1956 年“人工智能”首次在達(dá)特茅斯會議中被提出，John McCarthy、 Marvin Minsky、Allen Newell、 Arthur Samuel 以及 Herbert Simon 五人順勢成為當(dāng)時這一領(lǐng)域的領(lǐng)軍人物。緊接著人工智能開始醞釀其第一次浪潮，人工智能實驗室在全球各地扎根。

 

　　直到 1973 年《萊特希爾報告》宣稱“AI 領(lǐng)域的任何一部分都沒有能產(chǎn)出人們當(dāng)初承諾的有主要影響力進(jìn)步”，象征著人工智能正式進(jìn)入寒冬。

 

　　而到了20世紀(jì)80年代，人工智能的關(guān)鍵應(yīng)用——專家系統(tǒng)得以發(fā)展，人工智能迎來第二春，但是由于數(shù)據(jù)較少，難以捕捉專家的隱性知識，建造和維護大型系統(tǒng)的復(fù)雜性和成本也使得人工智能漸漸不被主流計算機科學(xué)所重視。

 

 

　　為了更好地理解人工智能的兩次大起大落，我們有必要引入Gartner模型。該模型呈現(xiàn)的是先迅猛爆發(fā)而后跌入谷底再慢慢抬升的技術(shù)發(fā)展趨勢。該模型曾因成功預(yù)言互聯(lián)網(wǎng)泡沫而一戰(zhàn)成名，20多年來一直是投資人最常引用的模型之一。

 

　　在許多技術(shù)發(fā)展的歷史進(jìn)程中都會看到Gartner曲線的影子，比如Web技術(shù)，Amazon和Yahoo在1998年-2005年間的股價變動就和Gartner曲線的走勢非常類似。

 

　　要用Gartner曲線去理解人工智能的發(fā)展，我們還需要理解Gartner曲線背后的邏輯。Gartner曲線實際上是由兩條曲線疊加而成的，第一條是社會輿論對新技術(shù)期望值與實際水平的差距（Hype Level），第二條則對應(yīng)新技術(shù)的真實發(fā)展水平（Engineering or Business Maturity），二者疊加所對應(yīng)的正是y軸，代表社會上對新技術(shù)的實際期望。Hype Level先升后降的邏輯在于新技術(shù)出來之后。由于媒體本身的屬性，必然會導(dǎo)致新技術(shù)社會期望的過度拔高，而隨著技術(shù)的落地與試錯，社會對新技術(shù)的期望會逐漸回歸理性。因而Hype Level曲線會呈現(xiàn)先升后降再回歸正常水平的線形。而Engineering or Business Maturity曲線的逐步提升與技術(shù)隨時間逐漸提升的常識也是相吻合的。

 

　　如此，我們用Gartner模型來分析，便不難理解人工智能發(fā)展歷史的兩次大起大落。人工智能的第一春，起于人工智能的首次提出為人類社會帶來了人工智能時代的美好想象，但在1973年英國發(fā)表的《萊特希爾報告》報告指出，在人工智能三大基礎(chǔ)研究中，自動機和中央神經(jīng)系統(tǒng)雖有研究價值，但進(jìn)展令人失望，而機器人領(lǐng)域是沒有研究價值，建議取消機器人的研究?！度R特希爾報告》完全打碎了當(dāng)時社會對人工智能的期望，人工智能隨即進(jìn)入嚴(yán)冬。而在人工智能的第二次大起大落中，人工智能崛起于專家系統(tǒng)技術(shù)的發(fā)展，但隨著日本第五代智能計算機研制的失敗，人們開始意識到人工智能并非靠硬件來支撐而要靠知識、軟件和創(chuàng)新，進(jìn)而轉(zhuǎn)向研究知識百科，但收效甚微，研究斷斷續(xù)續(xù)。直至90年代后期，由于搜索引擎的強勢崛起，互聯(lián)網(wǎng)顯示了強大威力，知識百科開始衰敗，人工智能徹底進(jìn)入寒冬。

 

 

