了越來越令人矚目的進步。

1997年，IBM公司的深藍系統(tǒng)成為第一個打敗世界象棋冠軍加里·卡斯帕羅夫的計算機象棋選手。

2005年，一臺斯坦福無人駕駛機器人未經(jīng)“踩點兒”，便經(jīng)一條沙漠道路自動駕駛210 km，贏得DARPA自動駕駛機器人挑戰(zhàn)賽。

2016年初，谷歌旗下DeepMind的AlphaGo擊敗了世界最優(yōu)秀的圍棋選手。

在過去二十年里，一切都變了。

特別是互聯(lián)網(wǎng)的蓬勃發(fā)展，讓人工智能行業(yè)有足夠多的圖片、聲音、視頻等各類數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)并進行廣泛應(yīng)用。但深度學(xué)習(xí)領(lǐng)域不斷擴大的成功依賴于增加神經(jīng)網(wǎng)絡(luò)的層數(shù)，以及增加用于訓(xùn)練它們的GPU時間。

人工智能研究公司OpenAI的一項分析顯示，訓(xùn)練最大的人工智能系統(tǒng)所需的計算能力每2年翻一番，之后每3～4個月翻一番。

正如尼爾·湯普森和他的同事在《深度學(xué)習(xí)的收益遞減》一書中所寫，許多研究人員擔心，人工智能的計算需求正處于一個不可持續(xù)的軌道上。

早期人工智能研究面對的問題是嚴重缺乏計算能力，它們受限于硬件，而不是人類智力或能力。在過去25年里，隨著計算能力顯著提高，我們在人工智能方面也齊頭并進。然而，面對洶涌而至的海量數(shù)據(jù)和不斷復(fù)雜的算法，全球每年新增數(shù)據(jù)20 ZB，AI算力需求每年增長10倍，這一速度已經(jīng)遠超摩爾定律關(guān)于性能翻倍的周期。

我們正在接近可以一個芯片上安裝晶體管數(shù)量的理論上限。比如英特爾正在放緩?fù)瞥鲂滦酒圃旒夹g(shù)的步伐，因其難以在節(jié)約成本的情況下繼續(xù)縮小晶體管體積。簡而言之，摩爾定律的終點即將來臨。

有一些短期解決方案能確保計算能力的繼續(xù)增長，從而促進人工智能的進步。例如，在2017年中期，谷歌宣布，其已開發(fā)一款專門的人工智能芯片，名為“云TPU”，該芯片對深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和執(zhí)行進行了優(yōu)化。

亞馬遜為人工智能私人助理Alexa開發(fā)自已的芯片。同時，目前還有眾多初創(chuàng)公司試圖調(diào)整芯片設(shè)計，以適應(yīng)專門的人工智能應(yīng)用程序。

然而，這些僅是短期解決方案。

當我們用盡了能優(yōu)化傳統(tǒng)芯片設(shè)計的方案之后又會怎么樣呢？我們會見到另一個人工智能冬天嗎？答案是肯定的，除非量子計算能超越經(jīng)典計算。

但直到目前，可實現(xiàn)“量子霸權(quán)”、比傳統(tǒng)計算機更加高效的量子計算機還不存在。如果我們在真正的“量子霸權(quán)”到來之前就達到了傳統(tǒng)計算能力的極限，恐怕未來還會出現(xiàn)人工智能的又一個冬天。

人工智能研究人員正努力解決的問題日益復(fù)雜，并推動著我們?nèi)崿F(xiàn)阿蘭·圖靈對人工通用人工智能的愿景。然而，仍有大量工作要做。同時，沒有量子計算的幫助，我們將很有可能沒法實現(xiàn)人工智能的全部潛力。

沒有人能肯定地說，人工智能冬天是否即將到來。但重要的是要意識到潛在的風(fēng)險并密切關(guān)注跡象，以便可以在它確實發(fā)生時做好準備。