如果放眼长远，历史经历了三个发展浪潮和两个低谷。也就是说，AI泡沫已经破了两次。让我们先来回顾一下人工智能的三起三落的历史，从历史中寻找现在的意义，推演我们可能面临的未来。第一次浪潮和第一个低谷：达特茅斯会议催生了世界上第一次人工智能浪潮，浪潮从1956年持续到1974年。当时，乐观的氛围弥漫在整个学术界，许多世界级的发明出现在算法术语，包括称为强化学习的原型（即贝尔曼公式）。强化学习是谷歌AlphaGo算法的核心思想。70年代初，人工智能遇到了瓶颈。人们发现逻辑证明器、感知器、强化学习等只能做很简单、很专业、范围很窄的任务，稍稍超出范围就应付不了了。当时计算机有限的内存和处理速度不足以解决任何实际的人工智能问题。研究人员很快发现，要求一个程序对世界有儿童级别的理解太过分了——在1970年，没有人能够制作出人工智能所需的庞大数据库，也没有人知道一个程序如何能够学到这么多东西。丰富的信息。另一方面，有许多计算复杂度呈指数增长，成为计算上不可能完成的任务。第二次浪潮和第二次低谷：20世纪80年代，一类被称为“专家系统”的人工智能程序开始被世界各地的公司所采用，“知识处理”成为主流人工智能研究的重点。专家系统的能力来源于其存储的专业知识，知识库系统和知识工程成为20世纪80年代人工智能研究的主要方向。但专家系统的用处仅限于某些场景，没过多久人们对专家系统的热情就变成了极大的失望。另一方面，从1987年到1993年出现的现代PC的成本远低于专家系统使用的Symbolics和Lisp机器。与现代PC相比，专家系统被认为是过时的并且很难维护。于是，政府拨款开始下降，寒冬又来了。第三次浪潮：1993年以后，出现了新的数学工具、新理论和摩尔定律。人工智能也在确定自己的方向，选择之一就是做实用的、功能性的人工智能，从而引出一条新的人工智能路径。开发了以深度学习为核心的机器学习算法，积累的数据量极为丰富。新型芯片和云计算的发展，使得可用计算能力得到突飞猛进的发展，现代人工智能的曙光再次出现。具有里程碑意义的事件发生在2016年3月，谷歌DeepMind开发的AlphaGo在围棋人机对战中击败了韩国职业九段围棋选手李世石。随后，大众对人工智能的熟悉，各个领域的积极性被调动起来。深度学习的发展使人工智能进入了一个新的发展高潮。技术的局限性，尤其是算法层面的局限性，决定了这波人工智能浪潮的“天花板”。深度学习算法带来的“技术红利”，再支撑我们发展5年到10年，就会遇到瓶颈。在人工智能领域，技术进步不是线性的，而是线性积累和间歇性突破交替进行的。必须达到“技术奇点”，才能实现根本性突破，达到通用人工智能甚至超级人工智能的水平。未来几年，人们大概率会对人工智能抱有极大的热情和非理性的期待，但与此同时，也会逐渐发现它越来越难推进，仿佛有一个无形的存在“天花板”挡住了它。没有突破，人们的耐心就会逐渐耗尽，人工智能的下一个寒冬就会到来。就一般行业而言，线性发展成分更为重要。即使行业不能再进一步，也能保持较高的行业成熟度。人工智能行业不同。如果用百分制衡量一个行业的发展程度，人工智能并不是从1逐渐发展到100，而是要么在90分以上，要么在10分以下。试想一下，你有一个聪明的助手。如果他的智力水平永远在10岁以下，你会接受吗？这样的智能助手更像是一个玩具，不能委以重任。毕竟，没有人会把重要的东西交给你。给一个小孩做。另一个例子是翻译领域。一旦智能系统达到人类水平的翻译能力，将是一次彻底的颠覆，人类翻译人员将彻底消失；但是，在达到那个水平之前，翻译系统基本上是一个摆设，你不能通过那个系统和老外顺畅地交流，也不可能把你看到的全部材料立刻转换成另一种语言。人工智能的泡沫更多是在产业化和商业应用层面。很多从事人工智能应用的企业，如果发现实施方案的预期落空，那么他们整个商业价值的基础将不复存在，整个行业就会消失，大量企业也会倒闭。如果真的要面对这样的未来，我们又该如何应对呢？我想提出几点参考建议：第一，适度降低对人工智能的技术预期，合理设置商业模式。企业要审慎评估技术的发展潜力，不要抱有不切实际的幻想。寻找并设计一些不太智能的应用模型，不具备商业价值，并以此为基础构建竞争壁垒。比如在自动驾驶领域，要做好10年内无法实现L4的心理准备，寻找一些能够在L3级别具有商业价值的应用领域。二是从现在开始备“冬粮”。泡沫破灭后，融资会越来越难，维持企业自身的造血能力基本没有用。所以，现在尽量多筹钱，未来几年存点钱，争取熬过寒冬。三是实施曲线救国战略，发展部分“伪智能”业务，拓展业务领域。如果有一天你发现“纯人工智能”这条路走不通，可以考虑发展一些周边产业，只要能带来现金流即可。虽然卖狗肉当羊把戏有点不道德，但保存“革命火种”也是好事。
