歡迎光臨
每天分享高質量文章

豬年AI會凉?沒關係,AI已經凉過很多次了

你的假期已餘額不足

這些天你都幹嘛了?

宅在家裡吃吃喝喝?

去旅游景點看人?

走親訪友接受靈魂拷問?

其實,你的假期可以不那麼無聊

這是一個靜下心來開啟深度閱讀的好機會

大資料(ID:hzdashuju)在長假期間

將推送6篇入門級科普,包括:

未來世界 | 健康生活 | 電動汽車

無人駕駛 | AI凜冬 | A/B測試

在豬年的最開頭

來一波高能充電!

今天是我們一起充電的第5天

 

導讀:本文帶你回顧人工智慧從誕生起至深度學習的時代來臨時的歷次繁榮與寒冬。歷史輪迴也不見得是一件多麼可怕的事,每一次熱潮里,也都有真正的技術進步。

 

 

作者:周志明

如需轉載請聯繫大資料(ID:hzdashuju)

 

 

從1956年誕生起至70年代初這段時間,人工智慧這門新興學科一直與政府、學術界、工業界還有風投資本家都處於蜜月期之中。

這20年裡面,人工智慧確實取得了一些成果和發展,不過迫於政府、媒體、科學界等各方的推波助瀾,人工智慧也過早地向社會,尤其是這個學科的資助者們許下了太過浮誇的諾言

哪怕是學科里那些真正瞭解人工智慧,真正潛心從事學術研究的學者,也過於樂觀的估計了這門科學的發展行程,典型的諾言如早在1957年,司馬賀曾這樣公開宣告到:

 

我的標的不是使你們驚訝或者震驚——我能概括的最簡單的表述方式就是現在世界上就已有機器能夠思考、學習和創造。而且它們做這些事情的能力還將快速增長,直到可預見的未來,它們能夠處理的問題範圍將會擴展至人類思想所能企及全部範圍。

 

 

在這種充斥著激進、盲目和樂觀思潮的氣氛下,類似的預言和承諾是數不勝數,歷史上有名的、出自這個領域幾位大師之口的還有以下這樣預言:

 

  • 1958年,紐厄爾和司馬賀:“十年之內,數字計算機將成為國際象棋世界冠軍。” “十年之內,數字計算機將發現並證明一個重要的數學定理。”

  • 1965年,司馬賀:“二十年內,機器將能完成人能做到的一切工作。”

  • 1967年,明斯基:“一代之內……創造‘人工智慧’的問題將獲得實質上的解決。”

  • 1970年,明斯基:“在三到八年的時間里我們將得到一臺具有人類平均智慧的機器,這樣的機器能夠讀懂莎士比亞的著作,會給汽車上潤滑油,會玩弄政治權術,能講笑話,會爭吵,總之,它的智力將會無與倫比。”

 

這些預言在今天看來非常可笑,大師們“立下的Flag”全被現實啪啪打臉收場。可是立下這些預言的那個時間段里,這些預言和承諾確實促使許多社會資源集中到了人工智慧研究之上來。

 

 

1963年6月,麻省理工學院從美國剛剛建立的高等研究計劃局(ARPA,即後來的DARPA,國防高等研究計劃局)獲得了220萬美元的研究經費,用於資助開展歷史上有名的“MAC工程”(Project on Mathematics And Computation)。

這個工程的的主要研究方向之一便是人工智慧,具體工作由明斯基和麥卡錫五年前建立的人工智慧研究小組所承擔。

 

從此以後,ARPA每年都為麻省理工提供三百萬美元針對人工智慧的幾乎無條件無約束的專項經費,既不定具體方向,也不求具體產出,用時任ARPA主任的羅賓特·利克裡德(Robnett Licklider,1915-1990)自己的話來說就是:“應該資助人,而不是具體的專案”。

所以這些經費才能“佛系”如此程度,允許研究者去做任何感興趣的方向上的研究,這樣的資助形式在政府對學術界的各種資助中是極不常見的。

 

