周末荐读 | 如何避免下一个AI冬季？

在所有关于人工智能(AI)、机器学习(ML)和认知技术的浪潮中，也存在所有关于人工智能(AI)、机器学习(ML)和认知技术的浪潮中，也存在着一丝隐忧。一项从计算机诞生之初就有了根基的技术，为什么突然间变成了热门且“必备”技术呢？同时为那些飞速发展的初创公司注入了越来越多的资金。

人工智能产业经历了两次大发展的浪潮，也伴随着“天价炒作”的时期，但当人们意识到人工智能的局限性时，它却戏剧性地回到了现实。本文通过回溯AI产业的历史，分析产生AI冬季的原因，对“如何避免下一个AI冬季”这一问题提供观点和见解。

重温人工智能冬季

人工智能冬季是一个对人工智能和相关领域的兴趣、资金、研究和支持下降的时期——本质上是对该行业增长的“冷遇”。历史上有两次人工智能冬季：第一次是1970年代中期至后期的人工智能冬季；另一次是1980年代后期至1990年代中期人工智能冬季。

人工智能发展史上的三个冬天和对应的事件👇

先来分析第一次人工智能冬季，到底是什么导致了这个人工智能冬季呢?主要有两点：

原因1：承诺过高，兑现不足

人工智能的早期似乎预示着一切。计算机可以下棋，在周围环境中导航，与人类对话，和人类一样实际地思考和行动。难怪《2001太空漫游》(2001:A Space Odyssey)在1969年对观众的吸引力似乎没有那么大。然而，事实证明，这些过分的承诺与支持者们的期望并不一致。

原因2：资金缺乏多样性

上世纪70年代中期，人工智能的资金过于依赖政府和非商业来源，在预算削减和战略重点改变的推动下，世界各国政府缩减了学术研究的投入，人工智能领域受到的影响最大。

而且，人工智能往往是跨学科的，涉及到计算机、哲学和逻辑、数学、大脑和认知科学等领域的不同政府部门，当一个政府部门的资金减少，就会影响整个人工智能研究的能力。这也许是这个时代最值得吸取的教训之一：找到更稳定可靠的资金来源，这样的研究才不会结束。

随着专家系统的发展，人们对人工智能研究的兴趣在80年代中期重新燃起，这是第二次人工智能浪潮。专家系统帮助各行各业实现了自动化，简化了华尔街的决策过程，提高了华尔街的电子交易系统的质量。不久，人们又看到了智能电脑的崛起。然而，紧随其后的是人工智能的第二个冬季。总结第二次人工智能冬季，也有两个原因：

原因1：技术障碍

在20世纪80年代，专家系统非常依赖数据，而且存储仍然很昂贵，企业还需要开发自己的数据和决策流。如果没有一个全球的、连接的、几乎无限的数据库和从这些数据中收集到的知识，企业就会受到技术限制的束缚。

原因2：复杂性和脆弱性

随着专家系统变得越来越复杂，维护这些数据变得越来越困难。专家系统非常脆弱，而且过于依赖特定的输入来获得期望的输出。在人力成本日益增加的情况下，企业将重新评估它们对专家系统的需求。简单地说，昂贵的复杂的专家系统会被更便宜、更简单的系统所取代，尽管它们无法实现人工智能的总体目标。

人工智能冬季应如何避免？

如今，第三次人工智能浪潮袭来，其产生的原因大致归纳为三方面：技术进步(尤其是大数据和GPU)，普通人已经习惯于在日常生活中与机器进行对话和交互，以及从汽车到手机等日常设备的智能网联。

因为前两次AI冬季历史的存在，不禁让人发问：处在第三次AI浪潮的我们将走向何方？又是否会真的要去另一个AI冬季？答案是，视情况而定。但这取决于什么呢？

首先，我们需要将AGI（通用人工智能）研究和持续人工智能研究的目标与企业和消费者应用人工智能和认知技术需求的目标分开。公司不需要人形机器人来成功实现客户自助聊天机器人。自动驾驶汽车制造商不需要超级智能就能设计出能够在混乱的街道上成功行驶并避免事故的车辆。组织不需要感知系统来构建能够处理不断变化的业务流程的自治系统。

也许我们可以看看关于人工智能的研究以及人工智能研究的产出和成果，就像我们如何看待太空竞赛一样。太空竞赛的目标是把某人送上月球，并向外行星和更远的地方发射任务。过去许多人声称，到2001年，我们将生活在月球上，或者在其他星球上定居，而这些愿景有助于开发极具价值的技术。这些技术实际上改变了我们今天的生活。然而，生活在太空站并不一定能到达那里。空间研究没有停止，也没有采用空间研究衍生的技术。

同样地，如果我们能让自己的头脑被人工智能的未来愿景所激励，但我们的脚却牢牢地踩在人工智能技术所能提供的基础上，我们就能同时保持资金和兴趣流向人工智能研究，同时将短期人工智能技术应用于眼前的需求。这样，我们就可以避免下一个人工智能冬季的到来，或者它到来几年。

而且，企业不会为了研究而致力于研究。相反，对于大多数企业来说，更关注“这项技术能解决问题吗?”“我的客户关心什么?”

从这个角度看，问题不在于下一个人工智能冬季在哪里，而在于我们是否已经到达了夏天。 

人工智能不是一项独立的技术，而是一系列相关的认知技术，每一种技术都涉及到以前只有人类认知或能力才能应用于特定问题的不同方面。过去，只有人类才能识别图像和物体，但现在可以训练机器在图像和物体识别方面非常有效。对许多人来说，图像识别是人工智能中的一个“解决”问题，在企业中的应用迫在眉睫。没有人能说服公司停止使用图像识别应用程序，因为它们的价值已经得到了证明。

同样地，认知技术也被用来处理和产生自然语言，处理广泛的模式匹配和决策任务，并利用感官能力与环境互动，而这些能力在以前是非常复杂的，无法与传统方法相媲美。对大多数企业来说，对这些技术的投资兴趣才刚刚开始，企业内部用于机器学习解决方案的预算以及风险投资资金似乎继续流向那些正在面对现实商业世界问题的项目，而不是纯粹的研究。

文章推荐 

公众号后台回复“进群”
加入人工智能读者俱乐部