　　但是知識百科的嘗試并不是徒勞，它讓我們意識到知識不能靠已有知識的表達(dá)，需要靠自動學(xué)習(xí)來驅(qū)動。九十年代后期，計算機計算能力已經(jīng)得到大幅提高，以數(shù)據(jù)挖掘和商業(yè)診斷為主要代表的應(yīng)用成功，使人工智能重回人們的視野。

 

　　在研究領(lǐng)域，雖然神經(jīng)網(wǎng)絡(luò)模型在漫長的計算機發(fā)展歷史中得以長足發(fā)展，從理論到應(yīng)用算法都有了長足進(jìn)步，但因為計算復(fù)雜等原因，逐漸被向量機模型（SVM）學(xué)派超越。此后，各種學(xué)派的研究成果迅速更新迭代，人工智能逐漸復(fù)興。

 

　　直至2006年訓(xùn)練高層神經(jīng)網(wǎng)絡(luò)算法的出現(xiàn)，人工智能迎來了第三春。神經(jīng)網(wǎng)絡(luò)算法在圖像識別領(lǐng)域的表現(xiàn)一下子推進(jìn)到了靠近突破人類表現(xiàn)的邊緣，引起了整個科研界的狂熱。披著深度學(xué)習(xí)這件華麗新衣的神經(jīng)網(wǎng)絡(luò)在計算機視覺，自然語言處理和語音處理等領(lǐng)域同樣表現(xiàn)出色，人工智能迎來了前所未有的發(fā)展高潮。

 

　　2016年10月，美國白宮連發(fā)兩份報告《美國國家人工智能研發(fā)戰(zhàn)略計劃》和《為未來人工智能做好準(zhǔn)備》，對當(dāng)前人工智能發(fā)展現(xiàn)狀進(jìn)行了調(diào)研，并闡述了人工智能帶來的若干政策機遇。同年12月，白宮再次發(fā)布報告《人工智能、自動化與經(jīng)濟》，提出了應(yīng)對人工智能驅(qū)動自動化經(jīng)濟的三大策略?？梢娒绹l(fā)展人工智能的決心。

 

　　再看中國，2015年2月工程院就人工智能正式立項，2016年3月正式啟動，同年8月在北京研討會上以史無前例的速度進(jìn)入了6+9專項和國家十三五、十四五和十五五行動計劃，我國也把人工智能的發(fā)展提到了戰(zhàn)略的高度。

 

　　世界上兩大經(jīng)濟強國都如此看好人工智能的未來，我們有信心說在未來兩到三年人工智能仍會處于黃金的發(fā)展時期。

 

　　那么我們不禁會問，繁榮過后，人工智能的第三春會因為被高估而繼續(xù)掉進(jìn)Gartner曲線的循環(huán)中還是會像互聯(lián)網(wǎng)技術(shù)發(fā)展一樣迎來指數(shù)式增長呢？

 

　　我們認(rèn)為目前已經(jīng)初步具備人工智能發(fā)展的信息環(huán)境，但AI仍然存在很多問題，人工智能是否會掉進(jìn)Gartner曲線的循環(huán)還很難說。

 

　　回顧人工智能60年來的大起大落，我們可以看到，人工智能的失敗往往是因為其與快速變化的信息環(huán)境不符，這是因為人工智能進(jìn)步的動力不僅來自于學(xué)術(shù)研究的內(nèi)在動力，更重要的是來自整體信息環(huán)境改變與需求的外部驅(qū)動力。而當(dāng)前人工智能恰好面臨著劇烈變化的龐大信息環(huán)境與信息需求。

 

　　當(dāng)前的信息環(huán)境相較于80年代已經(jīng)發(fā)生了巨大而深刻的變化，計算機已經(jīng)與人類相伴，各種移動終端、傳感器和可穿戴設(shè)備等智能硬件構(gòu)成了一個龐大的網(wǎng)絡(luò)，個體與個體、個體與群體以及人與物體史無前例地連接在一起，世界已經(jīng)從二元的PH空間結(jié)構(gòu)（Physics、Human Society）演變成三元的CPH空間結(jié)構(gòu)（Cyber），人以及萬事萬物都處于回路中。

