爆發(fā)

2006年，多倫多大學機器學習領域的泰斗Hinton和他的學生在《科學》刊物上發(fā)表了一篇關于“神經(jīng)網(wǎng)絡如何通過無監(jiān)督學習減少出錯”的論文，引起深度學習在學術界和工業(yè)界的重視。

這篇文章主要提出兩個關鍵點：

1． 很多隱層的人工神經(jīng)網(wǎng)絡具有優(yōu)異的特征學習能力，學習得到的特征對數(shù)據(jù)有更本質(zhì)的刻化，從而有利于可視化或分類。

2． 深度神經(jīng)網(wǎng)絡在訓練上的難度，可以通過逐層初始化來有效刻度，也就是通過無監(jiān)督學習可以實現(xiàn)逐層初始化。

后來這篇論文被谷歌X實驗室研究人員驗證，并在2012年對外宣布，已經(jīng)用1．6萬臺計算機搭建了擁有10億神經(jīng)連接的深度學習神經(jīng)網(wǎng)絡（DNN），在沒有人工干預的前提下，具備識別物體這一感官能力。該網(wǎng)絡也已在YouTube上試用，能夠順利識別出內(nèi)容有貓的視頻。

此后，深度學習技術在圖像、語音、自然語言處理上都實現(xiàn)了低誤差突破。2011年以來，微軟研究院和谷歌都用DNN技術降低了語音識別錯誤率20％～30％，在2012年，DNN技術在圖像識別領域取得驚人效果，在ImageNet上將錯誤率從26％降低到15％。

學術界對人工智能研究的熱情暴增。聯(lián)合國聯(lián)合國世界知識產(chǎn)權組織今年發(fā)布份《2019技術趨勢——人工智能報告》顯示，從50年代到2016年，科研人員已提交超過34萬份人工智能發(fā)明專利申請，發(fā)表的科學出版物超過160萬篇（部）。而這其中的專利超過半數(shù)是2013年以后公開的。其中在國別專利總申請量方面，美國、中國、日本排在前三位。

很多公司也看到了深度學習神經(jīng)網(wǎng)絡的潛力。百度是較早成立專注深度學習研究院的公司之一，引進了大量的人才。像Fackbook前資深科學家徐偉、AMD異構系統(tǒng)前首席軟件架構師吳韌、Twitter和Facebook數(shù)據(jù)中心建設的負責人Ali Heydari、曾訓練世界級最大人工神經(jīng)網(wǎng)絡的Adam Coates等頂尖人才都加入了當時百度2013年在硅谷正式成立的百度實驗室。

在國際人工智能技術競賽中，國內(nèi)的人工智能團隊開始名列前茅。科大訊飛、商湯、曠視、寒武紀、地平線等展露頭角的人工智能創(chuàng)業(yè)公司。除了互聯(lián)網(wǎng)巨頭、新興人工智能創(chuàng)業(yè)公司，還有傳統(tǒng)的生物識別公司都在人工智能領域試圖占領“高地”。

比如眼神科技CEO周軍從1995年開始籌劃創(chuàng)業(yè)。 2003年指紋識別研發(fā)成功，并開始在銀行業(yè)落地應用。2007年又研發(fā)出虹膜算法，到2015年，基于深度學習的人臉識別技術和產(chǎn)品就已在全國20多家銀行上線。

這波人工智能浪潮能夠看出，技術創(chuàng)新的驅(qū)動力不再是由國家建設為主，民營企業(yè)已經(jīng)有足夠的能力去研究、應用科技界最前沿的技術，并且來影響政府機構對技術方向的判斷。

可是前兩次的歷史經(jīng)驗告訴我們，超乎尋常的期待，總是會得到超乎尋常的失望。尤其是媒體、資本、市場的探測燈都在尋找下一個Big Thing， 人工智能恰好滿足對實現(xiàn)他們對科幻場景的期待。

