人工智能，請(qǐng)準(zhǔn)備迎接冬天
2017-08-11 17:03:04 來源：中國(guó)軟件網(wǎng) 熱度:
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(shì)”。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(dòng)大眾的熱情，助推整個(gè)智能產(chǎn)業(yè)的發(fā)展。只是我們要保持理性，并對(duì)泡沫破滅的時(shí)候有所準(zhǔn)備。
如果要找這兩年最大的風(fēng)口，那非人工智能莫屬。無論是學(xué)術(shù)界、企業(yè)界、資本市場(chǎng)，還是政府機(jī)構(gòu)，都對(duì)人工智能懷著極大的期待和熱情。但是，很多時(shí)候期望越大失望也越大。當(dāng)有一天人們發(fā)現(xiàn)人工智能并不是想象中的那么強(qiáng)大時(shí)，會(huì)不會(huì)由一個(gè)極端走向另一個(gè)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(shì)”。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(dòng)大眾的熱情，助推整個(gè)智能產(chǎn)業(yè)的發(fā)展。只是我們要保持理性，并對(duì)泡沫破滅的時(shí)候有所準(zhǔn)備。
歷史上的寒冬，人工智能的三次沉浮錄
如果將眼光放長(zhǎng)遠(yuǎn)一點(diǎn)，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(dǎo)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(dá)特茅斯會(huì)議推動(dòng)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(dāng)時(shí)樂觀的氣氛彌漫著整個(gè)學(xué)界，在算法方面出現(xiàn)了很多世界級(jí)的發(fā)明，其中包括一種叫做增強(qiáng)學(xué)習(xí)的雛形（即貝爾曼公式），增強(qiáng)學(xué)習(xí)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(qiáng)學(xué)習(xí)等等只能做很簡(jiǎn)單、非常專門且很窄的任務(wù)，稍微超出范圍就無法應(yīng)對(duì)。當(dāng)時(shí)的計(jì)算機(jī)有限的內(nèi)存和處理速度不足以解決任何實(shí)際的AI問題。
研究者們很快發(fā)現(xiàn)，要求程序?qū)@個(gè)世界具有兒童水平的認(rèn)識(shí)這個(gè)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(gè)程序怎樣才能學(xué)到如此豐富的信息。另一方面，有很多計(jì)算復(fù)雜度以指數(shù)程度增加，這成為了不可能完成的計(jì)算任務(wù)。
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(shí)處理”成為了主流AI研究的焦點(diǎn)。專家系統(tǒng)的能力來自于它們存儲(chǔ)的專業(yè)知識(shí)，知識(shí)庫系統(tǒng)和知識(shí)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(shí)用性僅僅局限于某些特定情景，不久后人們對(duì)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(fèi)用遠(yuǎn)遠(yuǎn)低于專家系統(tǒng)所使用的Symbolics和Lisp等機(jī)器。
相比于現(xiàn)代PC，專家系統(tǒng)被認(rèn)為古老陳舊而非常難以維護(hù)。于是，政府經(jīng)費(fèi)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(xué)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(gè)選擇就是要做實(shí)用性、功能性的人工智能，這導(dǎo)致了一個(gè)新的人工智能路徑。
深度學(xué)習(xí)為核心的機(jī)器學(xué)習(xí)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(jì)算的發(fā)展使得可用的計(jì)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(gè)標(biāo)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(jī)大戰(zhàn)中擊敗韓國(guó)職業(yè)九段棋手李世乭。隨后，大眾開始熟知人工智能，各個(gè)領(lǐng)域的熱情都被調(diào)動(dòng)起來了。
深度學(xué)習(xí)算法，這次人工智能崛起的技術(shù)根基
