Zi 字媒體

每一個企業級的人 都置頂了 軟體網軟體網 為你帶來最新鮮的行業乾貨如果要找這兩年最大的風口，那非人工智慧莫屬。無論是學術界、企業界、資本市場，還是政府機構，都對人工智慧懷著極大的期待和熱情。但是，很多時候期望越大失望也越大。當有一天人們發現人工智慧並不是想象中的那麼強大時，會不會由一個極端走向另一個極端，覺得人工智慧什麼都不是呢？本文試圖理性分析這次人工智慧浪潮褪去的可能性，以及泡沫破滅的可能「姿勢」。值得提出的是，雖然人工智慧有泡沫，那也不是一件多麼壞的事情，適度的泡沫有助於驅動大眾的熱情，助推整個智能產業的發展。只是我們要保持理性，並對泡沫破滅的時候有所準備。歷史上的寒冬，人工智慧的三次沉浮錄如果將眼光放長遠一點，歷史上已經經歷了三次發展浪潮，也經歷了兩次低谷。換言之，人工智慧的泡沫已經破滅兩次了。讓我們先來回顧一下人工智慧這三起兩落的歷史，從歷史中來找尋現在的意義，推導出我們可能面臨的未來。人工智慧沉浮史第一次浪潮和第一次低谷：達特茅斯會議推動了全球第一次人工智慧浪潮的出現，這次浪潮從1956年一直持續到1974年。當時樂觀的氣氛瀰漫著整個學界，在演算法方面出現了很多世界級的發明，其中包括一種叫做增強學習的雛形（即貝爾曼公式），增強學習就是谷歌AlphaGo演算法核心思想內容。70年代初，AI遭遇了瓶頸。人們發現邏輯證明器、感知器、增強學習等等只能做很簡單、非常專門且很窄的任務，稍微超出範圍就無法應對。當時的計算機有限的內存和處理速度不足以解決任何實際的AI問題。研究者們很快發現，要求程序對這個世界具有兒童水平的認識這個要求都太高了——1970年沒人能夠做出人工智慧需要的巨大數據庫，也沒人知道一個程序怎樣才能學到如此豐富的信息。另一方面，有很多計算複雜度以指數程度增加，這成為了不可能完成的計算任務。第二次浪潮和第二次低谷：在80年代，一類名為「專家系統」的AI程序開始為全世界的公司所採納，而「知識處理」成為了主流AI研究的焦點。專家系統的能力來自於它們存儲的專業知識，知識庫系統和知識工程成為了80年代AI研究的主要方向。但是專家系統的實用性僅僅局限於某些特定情景，不久後人們對專家系統的狂熱追捧轉向巨大的失望。另一方面，1987年到1993年現代PC的出現，其費用遠遠低於專家系統所使用的Symbolics和Lisp等機器。相比於現代PC，專家系統被認為古老陳舊而非常難以維護。於是，政府經費開始下降，寒冬又一次來臨。第三次浪潮：1993年後，出現了新的數學工具、新的理論和摩爾定律。人工智慧也在確定自己的方向，其中一個選擇就是要做實用性、功能性的人工智慧，這導致了一個新的人工智慧路徑。深度學習為核心的機器學習演算法獲得發展，積累的數據量極大豐富，新型晶元和雲計算的發展使得可用的計算能力獲得飛躍式發展，現代AI的曙光又再次出現了。一個標誌性事件發生在2016年3月，谷歌DeepMind研發的AlphaGo在圍棋人機大戰中擊敗韓國職業九段棋手李世乭。隨後，大眾開始熟知人工智慧，各個領域的熱情都被調動起來了。深度學習演算法，這次人工智慧崛起的技術根基可以看到，每次技術的突破，都會迎來一波人工智慧的發展浪潮。這次人工智慧浪潮的基石有三個，分別是演算法、數據和計算能力。尤其是演算法，直接決定了人工智慧的發展水平。人工智慧的三大根基首先，我們來看看這次人工智慧的技術根基。1943年，美國心理學家McCulloch和數學家Pitts在論文《神經活動中所蘊含思想的邏輯活動》中首次提出神經元的M-P模型，該模型從邏輯功能器件的角度來描述神經元。M-P模型將生物神經信息處理模式簡化為數學模型，為神經網路的理論研究開闢了道路。M-P模型在M-P模型中，Xi（i=1，2，...，n）表示來自於與當前神經元j相連的其他神經元傳遞的輸入信號，Wij表示從神經元i到j的連接強度，為神經元的激活閾值，F為轉移函數。