自1950年阿蘭·圖靈在其開創性論文——《計算機器與智能》中首次提出“機器能思考嗎？”這個問題以來，人工智能的發展并非一帆風順，也尚未實現其“通用人工智能”的目標。

然而，該領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年來最優秀的研發成果。

值得關注的是，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期。

導致人工智能冬天的因素之一是炒作與實際的根本進步之間的差距。

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人工智能的冰川期？

人工智能的周期性波動

“人工智能冬天（AI Winter）”指的是公眾對人工智能的興趣隨著商業和學術領域對這些技術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術性為主。

20世紀70年代初，人們對人工智能的熱情開始消退，這一灰暗時期持續到1980年左右。

在這段人工智能的寒冬中，致力于為機器開發類人智能的活動開始缺乏資金。

1956年夏天，一群數學家和計算機科學家占領了達特茅斯學院數學系所在大樓的頂層。

在八周的時間里，他們共同想象著一個全新的研究領域。

約翰-麥卡錫(John McCarthy)作為當時達特茅斯大學的一名年輕教授，他在為研討會設計提案時杜撰了“人工智能”一詞。

他認為，研討會應該探索這樣的假說：“人類學習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、心理學派或計算機學派，其原理主要為物理符號系統假設和有限合理性原理，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，“聯結主義”把人的智能歸結為人腦的高層活動，強調智能的產生是由大量簡單的單元通過復雜的相互聯結和并行運行的結果。

它從神經元開始進而研究神經網絡模型和腦模型，開辟了人工智能的又一發展道路。

長期以來，這兩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，我們可以看到人工智能研究人員的希望經常破滅，而這些挫折并沒有阻止他們發展人工智能。

今天，盡管人工智能正在給行業帶來革命性的變化，并有可能顛覆全球勞動力市場，但許多專家仍在思考，今天的人工智能應用是否已經達到了極限。

正如查爾斯·崔(Charles Choi)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，當今深度學習系統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的人工智能工程師們最終引領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》的文章在網上引起了熱議。

該文主要對深度學習的炒作提出了批評，認為這項技術遠算不上革命性，而且正面臨發展瓶頸。

各大公司對人工智能的興趣其實正在收斂，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，人工智能領域取得了越來越令人矚目的進步。

1997年，IBM公司的深藍系統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“踩點兒”，便經一條沙漠道路自動駕駛131英里，贏得DARPA自動駕駛機器人挑戰賽。

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

圖片來源：DARPA Grand Challenge 2005

在過去二十年里，一切都變了。

特別是互聯網的蓬勃發展，讓人工智能行業有足夠多的圖片、聲音、視頻等各類數據來訓練神經網絡并進行廣泛應用。

但深度學習領域不斷擴大的成功依賴于增加神經網絡的層數，以及增加用于訓練它們的GPU時間。

人工智能研究公司OpenAI的一項分析顯示，訓練最大的人工智能系統所需的計算能力每兩年翻一番，之后的每3-4個月翻一番。

正如尼爾·湯普森(Neil C. Thompson)和他的同事在《深度學習的收益遞減》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的軌道上。

早期人工智能研究面對的一個普遍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取得的進步也齊頭并進。

然而，面對洶涌而至的海量數據和不斷復雜的算法，全球每年新增數據20ZB，AI算力需求每年增長10倍，這一速度已經遠超摩爾定律關于性能翻倍的周期。

我們正在接近一個芯片上可以安裝晶體管數量的理論上的物理極限。

比如英特爾正在放緩推出新芯片制造技術的步伐，因其難以在節約成本的情況下繼續縮小晶體管體積。簡而言之，摩爾定律的終點即將來臨。

圖片來源：Ray Kurzwell, DFJ

有一些短期解決方案將能確保計算能力的繼續增長，從而促進人工智能的進步。

例如，在2017年中期，谷歌宣布，其已開發一款專門的人工智能芯片，名為“云TPU”，該芯片對深度神經網絡的訓練和執行進行了優化。

亞馬遜為Alexa（人工智能私人助理）開發自已的芯片。 同時，目前還有眾多初創公司試圖調整芯片設計，以適應專門的人工智能應用程序。

然而，這些僅是短期解決方案。

當我們用盡了能優化傳統芯片設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典計算，并找到更為堅實的答案。

但直到目前，可實現“量子霸權”、比傳統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”到來之前就達到了傳統計算能力的極限，恐怕未來還會出現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雜，并推動著我們去實現阿蘭·圖靈對人工通用人工智能的愿景。然而，仍存在大量工作要做。

同時，沒有量子計算的幫助，我們將很能實現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。

但是，重要的是要意識到潛在的風險并密切關注跡象，以便我們可以在它確實發生時做好準備。

本文來自微信公眾號“科技云報到”（ID:ITCloud-BD），作者：科技云報道，36氪經授權發布。