ARPA的無條件資助一直持續至七十年代才終止,這些經費促使麻省理工形成了無拘無束的研究氛圍及其特有的“Hacker文化”。

除了麻省理工學院以外,ARPA還對紐厄爾和司馬賀在卡內基梅隆大學的人工智慧工作小組以及斯坦福大學人工智慧專案(由麥卡錫於1963年從麻省理工跳槽到斯坦福大學後創建)提供了類似的資助,當時世界上還有最後一個重要的研究機構是由唐納德·米契(Donald Michie,1923-2007)於1965年在英國愛丁堡大學建立的人工智慧實驗室。

 

在接下來的許多年,乃至今日,上述四所研究機構一直是全球人工智慧領域領先的研究中心,也是經費彙集的中心。

 

 

不過好景不長,可能只是因為人工智慧研究者們對其課題難度沒有能夠做出正確的判斷,也有可能是上帝為了讓歷史再一次證明盛極而衰是自然屆的鐵律。總之,過於樂觀的估計,即令全社會的資源蜂擁而至,也使得人們期望變得過高。

 

時光荏苒,當大家發現人工智慧承諾無法兌現時,虛幻的泡沫便註定要破滅。研究經費的走向是其最直接的體現,對人工智慧提供資助的各種機構,如英國、美國政府,國防高等研究計劃署和美國國家科學委員會等等,都不約而同地對沒有明確方向和實用價值的人工智慧研究終止了資助。

 

隨後,類似“人工智慧即使不是騙局也是庸人自擾的想法”的情緒和言論迅速從政府、研究機構蔓延到全社會,整個社會公眾對人工智慧的前景從盲目樂觀又轉變為一種極度悲觀和過分不信任的態度,這個階段,人工智慧歷史上被稱為第一次“人工智慧的寒冬(AI Winter)”。

 

 

在寒冬之前,其實就已經出現過一些線索,預示了這一局面即將降臨。

最早在1966年,自動語言處理顧問委員會(Automatic Language Processing Advisory Committee,ALPAC)提交給美國政府的一份報告中,對機器翻譯的進展開始提出了有充滿批評和警告意味的評價 。這個其實真怪不得別人批評,當時人工智慧的自然語言處理能力確實是難登大雅之堂。

 

羅斯·奎利恩(Ross Quillian)在給彙報的聽眾演示他在自然語言方面的研究成果時,只能採用一個僅含20個單詞的詞彙表進行演示,因為當時的計算機記憶體就只能容納這麼點詞彙!

還有不少關於人工智慧的歷史材料上還記錄有這樣一項當時機器翻譯的測試場景,翻譯過程中,機器把“心有餘而力不足”(“The spirit is willing but the flesh is weak”)的英文句子譯成俄語再譯回來之後竟然變成了“酒是好的,肉變質了”。

 

美國自動語言處理顧問委員會的這份報告,後來導致美國國家科學委員會(National Research Council,NRC)在為機器自然語言處理方面研究累計撥款二千萬美元後,最終不得不在沒有獲得任何有價值的成果情況下停止了資助。

 

 

在大西洋的彼岸,1973年英國數學家詹姆士·萊特希爾(James Lighthill,1924-1998)針對英國人工智慧研究狀況,發表了赫赫有名的《萊特希爾報告》,這篇公開的報告是一份具有廣泛影響力的、直接刺破人工智慧樂觀思潮泡沫的調查檔案,被視作人工智慧寒冬的開啟。

它嚴厲地批判了人工智慧領域里的許多基礎性研究,尤其是機器人和自然語言處理等幾個最熱門子領域,並給出了明確的結論:“人工智慧領域的任何一部分都沒有能產出符合當初向人們承諾的、具有主要影響力的成果”。

 

此外,報告特別指出人工智慧的研究者並沒有能夠解決如何將人工智慧應用於真實世界里必然會遇到的“組合爆炸”問題。整份報告的基調充滿了對人工智慧研究在早期興奮期過後的全面悲觀。

《萊特希爾報告》不僅導致了英國人工智慧研究的全面低潮,並且其影響很快擴散到了美國及其他人工智慧的研究之中,到了1974年,各國政府的資助預算清單上都已經很難再找到對人工智慧專案的資助了。

 

接下來長達十年的時間里,人工智慧經歷了它歷史上的第一次寒冬,一些幾年前還在愈演愈烈的自吹自擂的狂歡中作繭自縛的人工智慧從業者們,許多都不得不紛紛鋸短他們的鼻子,轉向其他領域去謀生。