那麼神經元的輸出Yj可以表示為，用向量表示就是Yj=F（XW）。2006年，加拿大多倫多教授Hinton和他的學生髮表了《Reducing the dimensionality of data with neural networks》,提出了一種面向複雜通用學習任務的深度神經網路，指出具有大量隱層的網路具有優異的特徵學習能力，而網路的訓練可以採用「逐層初始化」與「反向微調」技術解決。自此，人類藉助神經網路找到了處理「抽象」概念的方法，人工智慧進入了一個嶄新的時代。深度神經網路另一方面，由於互聯網、移動互聯網以及物聯網的發展，企業尤其是互聯網巨頭積累了大量的數據。再加上雲計算的發展，讓計算能力像電力一樣變得更加便宜，可獲得性更高。晶元性能的提高，GPU、FPGA等人工智慧晶元的出現和發展，進一步提高了人類可利用的計算水平。一些互聯網巨頭開始利用大量數據，來訓練其深度學習演算法，不斷提升系統的智能水平。純粹理性批判，我們離冬天還有幾年？介紹完了人工智慧的「沉浮史」，以及支撐這次浪潮的基礎。現在讓我們回到剛開始的那個問題：這次人工智慧的泡沫會破么？分析這個問題的角度有兩個：從歷史上人工智慧兩次低谷的原因來分析這次面臨同樣困境的可能性；從這次人工智慧浪潮的支撐基石角度，看目前的技術水平能支撐人工智慧走多遠。從上兩次人工智慧泡沫破滅的原因來看，最重要的限制來自演算法層面。人們對人工智慧的最大期待是不斷提升系統的智能水平，讓智能系統逐步拓展能夠處理的問題範圍，最終實現通用人工智慧系統，解決幾乎所有領域問題。每次人工智慧浪潮中，人們都或多或少的懷有「一勞永逸」的期待。泡沫破滅的主要原因，也是現實的系統遠遠無法達到人們所想象的智能水平。第一次泡沫破滅是因為人們發現當時的智能系統如邏輯證明器、感知器、增強學習等，只能做很簡單、非常專門且很窄的任務，稍微超出範圍就無法應對，這讓智能系統不足以解決任何實際的問題。第二次泡沫破滅也是因為專家系統所能解決的問題非常局限，遠遠無法達到人們的期待。那麼，演算法的局限性也會是埋葬這次人工智慧浪潮的掘墓人么？——很可能是！這次技術革新最大的成就無疑是深度學習技術，人工智慧浪潮能走多遠很大程度上取決於深度學習技術到底有多強。深度學習是比以前的統計學和機器學習方法更為強大的模式識別方法，但具有很多的內在缺陷：深度學習系統缺乏推理能力。深度學習技術缺乏表達因果關係的手段，缺乏進行邏輯推理的方法，而邏輯推理毫無疑問是人類智能的核心之一。深度學習系統缺乏短時記憶能力。人類的大腦有著驚人的記憶功能，我們不僅能夠識別個體案例，更能分析輸入信息之間的整體邏輯序列。這些信息序列富含有大量的內容，信息彼此間有著複雜的時間關聯性。目前的深度學習系統，都不能很好地存儲多個時間序列上的記憶，也就是說缺乏記憶能力。這在目前主流的人機對話系統中可以很明顯的感覺出來。人類的交流，都會基於前面的交談內容來構建語境，後面的交流都會基於前面的語境來進行，目前的人機對話系統還遠遠達不到這種水平。比如蘋果的Siri系統，你問它3乘以3等於多少，它可以很好的回答，但是你再問「剛才的結果再乘以3呢？」或者說「我剛剛問你什麼來自？」，估計Siri得一臉懵逼。缺乏執行無監督學習的能力。無監督學習在人類和動物的學習中佔據主導地位，我們通過觀察能夠發現世界的內在結構，而不是被告知每一個客觀事物的名稱。目前幾乎所有由人工智慧創造的經濟價值都來自監督學習技術，也就是基於系統曾經接受過的其他實例的輸入，來學習對結果進行預測或對東西進行分類。在可預見的未來，深度學習系統還無法具備無監督學習的能力。目前來看，雖然無監督學習可以幫助特定的深度網路進行「預訓練」，但最終絕大部分能夠應用於實踐的深度學習方法都是使用純粹的有監督學習。另一個方面，建立在語言之上的知識系統在人類智能方面扮演至關重要的作用。