撑不起未来愿景 人工智能将再一次迎来凛冬

自阿兰·图灵在开创性论文《计算机器与智能》中提出“机器能思考吗？”的问题以来，人工智能领域经历了跌宕起伏的发展旅程。尽管人工智能的征途充满曲折，但进步依然显著。从IBM的深蓝机器人战胜象棋世界冠军，到自动驾驶汽车的诞生，再到谷歌DeepMind的AlphaGo击败围棋顶尖选手，这些里程碑事件展示了人工智能的飞速发展。

值得关注的是，这段历程中并不乏人工智能的冬天（AI Winters）——那些几乎颠覆了人们对人工智能早期乐观预期的时期。这些冬天的出现，源于炒作与实际进展之间的鸿沟。近年来，关于人工智能可能再次进入冬天的讨论甚嚣尘上，引发了广泛的关注。

人工智能的周期性波动，如同自然界的四季更替，是这一领域发展的常态。“人工智能冬天”指的是商业和学术领域对该技术的投资逐渐减少，公众兴趣也随之消退的时期。回顾历史，人工智能的发展始于20世纪50年代和60年代。尽管当时取得了许多进步，但这些成果大多局限于学术领域。到了20世纪70年代初，人们对人工智能的热情开始消退，直到1980年左右才逐渐复苏。

这段历程中，一群数学家和计算机科学家在达特茅斯学院的一次会议上，共同想象并描绘了一个全新的研究领域。约翰·麦卡锡作为当时的一名年轻教授，提出了“人工智能”这一术语。他认为研讨会应该探索模拟人类智能的假说。在那次会议上，研究人员勾勒出了我们今天所熟知的人工智能的初步轮廓。此后，人工智能领域出现了两大主要研究方法：符号主义和联结主义。它们分别基于逻辑推理和神经网络模型，共同推动着人工智能的发展。

尽管人工智能已经取得了令人瞩目的成就，但今天许多专家开始思考：当前的人工智能应用是否已经达到了极限？深度学习的弱点正逐渐暴露，正如查尔斯·崔在《人工智能失败的七种揭示性方式》中所描述的那样。尽管面临这些挑战，研究人员并未对人工智能的未来失去信心。人工智能的冬天可能会来临，但这也许是激发工程师们最终引领我们进入机器思维新时代的契机。计算机视觉与人工智能专家Filip Piekniewski在《AI凛冬将至》一文中批评了深度学习的炒作，并认为该技术的发展正面临瓶颈。自1993年以来，人工智能领域取得了重大进步。从深蓝系统的象棋胜利到AlphaGo的围棋巅峰对决，一切都在不断演变。尽管未来可能会面临挑战和困境但我们坚信人工智能的春天终将到来引领我们走向更加智能的未来。在蓬勃发展的互联网时代，人工智能行业得以充分利用海量的图片、声音和视频等数据，广泛训练神经网络并应用于各个领域。深度学习领域的成功扩大，离不开神经网络的层次增加和用于训练它们的GPU时间的增长。

据OpenAI的分析，训练最大的人工智能系统所需的计算能力正在迅猛增长，每两年翻一番，而后每3-4个月再翻一番。如尼尔·汤普森及其同事在《深度学习的收益递减》一书中所担忧的，人工智能的计算需求似乎正沿着一条不可持续的道路前进。

回想起早期的人工智能研究，那时的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，随着计算能力的显著提高，人工智能也取得了齐头并进的进步。

面对如潮水般涌来的海量数据和日益复杂的算法，全球每年新增数据高达20ZB，而AI算力需求每年增长十倍，这一速度已经远远超过了摩尔定律关于性能翻倍的周期。我们正在逼近芯片上晶体管数量的理论极限。

例如，英特尔推出新芯片制造技术的步伐正在放缓，因为难以在节约成本的情况下继续缩小晶体管体积。简而言之，摩尔定律的终点可能即将到来。

面对这一挑战，有一些短期解决方案，如谷歌推出的专门用于人工智能的芯片“云TPU”，以及亚马逊为Alexa开发的自家芯片。许多初创公司也在试图调整芯片设计，以适应特定的人工智能应用程序。

这些仅仅是短期措施。当所有优化传统芯片设计的方案都用尽之后，我们是否会再次面临人工智能的冬天？答案是肯定的，除非量子计算超越经典计算并找到更有效的解决方案。但目前尚未出现能够实现“量子霸权”的量子计算机。

如果我们在真正的“量子霸权”到来之前就达到了传统计算能力的极限，那么未来很可能会再次出现人工智能的冬天。人工智能研究人员正在解决日益复杂的问题，努力实现阿兰·图灵的通用人工智能愿景。仍有许多工作要做，没有量子计算的帮助，我们可能无法实现人工智能的全部潜力。

虽然无法确定人工智能冬天是否即将来临，但重要的是要意识到潜在的风险并密切关注相关迹象，以便在确实发生时做好准备。