可以看到，每次技術(shù)的突破，都會(huì)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(gè)，分別是算法、數(shù)據(jù)和計(jì)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(shù)根基。1943年，美國(guó)心理學(xué)家McCulloch和數(shù)學(xué)家Pitts在論文《神經(jīng)活動(dòng)中所蘊(yùn)含思想的邏輯活動(dòng)》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(jiǎn)化為數(shù)學(xué)模型，為神經(jīng)網(wǎng)絡(luò)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(dāng)前神經(jīng)元j相連的其他神經(jīng)元傳遞的輸入信號(hào)，Wij表示從神經(jīng)元i到j(luò)的連接強(qiáng)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(xué)生發(fā)表了《Reducing the dimensionality of data with neural networks》,提出了一種面向復(fù)雜通用學(xué)習(xí)任務(wù)的深度神經(jīng)網(wǎng)絡(luò)，指出具有大量隱層的網(wǎng)絡(luò)具有優(yōu)異的特征學(xué)習(xí)能力，而網(wǎng)絡(luò)的訓(xùn)練可以采用“逐層初始化”與“反向微調(diào)”技術(shù)解決。
自此，人類借助神經(jīng)網(wǎng)絡(luò)找到了處理“抽象”概念的方法，人工智能進(jìn)入了一個(gè)嶄新的時(shí)代。
另一方面，由于互聯(lián)網(wǎng)、移動(dòng)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(jì)算的發(fā)展，讓計(jì)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(jìn)一步提高了人類可利用的計(jì)算水平。一些互聯(lián)網(wǎng)巨頭開始利用大量數(shù)據(jù)，來訓(xùn)練其深度學(xué)習(xí)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(chǔ)?，F(xiàn)在讓我們回到剛開始的那個(gè)問題：這次人工智能的泡沫會(huì)破么？分析這個(gè)問題的角度有兩個(gè)：
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(shù)水平能支撐人工智能走多遠(yuǎn)。
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(duì)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(shí)現(xiàn)通用人工智能系統(tǒng)，解決幾乎所有領(lǐng)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(shí)的系統(tǒng)遠(yuǎn)遠(yuǎn)無法達(dá)到人們所想象的智能水平。
第一次泡沫破滅是因?yàn)槿藗儼l(fā)現(xiàn)當(dāng)時(shí)的智能系統(tǒng)如邏輯證明器、感知器、增強(qiáng)學(xué)習(xí)等，只能做很簡(jiǎn)單、非常專門且很窄的任務(wù)，稍微超出范圍就無法應(yīng)對(duì)，這讓智能系統(tǒng)不足以解決任何實(shí)際的問題。
第二次泡沫破滅也是因?yàn)閷＜蚁到y(tǒng)所能解決的問題非常局限，遠(yuǎn)遠(yuǎn)無法達(dá)到人們的期待。
那么，算法的局限性也會(huì)是埋葬這次人工智能浪潮的掘墓人么？——很可能是！這次技術(shù)革新最大的成就無疑是深度學(xué)習(xí)技術(shù)，人工智能浪潮能走多遠(yuǎn)很大程度上取決于深度學(xué)習(xí)技術(shù)到底有多強(qiáng)。
深度學(xué)習(xí)是比以前的統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)方法更為強(qiáng)大的模式識(shí)別方法，但具有很多的內(nèi)在缺陷：
深度學(xué)習(xí)系統(tǒng)缺乏推理能力。深度學(xué)習(xí)技術(shù)缺乏表達(dá)因果關(guān)系的手段，缺乏進(jìn)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(xué)習(xí)系統(tǒng)缺乏短時(shí)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(shí)別個(gè)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(fù)雜的時(shí)間關(guān)聯(lián)性。
目前的深度學(xué)習(xí)系統(tǒng)，都不能很好地存儲(chǔ)多個(gè)時(shí)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(jī)對(duì)話系統(tǒng)中可以很明顯的感覺出來。