 

　　在此環(huán)境下，人類社會對人工智能的需求開始大爆發(fā)，人工智能的研究已經(jīng)逐漸從學(xué)術(shù)牽頭轉(zhuǎn)變成需求牽頭，眾多國內(nèi)外科技巨頭開始入場真實地印證了這一趨勢。智能城市、智能醫(yī)療、智能交通、智能物流、無人駕駛、智能制造等諸多領(lǐng)域都迫切地需要人工智能的發(fā)展。在智能制造領(lǐng)域人工智能已經(jīng)真真切切地提高了社會生產(chǎn)力。

 

　　人工智能的目標(biāo)與理念也發(fā)生了變化，從過去追求“用計算機模擬人的智能”逐漸改變?yōu)闄C器+人的人機融合智能系統(tǒng)、機器+人+網(wǎng)絡(luò)的智能系統(tǒng)以及人+機+網(wǎng)+物的智能城市系統(tǒng)等等。

 

　　最后，也是最為直接的條件，人工智能所需的數(shù)據(jù)環(huán)境也逐漸形成。人工智能的基本方法是數(shù)據(jù)驅(qū)動的算法，未來將迎來大數(shù)據(jù)、傳感器和網(wǎng)絡(luò)以及跨媒體驅(qū)動的計算，到時大數(shù)據(jù)智能、感知融合智能和跨媒體智能將不可避免地到來，傳統(tǒng)的機器智能測試圖靈方法將受到挑戰(zhàn)。

 

　　但是我們不得不承認(rèn)人工智能仍然存在許多問題，目前神經(jīng)網(wǎng)絡(luò)算法需要的大量的數(shù)據(jù)進(jìn)行訓(xùn)練，難以實現(xiàn)無監(jiān)督學(xué)習(xí)，這已經(jīng)成為制約人工智能發(fā)展的關(guān)鍵因素。

 

　　在過去 20 年，無論是深藍(lán)（Deep Blue）在國際象棋中擊敗了 Garry Kasparov，沃森（Watson）擊敗了 Jeopardy 的常勝冠軍，還是AlphaGo 擊敗了世界上最好的圍棋棋手李世石，這些成功都是有限的，深藍(lán)、沃森和 AlphaGo 都是高度專業(yè)化的、目的單一的機器，只能在一件事上做得很好。深藍(lán)和沃森不能下圍棋，AlphaGo 不能下國際象棋或參加 Jeopardy，甚至最基本的水平都不行，這些智能范圍都非常狹窄，也不能泛化。

 

　　中國科學(xué)院院士、清華大學(xué)教授張鈸就曾說道：當(dāng)前以大數(shù)據(jù)與深度學(xué)習(xí)為基礎(chǔ)的人工智能存在的最大問題是不可解釋和不可理解，就事論事，缺乏推廣能力，遇到新的情況一籌莫展。因此當(dāng)面對動態(tài)變化的環(huán)境，信息不完全，存在干擾與虛假信息時，人工智能系統(tǒng)的性能就會顯著下降。此外，這樣的人工智能系統(tǒng)由于不可理解，無法實現(xiàn)人機交互，無法與人類協(xié)同工作與和諧相處。解決這些問題的困難很大，人工智能發(fā)展的道路還很長，機器智能達(dá)到適應(yīng)動態(tài)變化環(huán)境的能力還很遙遠(yuǎn)。

 

　　因此，我們很難去斷定人工智能是否會繼續(xù)掉進(jìn)Gartner曲線的循環(huán)，目前人工智能技術(shù)的發(fā)展速度很快，一切都處于快速變化的進(jìn)程中，有可能在神經(jīng)網(wǎng)絡(luò)陷入低谷時，另一新興技術(shù)的迅速崛起會取代神經(jīng)網(wǎng)絡(luò)的算法，從而繼續(xù)撐起人工智能的第三春。