聚光燈之后隱藏的陰影是什么？這會又是一場魔術障眼法嗎？人工智能的第三次寒冬會到來嗎？

市場上還有很多這樣對人工智能的質(zhì)疑聲。中國人工智能學會副會長任福繼看來，過去30年來，人工智能在應用方面成果看起來風生水起，但實質(zhì)上特別是在理論方面并無重大突破，而僅僅是依賴上世紀80年代開始的數(shù)據(jù)驅(qū)動，也就是大數(shù)據(jù)驅(qū)動的機器智能進化。加上云計算和物聯(lián)網(wǎng)的出現(xiàn)，人工智能在算力和數(shù)據(jù)層面開始有了新的助力。

也就是說深度學習也并不是開啟通往人工智能巔峰的唯一一塊羅塞塔石碑。這個理論本身是通過大量數(shù)據(jù)分析，找出重復的特征活著數(shù)據(jù)之間的統(tǒng)計關聯(lián)性，并不是因果和本質(zhì)上的特征。

目前的人工智能還集中處于弱人工智能階段，在特定功能場景下的專用智能，比如語音識別、圖像處理和物體分割、機器翻譯、無人駕駛等領域有重大的突破，甚至能夠接近或超越人類的水平，但還不能適應復雜的新環(huán)境和不斷涌現(xiàn)出新的功能。比如對噪音數(shù)據(jù)的識別并不理想、對語義理解還僅限于娛樂。

另外，人工智能想要把IT 產(chǎn)業(yè)帶向 認知時代，不僅僅需要人工智能算法的創(chuàng)新，還需要構建認知系統(tǒng)、認知平臺、認知算法、認知應用等完整的生態(tài)鏈。

以認知系統(tǒng)來說，一方面，需要在傳統(tǒng)的計算機上做延展，包括用 FPGA、圖形處理器來做加速，使它更好地支撐認知應用。另一方面，如何構建模仿人腦功能的新一代的計算機系統(tǒng)也還需要探討。

比如發(fā)達國家已充分認識到人工智能的戰(zhàn)略意義，除了加速將新技術落地到產(chǎn)業(yè)，美國、歐盟和日本從2013年起都開始設立“大腦研究計劃”，要為人工智能找到更為本質(zhì)的支撐系統(tǒng)。

還有隨著去年資本新規(guī)出臺、資本寒冬等政策和市場的變化，融資難的問題讓大波人工智能創(chuàng)業(yè)公司走到破產(chǎn)邊緣。根據(jù)《北京人工智能產(chǎn)業(yè)發(fā)展白皮書（2018）》對國內(nèi)AI創(chuàng)業(yè)公司數(shù)量和投資的統(tǒng)計顯示，截至2018年5月8日，全國人工智能企業(yè)4040家，但其中拿到風險投資的公司合計1237家（含31家已上市公司），占總數(shù)的30％，也就是說，有70％的公司仍然拿不到投資。

和美國市場相比，國內(nèi)的IT環(huán)境發(fā)展還參差不齊，人工智能發(fā)展伴隨著企業(yè)數(shù)字化、云化等多重變革重疊，很難一步到位，快速落地。投資人在投項目的時候優(yōu)先考慮的是市場的有效性，反而不是技術的領先性。

人工智能很可能像互聯(lián)網(wǎng)一樣，成為電、水一樣的存在，進入到各行業(yè)。根據(jù)Gartner 副總裁、智能機器人領域分析師湯姆·奧斯汀所言，目前科技巨頭、知名大學、研究機構分別在深度語音識別、 深度影像識別、深度神經(jīng)網(wǎng)絡、自然語言處理上發(fā)力，也許要到 2050～2075 年人工智能市場格局才會穩(wěn)定下來。

人工智能從弱人工智能到強人工智能的進化，究竟有多大的希望？

可能還是取決于我們對世界的認知，以及對自我的認知。畢竟人類大腦很大部分仍然處于“我們不知道自己還不知道”的狀態(tài)。