語言是知識的鑰匙，而知識正是 AI 的終極目標。人類社會的知識，正是通過語言來代代相傳的。僅靠觀察他人，人類是無法獲取到廣泛的可復用知識的。對於下一代智能系統所需的知識，人工智慧必須能同時進行「閱讀」和「聆聽」才能獲取到。而此等程度的機器學習，其關鍵技術正是 NLP，可以說NLP是實現人與 AI 之間成功溝通的技術關鍵。但當前的深度學習方法還不足以解決 NLP 領域的核心問題。僅僅通過擴大今天的深度學習技術，我們無法實現通用智能。雖然神經網路在大樣本量上可以達到統計學上令人驚訝成果，但它們「對個例不可靠」，並且經常會導致人類永遠不會出現的錯誤。輸入不準確或不完整數據的神經網路將產生錯誤的結果，這其中有兩個著名的例子：Google 圖像錯誤地將非洲裔美國人分類為大猩猩；微軟的 Tay 在 Twitter 上學習了幾個小時后，就出現了種族主義以及歧視女性的言論。演算法的突破無疑是制約人工智慧發展的關鍵，這次人工智慧浪潮的核心——深度學習演算法的局限，直接決定了目前的人工智慧系統不可能實現人們所預想的通用人工智慧那種狀態。除了演算法層面，就人工智慧的另外兩個關鍵因素數據和算力來看，雖然取得了很大的進步，但也存在諸多問題。首先，數據層面。積累的海量數據就是人工智慧系統的「糧食」，可以說是足夠多的數據將人工智慧「養大的」。一方面，隨著互聯網、移動互聯網的發展，數據積累的速度在不斷加快，5G網路建成之後，物聯網體系將會貢獻更大量、類型更豐富、對人類更有價值的數據；另一方面，不是積累的數據都可用，目前機器系統能夠「理解」的基本都是結構化數據，像語音、圖像、社交數據這些非結構化數據的「理解」還存在很大問題，在10年之內是否能夠解決非結構化數據的「理解」問題尚未可知。算力層面。目前的GPU、FPGA等人工智慧晶元，雖然比CPU計算能力更強，但局限性依然很大。我們最終的目標是實現人類一樣的通用智能，繼而實現超級智能，那從系統的物理結構上就必須支持這一設想。目前來看，我們對大腦的思維過程還知之甚少，其整個處理和決策過程對於人類來說還是個「黑箱」。就當前的處理晶元跟人腦在物理結構上的差距非常大，甚至可以說根本就不是一回事。對人腦神經系統的研究還任重道遠，近10年內基本也看不到獲得根本突破性進展的可能。綜上所述，技術尤其是演算法層面的局限，決定了這次人工智慧浪潮的「天花板」。深度學習演算法帶來的「技術紅利」，將支撐我們再發展5~10年時間，隨後就會遇到瓶頸。在人工智慧領域，技術的進步不是線性的，而是線性積累和間斷式突破交替進行的。我們必須要達到一個「技術奇點」，才能實現根本上的突破，達到通用人工智慧甚至是超級人工智慧的水平。大概率的可能性，未來幾年人們對人工智慧懷有巨大的熱情和非理性的期待，但同時會漸漸發覺推進起來越來越費勁，彷彿有個無形的「天花板」擋在那裡，遲遲不能獲得突破，人們的耐心被漸漸耗盡，人工智慧的下一個冬天也就來臨了。人工智慧發展階段人工智慧技術和產業特性決定了，在沒能實現高水平的智能之前，現在勢頭正猛的應用領域，在未來幾年很可能會進入寒冬，乃至退出人們的視線，就像第二次浪潮中的專家系統一樣。人工智慧的產業化應用，更多的是基於人們對於未來技術發展水平更高的預期，而不是當下已經達到的水平。比如自動駕駛領域，未來商用是基於能夠達到L4級別的預期，但如果預期落空了呢？很可能自動駕駛就會被徹底拋棄。就一般產業而言，線性發展的成分更重一些，即使產業不能再往前推進了，依然能夠保持比較高的產業成熟度。人工智慧產業則不同，如果以百分制來衡量一個產業的發展程度，人工智慧不是從1慢慢發展到100，而是要麼是90分以上，要麼是10以下。試想一下，你有一個智能助手，如果他的智力水平一直在10歲以下，你能接受么？那樣的智能助手更多的是個玩具，不能委以重任，畢竟誰也不會將重要的事情交給一個小孩子來做。