人類的交流，都會(huì)基于前面的交談內(nèi)容來構(gòu)建語境，后面的交流都會(huì)基于前面的語境來進(jìn)行，目前的人機(jī)對(duì)話系統(tǒng)還遠(yuǎn)遠(yuǎn)達(dá)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(jì)Siri得一臉懵逼。
缺乏執(zhí)行無監(jiān)督學(xué)習(xí)的能力。無監(jiān)督學(xué)習(xí)在人類和動(dòng)物的學(xué)習(xí)中占據(jù)主導(dǎo)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(gè)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(jì)價(jià)值都來自監(jiān)督學(xué)習(xí)技術(shù)，也就是基于系統(tǒng)曾經(jīng)接受過的其他實(shí)例的輸入，來學(xué)習(xí)對(duì)結(jié)果進(jìn)行預(yù)測(cè)或?qū)|西進(jìn)行分類。
在可預(yù)見的未來，深度學(xué)習(xí)系統(tǒng)還無法具備無監(jiān)督學(xué)習(xí)的能力。目前來看，雖然無監(jiān)督學(xué)習(xí)可以幫助特定的深度網(wǎng)絡(luò)進(jìn)行“預(yù)訓(xùn)練”，但最終絕大部分能夠應(yīng)用于實(shí)踐的深度學(xué)習(xí)方法都是使用純粹的有監(jiān)督學(xué)習(xí)。
另一個(gè)方面，建立在語言之上的知識(shí)系統(tǒng)在人類智能方面扮演至關(guān)重要的作用。語言是知識(shí)的鑰匙，而知識(shí)正是 AI 的終極目標(biāo)。人類社會(huì)的知識(shí)，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(fù)用知識(shí)的。對(duì)于下一代智能系統(tǒng)所需的知識(shí)，人工智能必須能同時(shí)進(jìn)行“閱讀”和“聆聽”才能獲取到。而此等程度的機(jī)器學(xué)習(xí)，其關(guān)鍵技術(shù)正是 NLP，可以說NLP是實(shí)現(xiàn)人與 AI 之間成功溝通的技術(shù)關(guān)鍵。但當(dāng)前的深度學(xué)習(xí)方法還不足以解決 NLP 領(lǐng)域的核心問題。
僅僅通過擴(kuò)大今天的深度學(xué)習(xí)技術(shù)，我們無法實(shí)現(xiàn)通用智能。雖然神經(jīng)網(wǎng)絡(luò)在大樣本量上可以達(dá)到統(tǒng)計(jì)學(xué)上令人驚訝成果，但它們“對(duì)個(gè)例不可靠”，并且經(jīng)常會(huì)導(dǎo)致人類永遠(yuǎn)不會(huì)出現(xiàn)的錯(cuò)誤。
輸入不準(zhǔn)確或不完整數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)將產(chǎn)生錯(cuò)誤的結(jié)果，這其中有兩個(gè)著名的例子：
Google 圖像錯(cuò)誤地將非洲裔美國(guó)人分類為大猩猩；
微軟的 Tay 在 Twitter 上學(xué)習(xí)了幾個(gè)小時(shí)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(guān)鍵，這次人工智能浪潮的核心——深度學(xué)習(xí)算法的局限，直接決定了目前的人工智能系統(tǒng)不可能實(shí)現(xiàn)人們所預(yù)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(gè)關(guān)鍵因素?cái)?shù)據(jù)和算力來看，雖然取得了很大的進(jìn)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(dòng)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(luò)建成之后，物聯(lián)網(wǎng)體系將會(huì)貢獻(xiàn)更大量、類型更豐富、對(duì)人類更有價(jià)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(jī)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(jì)算能力更強(qiáng)，但局限性依然很大。我們最終的目標(biāo)是實(shí)現(xiàn)人類一樣的通用智能，繼而實(shí)現(xiàn)超級(jí)智能，那從系統(tǒng)的物理結(jié)構(gòu)上就必須支持這一設(shè)想。
目前來看，我們對(duì)大腦的思維過程還知之甚少，其整個(gè)處理和決策過程對(duì)于人類來說還是個(gè)“黑箱”。就當(dāng)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(duì)人腦神經(jīng)系統(tǒng)的研究還任重道遠(yuǎn)，近10年內(nèi)基本也看不到獲得根本突破性進(jìn)展的可能。
綜上所述，技術(shù)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(xué)習(xí)算法帶來的“技術(shù)紅利”，將支撐我們?cè)侔l(fā)展5~10年時(shí)間，隨后就會(huì)遇到瓶頸。
