炒作下的人工智能：身在苟且心向远方

经历了2016、2017年上半年的火热炒作后，人工智能的热潮似乎正在逐渐退去。这背后的原因，如同一场新技术的狂欢后必然会面临现实考验的规律一样，按照Gartner的“炒作曲线”，新技术在落地过程中会遇到诸多实际困难，这会导致公众情绪降温，让原本火热的技术逐渐淡出公众视野。具体到人工智能领域，虽然图像、语音和自然语言交互等单项技术在过去一年里取得了巨大的进步，但在实际应用场景中，这些技术尚未形成足以引起新一轮热潮的突破点。例如，尽管AlphaGo在中国围棋界取得了显著的成绩，但其影响力相较于之前与李世石的棋局对决，已无法再现全球范围内的关注度。与此区块链等新技术的崛起也分散了人们对人工智能的关注。尽管人工智能的热度有所降低，但这并不意味着我们应该对它失去信心或悲观。相反，这恰恰给了我们一个更加冷静地看待这个被誉为能“改变人类命运”的技术的新机会。我们不再被狂热所笼罩，而是开始理性地思考人工智能的未来和它到底会带领我们走向何方。在人工智能的发展历程中，关于其未来的设想和愿景已经被讨论了六十多年。从达特茅斯会议的参与者们对人工智能的不同理解，到如今的麦卡锡和恩格尔巴特关于人工智能取代论和增强智能的争论，都在向我们展示人工智能的复杂性和多样性。尽管人工智能领域存在不同的理念和观点，但技术的发展并未停滞。在硅谷的巨头公司中，我们看到了人工智能技术在语音交互、自动驾驶等领域的应用落地。这些技术正在逐渐改变我们的生活和工作方式，为我们带来便利和效率。越来越多的创业公司也在人工智能领域取得了突破性进展，并获得了巨额融资。这一切都表明人工智能正在稳步发展并走向成熟。尽管人工智能面临诸多挑战和争议，但其潜力巨大并仍在不断进步的事实不容忽视。因此人工智能的远方依然令人向往和期待。当下技术与应用的融合：深度神经网络的新纪元

我们生活在一个充满技术与创新的时代，其中深度神经网络的发展尤为引人注目。坦率地说，过去几年里被人们广泛讨论的人工智能进步，实质上主要源于深度神经网络的飞速发展。

尽管全球计算机和互联网巨头都在投入大量资源进行深度神经网络的研究，但我们仍然处在一个相当初级的阶段。这个阶段包括软件、硬件和应用三个层面。

在软件层面，尽管强化学习在AlphaGo围棋对弈中的表现令人瞩目，但在其他实际应用中却鲜有突破。强化学习是一种与环境的动态交互过程，非常适合处理无特定规则、需要实时反馈的场景，如工业机器人和自动驾驶。面对现实世界中数百甚至数千个环境变量的挑战，这种交互过程能否始终保持可控性仍然是一个问题。短期内，强化学习在实际应用中的落地仍然面临挑战。

在硬件层面，针对深度神经网络的竞争日益激烈。英伟达、英特尔、寒武纪、Google、华为等众多科技公司都在积极推出定制化的处理器，以应对深度神经网络训练和运行的需求。硬件发展的路线以及创业路径仍然充满不确定性。例如，GPU、FPGA以及TPU之间的优劣对比尚未有明确答案，量子计算机的发展也给机器学习、深度学习带来了未知的变化。最终胜者将是那些能够提供强大计算能力的同时保持低价，并能让开发者快速上手的硬件产品。但在当前阶段，我们仍无法明确预见未来的胜者。

关于深度神经网络技术的关键环节——应用。过去几年，人工智能的应用实例主要集中在图像和视频处理以及语音技术两大领域。从手机相机的美颜功能到智能音箱，这些案例在不同行业中有着广泛的应用。当我们试图寻找上述单点技术之外的应用实例时，却发现能够讲述的故事并不多。整个互联网行业正在努力将互联网上的内容（语音、图像/视频和文本）转化为结构化的数据，以实现更高效的分析和再利用。这种需求的诞生与其说是为了“增强智能”——即技术赋能行业，不如说是互联网公司最擅长的领域的数据需求推动的结果。数据的重要性已经日益凸显，正如人们常说的那样，“数据就是石油”。与此《经济学人》的一篇文章也指出，人工智能的关注程度与每年数据的生产和复制数量呈现指数级增长。

尽管我们面临着诸多不确定性，但深度神经网络的发展无疑为我们提供了一个全新的视角和机遇。无论是软件、硬件还是应用层面，都充满了挑战和可能。我们期待着这个领域能够继续发展并取得突破性的进展。至少揭示了两个问题：第一，人工智能无疑已经成为当今最引人注目的主题之一；第二，人工智能的复兴背后，反映出了海量数据的巨大影响力，这也解释了为何如今众多以“人工智能”为标签的应用，大多出现在数据密集型行业。

结语：超越界限，追求无尽可能

如果我们用“远方”的标准来审视眼前的“现实”，那么深度神经网络并不是人工智能未来的唯一方向。在这个媒体炒作往往超越实际效应的时代，公众容易将深度学习、机器学习和人工智能混为一谈，甚至误以为AlphaGo只是深度学习的成果。

我们期待有更优秀的算法出现，从根本上解决“黑盒子”问题，让机器的决策过程更加透明。例如，当Google面临欧盟的反垄断调查，人们会质疑：这个搜索结果为何排在另一个结果之前？同样，在金融领域应用深度学习的场景中，用户的贷款请求被算法拒绝时，他们有权知道背后的原因。

我们也需要无偏见的算法。以IBM Watson为例，尽管它被引入法庭审判时充满争议，因为历史数据显示其决策带有偏见。在一个男性主导的社会中，如果深度学习被用作招聘工具，可能会加剧性别比例失衡。

这种偏见在机器学习算法中普遍存在，而在深度学习中尤为明显。微软多次上线又下架聊天机器人，其原因在于面对真实的社会场景时，深度学习应用程序的行为超出了开发者的控制范围。虽然可以认为这是社会环境的自然反映，但问题在于，在人工智能甚至机器学习的领域里，我们还有更多的选择空间。深度学习的任务不应过于沉重和庞大，在我们迈向智能社会的道路上，我们需要寻找并创造更好的工具。让我们超越现有的界限和不可能，共同迈向一个更加智能、公正和透明的未来。