自从艾伦·图灵第一次提出“机器能思考吗？”这个问题以来1950年在他的开创性论文《计算机器与智能》中，人工智能的发展并非一帆风顺，其“通用人工智能”的目标尚未实现。然而，这一领域仍然取得了令人难以置信的进步，例如：IBM深蓝机器人击败世界上最好的国际象棋棋手，自动驾驶汽车的诞生，以及谷歌DeepMind的AlphaGo击败世界上最好的围棋棋手……当前成就展示过去65年来最优秀的研发成果。有趣的是，这段时间出现了有据可查的“AI寒冬”，几乎完全颠覆了人们早先对人工智能的预期。造成AI寒冬的因素之一是炒作与实际基本进展之间的差距。过去几年，一直有人猜测另一个人工智能冬天可能即将来临，那么哪些因素可能会引发人工智能冰河期呢？人工智能的周期性波动“AI寒冬”是指公众对人工智能的兴趣随着对这些技术的商业和学术投资而减少的时期。人工智能最初在20世纪50年代和60年代迅速发展。尽管人工智能取得了许多进步，但它们在本质上大多是学术性的。70年代初期，人们对人工智能的热情开始消退，这段黑暗时期一直持续到1980年左右。在这个人工智能冬天，为机器开发类人智能的努力开始耗尽资金。1956年夏天，一群数学家和计算机科学家占据了达特茅斯学院数学系大楼的顶层。在八周的时间里，他们共同构想了一个全新的研究领域。当时达特茅斯大学的年轻教授约翰麦卡锡在设计研讨会提案时创造了“人工智能”一词。他认为研讨会应该探讨这样一个假设，即“人类学习的每个方面，或智能的任何其他特征，原则上都可以被如此精确地描述，以至于可以被机器模拟”。在那次会议上，研究人员勾勒出我们今天所知的人工智能的粗略轮廓。它催生了第一批人工智能科学家阵营。“象征主义”是一种基于逻辑推理的智能模拟方法，又称逻辑主义、心理学派或计算机派。其原理主要是物理符号系统假设和有限理性原理，长期以来在人工智能研究中占据主导地位。他们的专家系统在80年代达到顶峰。会后多年，“联结论”将人类智能归因于人脑的高级活动，强调智能的产生是大量简单单元通过复杂的相互联系、并行运算的结果。它从神经元开始，进而研究神经网络模型和脑模型，开辟了人工智能的另一条发展道路。长期以来，这两种方法一直被认为是相互排斥的，双方都认为自己走在通向通用人工智能的道路上。回顾那次会议后的几十年，我们可以看到AI研究人员的希望常常破灭，而这些挫折并没有阻止他们开发AI。今天，尽管人工智能正在彻底改变行业并有可能颠覆全球劳动力市场，但许多专家仍然想知道今天的人工智能应用是否已经达到极限。正如CharlesChoi在《人工智能失败的七种揭示性方式》（AI失败的七种显露方式）中所描述的那样，当今深度学习系统的弱点正变得越来越明显。不过，研究人员对人工智能的未来并不悲观。在不远的将来，我们可能会迎来另一个AI寒冬。但这可能是灵感迸发的AI工程师最终带领我们进入机器思维永恒夏日的时刻。计算机视觉和人工智能专家FilipPiekniewski的一篇文章在网上引起热议。这篇论文主要是对深度学习炒作的批评，认为该技术远非革命性的，而且正面临瓶颈。各大公司对人工智能的兴趣其实正在萎缩，另一个人工智能的冬天可能就要来临了。人工智能冬天会来吗？自1993年以来，人工智能领域取得了越来越令人瞩目的进展。1997年，IBM的深蓝系统率先击败国际象棋世界冠军加里。卡斯帕罗夫的电脑棋手。2005年，斯坦福无人机器人在沙漠公路上行驶了131英里，没有“踩到原地”，赢得了DARPA自动驾驶机器人挑战赛。2016年初，谷歌的DeepMind的AlphaGo击败了世界上最好的围棋选手。在过去的二十年里，一切都变了。尤其是互联网的蓬勃发展，让人工智能产业有了足够多的图片、声音、视频等数据来训练神经网络，并得到广泛应用。但深度学习领域不断扩大的成功依赖于增加神经网络的层数，以及增加可用于训练它们的GPU时间。人工智能研究公司OpenAI的一项分析表明，训练最大的人工智能系统所需的计算能力每两年翻一番，此后每3-4个月翻一番。正如NeilC.Thompson和他的同事在《深度学习的收益递减》中所写，许多研究人员担心人工智能的计算需求正处于不可持续的轨道上。早期人工智能研究面临的一个普遍问题是严重缺乏计算能力，受限于硬件而非人类智力或能力。在过去的25年里，我们在人工智能方面取得的进步与计算能力的急剧增长齐头并进。然而，面对海量数据的涌入和日益复杂的算法，全球每年新增20ZB数据，对AI算力的需求每年增长10倍。这个速度已经远远超过了摩尔定律的性能倍增周期。我们正在接近可安装在芯片上的晶体管数量的理论物理极限。例如，英特尔正在放慢推出新芯片制造技术的步伐，因为它难以在节省成本的同时缩小晶体管尺寸。简而言之，摩尔定律的终结已近在咫尺。图片来源：DFJ的RayKurzwell有一些短期解决方案可以确保计算能力持续增长，从而推动人工智能的发展。例如，在2017年年中，谷歌宣布已开发出一种名为“云TPU”的专用AI芯片，针对深度神经网络的训练和执行进行了优化。亚马逊为人工智能个人助理Alexa开发了自己的芯片。与此同时，有许多初创公司试图调整芯片设计以适应专门的人工智能应用。然而，这些只是短期解决方案。当我们用尽优化传统芯片设计的选项时会发生什么？我们会看到另一个人工智能冬天吗？答案是肯定的，除非量子计算能够超越经典计算，找到更稳固的答案。但直到现在，能够实现“量子至上”并且比传统计算机更高效的量子计算机还不存在。如果我们在真正的“量子霸权”到来之前达到传统算力的极限，未来恐怕又要迎来一个人工智能寒冬。AI研究人员正在努力解决的日益复杂的问题正在驱使我们朝着AlanTuring的人工通用人工智能的愿景前进。但是，还有很多工作要做。与此同时，我们将很可能在没有量子计算帮助的情况下充分发挥人工智能的潜力。没有人能确定人工智能冬天是否即将到来。但是，重要的是要意识到潜在的风险并密切注意迹象，以便我们可以在它确实发生时做好准备。