 

站在今天回望歷史,人工智慧的低潮發生過不止一次,而在進入寒冬之前幾年,都有一些相似的徵兆,譬如:

  • 學術界奮力地發表論文,學術明星獲得萬眾追捧;

  • 所有擦邊專業的學生紛紛轉行搞起人工智慧,市場還給這類“人才”開出令人咋舌的高薪;

  • 企業、研究機構和學者們做出一個又一個預測和承諾,媒體連篇累牘報道人工智慧的進展。

而大眾則睜著一雙雙無辜的大眼睛,好奇而驚恐地註視著他們不理解又不敢不關註的一切。

 

已經過去的寒冬,讓處於溫暖如春環境之中閱讀此書的你我,都不得不去思考,這一次人工智慧熱潮,是真的引爆了奇點,抑或只是歷史的另一個輪迴?

 

其實,即使這次的人工智慧熱潮,仍然是一個歷史輪迴也不見得是一件多麼可怕的事,每一個時代的技術浪潮,都有這個時代的條件,有這個時代的使命。50至70年代經歷的第一次人工智慧的熱潮里,不僅有浮誇,也隱藏著不少真正的技術進步。

 

例如卡耐基梅隆大學的“語音理解研究(Speech Understanding Research)”計劃,當時甚至被 DARPA 評價為是“一場騙局”,但是這個研究所開發出來的“隱馬爾科夫模型”這樣的“黑科技”,在數十年後成為了計算機語音識別技術領域的重要一塊基石,參與其中的研究者大多都成為這個領域的一代宗師。寒冬過去之後,這些成果終會發出閃亮的光芒。

 

沉寂十年後,人工智慧在80年代開始再度爆發,這波浪潮引領的力量是符號主義,主要是知識工程和專家系統。而連接主義和神經網絡,雖然也在1982年代開始出現緩慢複蘇的跡象,如:

  • 1982年物理學家約翰·霍普菲爾德(John Hopfield,1933-)提出的“Hopfield網絡”

  • 1985年特裡·謝澤諾斯基(Terry Sejnowski)和傑弗里·辛頓(Geoffrey Hinton,1947-)共同發明的“玻爾茲曼機”(Boltzmann Machine)

  • 1986年辛頓提出的可以訓練多層神經網絡的“誤差反向傳播學習演算法”(Back-Propagation)

都是連接主義中的不可忽視的進步。

 

不過,直到2006年前後,雖然多層神經網絡的訓練問題已被初步解決,但神經網絡本身建模的天生限制,也由於資料量和運算能力的限制,神經網絡效果一直不能算好,利用當時的計算機也難以實現大規模的神經網絡。

因此,當人工智慧的第二次熱潮在90年代逐漸退卻時,神經網絡又被冷落起來,此時,以“支持向量機”(Support Vector Machine,SVM)、“隱馬爾可夫模型”(Hidden Markov Model,HMM)等為代表的統計學習方法唱了十多年年的主角,直到2006年辛頓提出深度信念網絡(Deep Belief Network,DBN)以後,神經網絡真正具有統治力的時代——深度學習的時代才真正來臨。

 

關於作者:周志明,Java技術、機器學習和企業級開發技術專家,現任遠光軟體研究院院長,人工智慧博士在讀。開源技術的積極倡導者和推動者,對計算機科學和相關的多個領域都有深刻的見解,尤其是人工智慧、Java技術和敏捷開發等領域。著有《深入理解Java虛擬機》《深入理解OSGi》,翻譯了《Java虛擬機規範》等著作。

本文摘編自《智慧的疆界:從圖靈機到人工智慧》,經出版方授權發佈。

延伸閱讀《智慧的疆界:從圖靈機到人工智慧

點擊上圖瞭解及購買

轉載請聯繫微信:togo-maruko

推薦語:從奠基人物、歷史事件、學術理論、研究成果、技術應用等5個維度全面解讀人工智慧,專業、易懂、有溫度。用通俗的語言和巧妙的內容組織方式來講解專業知識,真正做到讓沒有技術基礎的讀者也能讀懂人工智慧並對它產生興趣。

赞(0)

分享創造快樂