1
編者按：本文投稿人靈致是 Uber 舊金山的數據科學家，負責 Uber 的實時調度算法系統。靈致通過總結以往人工智能大起大落的歷程來審視當下人工智能所處的局點。靈致提到，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能冬天（AI Winter），是我們每一個人都不愿意再次看到的。
1956 年“人工智能”首次在達特茅斯會議中被提出，John McCarthy, Marvin Minsky, Allen Newell, Arthur Samuel 以及 Herbert Simon 五人順勢成為當時這一領域的領軍人物。緊接著人工智能開始醞釀其第一次浪潮，人工智能實驗室在全球各地扎根。
在那個人工智能的風口浪尖上，AI 五大領袖們開始對這個領域的發(fā)展前景表現出極其的樂觀。直到 1973 年，以《萊特希爾報告》的推出為代表，象征著人工智能正式進入寒冬。這篇報告宣稱”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“。各國政府勒令大規(guī)模削減人工智能方面的投入。這之后的十年間，人工智能鮮有被人提起。
而到了八十年代，由于專家系統的崛起人工智能再次迎來一次久旱之后的甘霖期，也是一次新的高潮。然后隨后人們意識到人工智能的問題不是硬件問題，而更加是軟件以及算法層面的挑戰(zhàn)沒有突破。
在算法欠佳的情況下，硬件也遭遇危機。隨著 1987 年基于通用計算的 Lisp 機器在商業(yè)上的失敗，人工智能再次滑入了低迷期。到了上世紀九十年代后期，由于計算機計算能力的不斷提高，人工智能再次卷土重來。以數據挖掘和商業(yè)診斷為主要代表的應用非常成功，使人工智能重回人們的視野。
在研究領域，神經網絡模型（現代深度學習的前身）在漫長的計算機發(fā)展歷史中得以長足發(fā)展，從理論到應用算法都有了長足進步，但因為深層神經網絡的理論研究結果表明其發(fā)展非常有限，加上計算復雜度高，它漸漸被后來以 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，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能任務上表現非常優(yōu)異，加上后來的 Boosting 方法，貝葉斯采樣推理等，以及蓬勃發(fā)展的統計機器學習領域的崛起，人工智能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云涌，人類對于人工智能的火熱開始逐漸升溫，涌入這一領域的研究人員和經費也越來越多。
以 Geoff Hinton 為代表的研究人員于 2006 年發(fā)現了訓練高層神經網絡的有效算法，并且隨著進一步的研究和擴展，于 2012 年在圖像識別這一非常具有人工智能特色的領域里面大大突破了以前的算法，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。
此后，披著深度學習這件華麗新衣的神經網絡繼續(xù)往前高歌猛進，以其極具特色的“特征自學習”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能任務上的新制高點，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。
由于基于深度學習的機器學習模型與算法在實際數據集上的良好表現，與以往不同的是，對于技術進步越來越敏感的科技產業(yè)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，用于研究更猛的人工智能引擎和方法，以期占領技術制高點，從而在未來轉化為巨大的商業(yè)價值。
Geoff Hinton、Yann LeCun、Yoshua Benjo 以及后起之秀 Andrew Ng 等，都成了這一波人工智能浪潮發(fā)展的焦點人物。而這波趨勢在 2015 年到 2016 年間，更是發(fā)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(fā)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，進軍人工智能可能產生深遠影響的領域，比如無人車，智能醫(yī)療，以及人工智能驅動的數據科學等等。
毫無疑問，深處硅谷科技圈，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 云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(zhàn)場上的競爭相關消息，幾乎刺激著每一個科技產業(yè)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，仿佛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咨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，趕上了這波人工智能大浪潮。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，敢于去做一些富有挑戰(zhàn)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后續(xù)傷害。這和過往由以 SVM，Boosting，Sparse model 帶來的突破和進展在歷史發(fā)展的角度并無天壤之別。今天 AlphaGo 在圍棋上戰(zhàn)勝圍棋九段李世石并沒有和當年 IBM 戰(zhàn)勝卡斯帕洛夫有云泥之分。我們應該合理的對待進展，并且努力讓公眾和政府對于人工智能有合理的期待和支持。比如，當下還遠遠不是鼓吹人工智能威脅論的時候。許多業(yè)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(yè)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，當許多連人工智能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(fā)展，人類社會接下來在人工智能技術上如何推進與突破，或繼續(xù)高潮，或平穩(wěn)著陸，或陷入低迷期，都不會阻止人類對于追求更先進人工智能的渴望與夢想。學界和業(yè)界也會繼續(xù)合作，推動人工智能的長足進步。同時，以 Elon Musk 等人為代表的有識之士也會繼續(xù)為人工智能界定合理的安全邊界，以保證技術的進步服務于人類社會，而不是顛覆并凌駕于人類之上。OpenAI 和大規(guī)模機器學習平臺的開源，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。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