在人工智能領(lǐng)域，技術(shù)的進(jìn)步不是線性的，而是線性積累和間斷式突破交替進(jìn)行的。我們必須要達(dá)到一個(gè)“技術(shù)奇點(diǎn)”，才能實(shí)現(xiàn)根本上的突破，達(dá)到通用人工智能甚至是超級(jí)人工智能的水平。
大概率的可能性，未來幾年人們對(duì)人工智能懷有巨大的熱情和非理性的期待，但同時(shí)會(huì)漸漸發(fā)覺推進(jìn)起來越來越費(fèi)勁，仿佛有個(gè)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(gè)冬天也就來臨了。
人工智能發(fā)展階段
泡沫會(huì)以什么姿勢(shì)破滅，怎么過冬？
人工智能技術(shù)和產(chǎn)業(yè)特性決定了，在沒能實(shí)現(xiàn)高水平的智能之前，現(xiàn)在勢(shì)頭正猛的應(yīng)用領(lǐng)域，在未來幾年很可能會(huì)進(jìn)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(yīng)用，更多的是基于人們對(duì)于未來技術(shù)發(fā)展水平更高的預(yù)期，而不是當(dāng)下已經(jīng)達(dá)到的水平。比如自動(dòng)駕駛領(lǐng)域，未來商用是基于能夠達(dá)到L4級(jí)別的預(yù)期，但如果預(yù)期落空了呢？很可能自動(dòng)駕駛就會(huì)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(jìn)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(gè)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(gè)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(gè)玩具，不能委以重任，畢竟誰也不會(huì)將重要的事情交給一個(gè)小孩子來做。
再比如翻譯領(lǐng)域，一旦智能系統(tǒng)能夠達(dá)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(dá)到那種水平之前，翻譯系統(tǒng)基本就是個(gè)擺設(shè)，你不能通過那套系統(tǒng)來與外國(guó)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(yīng)用層面的。很多做人工智能應(yīng)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(gè)商業(yè)價(jià)值存在的根基就不存在了，整個(gè)產(chǎn)業(yè)將會(huì)消失，大量企業(yè)也會(huì)倒閉。
面對(duì)那樣一個(gè)未來，我們應(yīng)該怎么應(yīng)對(duì)呢？我提出幾點(diǎn)參考建議：
適度降低對(duì)人工智能的技術(shù)預(yù)判，理性設(shè)定商業(yè)模式。企業(yè)要仔細(xì)評(píng)估技術(shù)的發(fā)展?jié)摿?，不要抱有不切?shí)際的幻想。尋找并設(shè)計(jì)一些智能水平不是太高就能具有商業(yè)價(jià)值的應(yīng)用模式，并基于此來構(gòu)建競(jìng)爭(zhēng)壁壘。比如在自動(dòng)駕駛領(lǐng)域，我們要做好L4在10年內(nèi)無法實(shí)現(xiàn)的心理準(zhǔn)備，尋找一些L3級(jí)別就能具有商業(yè)價(jià)值的應(yīng)用領(lǐng)域。
現(xiàn)在就開始準(zhǔn)備“過冬的糧草”。泡沫破滅之后，融資會(huì)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(diǎn)花，爭(zhēng)取能挨過寒冬。
實(shí)行曲線救國(guó)策略，發(fā)展一些“偽智能”業(yè)務(wù)，拓展業(yè)務(wù)領(lǐng)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(diǎn)缺德，但能保存“革命的火種”，也算一件好事。
我對(duì)人工智能事業(yè)懷有深切的熱情，但目前的技術(shù)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(huì)由于失望而對(duì)人工智能事業(yè)不信任，媒體會(huì)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(huì)遭遇職業(yè)危機(jī)，流入人工智能領(lǐng)域的資金會(huì)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(yīng)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(qǐng)做好準(zhǔn)備。
責(zé)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(xué)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(guó)新能源車的發(fā)展之路 人工智能的勝利