再比如翻譯領域，一旦智能系統能夠達到人類水平的翻譯能力，那將是一次徹底的顛覆，人類翻譯員將徹底消失；但是，在沒達到那種水平之前，翻譯系統基本就是個擺設，你不能通過那套系統來與外國人順暢的交流，也不能將看到的整段材料馬上轉換成另一種語言。人工智慧的泡沫，更多的是產業化和商業應用層面的。很多做人工智慧應用的企業，如果發現將方案落地的期待落空，那他整個商業價值存在的根基就不存在了，整個產業將會消失，大量企業也會倒閉。面對那樣一個未來，我們應該怎麼應對呢？我提出幾點參考建議：適度降低對人工智慧的技術預判，理性設定商業模式。企業要仔細評估技術的發展潛力，不要抱有不切實際的幻想。尋找並設計一些智能水平不是太高就能具有商業價值的應用模式，並基於此來構建競爭壁壘。比如在自動駕駛領域，我們要做好L4在10年內無法實現的心理準備，尋找一些L3級別就能具有商業價值的應用領域。現在就開始準備「過冬的糧草」。泡沫破滅之後，融資會變得越來越難，依據公司本身的造血能力維持基本沒戲。所以，現在儘可能的多融資吧，並且在未來幾年省著點花，爭取能挨過寒冬。實行曲線救國策略，發展一些「偽智能」業務，拓展業務領域。如果哪天發現「純人工智慧」這條路走不通，可以考慮發展一些周邊產業，只要能帶來現金流就行。雖然掛羊頭賣狗肉有點缺德，但能保存「革命的火種」，也算一件好事。我對人工智慧事業懷有深切的熱情，但目前的技術水平還無法滿足我們內心最深切的期待，這一波人工智慧浪潮很可能在幾年內遭遇低谷。比較壞的情況是：大多數人會由於失望而對人工智慧事業不信任，媒體會由吹捧轉而嘲諷冷落，大量企業可能倒閉，目前炙手可熱的人工智慧人才會遭遇職業危機，流入人工智慧領域的資金會越來越少，到處都是一副蕭條的景象。懷有最美好的期待，做最壞的打算，這是幹事業應有的理智和態度。希望這次人工智慧浪潮不是行將破滅的泡沫，但如果是，請做好準備。2017軟體生態大會各站點詳情西安站│成都站│昆明站│上海站南京站│杭州站│濟南站鄭州站│太原站│北京站│武漢站軟體網每日新聞播報第8-3期│第8-2期│第8-1期│第7-31期第7-28期│第7-27期│第7-26期│第7-25期往期精彩內容—SaaS—從14家廠商看CRM的產品技術趨勢雲服務時代，BPM該何去何從？咿呀 泛微為什麼這麼酷企業上雲進行時，誰能扛起雲ERP大旗？—基礎架構—用開源軟體商業版改變基礎軟體格局 瀚高走出國產資料庫一條新路國產辦公軟體的一面旗幟 IPO后的WPS能否延續曾經的輝煌政府特供版Win10面市，幸還是不幸？—國產化—用好開源技術共享 成就國產中間件躍遷大業中間件市場醞釀變局 國產中間件雄起大數據不是空中樓閣，紅象雲騰一站式技術讓大數據平台落地—管理會計—財務機器人來了，我們準備好了嗎？管理會計信息化如何落地？管理會計沙龍開出「報告導向」藥方財會SaaS服務百花齊放 如何選擇得看這五大因素—雲計算—OpenStack 開放日重歸北京 開源雲計算哪些亮點值得關注?數據是根本，API才代表著SaaS的未來「多雲」戰略能成就英特爾雲生態盟主的地位嗎?入華三周年，微軟雲Azure表現如何？—人工智慧—人工智慧，中美之間的差距遠比你想象的大我們正在追逐「上帝」，吉凶未卜人工智慧這場大風，將對商務旅行刮來什麼影響？—信息安全—雲服務時代，BPM該何去何從？瀚思科技獲得1億元B輪融資 帶領信息安全進入智能時代處於爆發期的雲安全，與網路安全到底有何不同?想來叉我們的魚？不存在的—軟體園—建設軟體園區生態 促進軟體產業發展劍橋現象啟示錄：從鄉村到科技園輕資產運營 帶原土移植 解讀中關村軟體園區域協同創新—大數據—補齊大數據短板 永洪讓大數據驅動業務增長落地人人都是數據分析師，這是BI欠我們的一個夢想Hadoop 商業化的三駕馬車，都跑到哪兒？本文由軟體網（www.soft6.com）原創發布，未經許可，禁止轉載。 點擊下方「閱讀原文」，立即報名！