Uber 数据科学家灵致看人工智能的“三起两落”

编者按：本文投稿人灵致是 Uber 旧金山的数据科学家，负责 Uber 的实时调度算法系统。灵致通过总结以往人工智能大起大落的历程来审视当下人工智能所处的局点。灵致提到，人类历史的教训告诉我们，大捧往往跟随着大落。大爱是理性的去看待这一领域所取得的成就，为之欢呼和呐喊，也要为之保持警醒。对追随这一领域多年的人们来说，历史上出现过的人工智能冬天（AI Winter），是我们每一个人都不愿意再次看到的。

两次大起大落

1956 年“人工智能”首次在达特茅斯会议中被提出，John McCarthy, Marvin Minsky, Allen Newell, Arthur Samuel 以及 Herbert Simon 五人顺势成为当时这一领域的领军人物。紧接着人工智能开始酝酿其第一次浪潮，人工智能实验室在全球各地扎根。

在那个人工智能的风口浪尖上，AI 五大领袖们开始对这个领域的发展前景表现出极其的乐观。直到 1973 年，以《莱特希尔报告》的推出为代表，象征着人工智能正式进入寒冬。这篇报告宣称”AI 领域的任何一部分都没有能产出人们当初承诺的有主要影响力进步“。各国政府勒令大规模削减人工智能方面的投入。这之后的十年间，人工智能鲜有被人提起。

而到了八十年代，由于专家系统的崛起人工智能再次迎来一次久旱之后的甘霖期，也是一次新的高潮。然后随后人们意识到人工智能的问题不是硬件问题，而更加是软件以及算法层面的挑战没有突破。

在算法欠佳的情况下，硬件也遭遇危机。随着 1987 年基于通用计算的 Lisp 机器在商业上的失败，人工智能再次滑入了低迷期。到了上世纪九十年代后期，由于计算机计算能力的不断提高，人工智能再次卷土重来。以数据挖掘和商业诊断为主要代表的应用非常成功，使人工智能重回人们的视野。

强势回归

在研究领域，神经网络模型（现代深度学习的前身）在漫长的计算机发展历史中得以长足发展，从理论到应用算法都有了长足进步，但因为深层神经网络的理论研究结果表明其发展非常有限，加上计算复杂度高，它渐渐被后来以 Vapnik 为代表的支持向量机模型（SVM）学派超越。SVM 因为其理论的完备性，算法的高效性，以及核方法的良好适配性，在许多公开数据集和人工智能任务上表现非常优异，加上后来的 Boosting 方法，贝叶斯采样推理等，以及蓬勃发展的统计机器学习领域的崛起，人工智能达到了一个全新的高度。这一时期，研究成果推陈出新速度很快，各种应用领域的研究也风起云涌，人类对于人工智能的火热开始逐渐升温，涌入这一领域的研究人员和经费也越来越多。

以 Geoff Hinton 为代表的研究人员于 2006 年发现了训练高层神经网络的有效算法，并且随着进一步的研究和扩展，于 2012 年在图像识别这一非常具有人工智能特色的领域里面大大突破了以前的算法，将最好结果一下子推进到了靠近突破人类最佳表现的边缘。

此后，披着深度学习这件华丽新衣的神经网络继续往前高歌猛进，以其极具特色的“特征自学习”和“模仿人脑神经结构”的炫酷外表，披荆斩棘的攻下了多个人工智能任务上的新制高点，比如计算机视觉任务，自然语言处理任务，语音处理技术任务等等，引起了整个科研界的狂热。

由于基于深度学习的机器学习模型与算法在实际数据集上的良好表现，与以往不同的是，对于技术进步越来越敏感的科技产业界，在当下新的这波浪潮中扮演了力引狂澜的角色。典型的代表是以 Google 和 Facebook 为代表的高科技公司，纷纷花重金从学界挖走机器学习的领军人物，用于研究更猛的人工智能引擎和方法，以期占领技术制高点，从而在未来转化为巨大的商业价值。

Geoff Hinton、Yann LeCun、Yoshua Benjo 以及后起之秀 Andrew Ng 等，都成了这一波人工智能浪潮发展的焦点人物。而这波趋势在 2015 年到 2016 年间，更是发展到了一个全新的高度。无论是在美国，还是在互联网科技发展势头不错的中国、以色列等国的科技公司，人们纷纷投入巨额资金抢人才、圈地盘，进军人工智能可能产生深远影响的领域，比如无人车，智能医疗，以及人工智能驱动的数据科学等等。

冷静对待狂热

毫无疑问，深处硅谷科技圈，笔者也感受到了那种无法阻挡的火热。比如最近刷爆朋友圈的李飞飞加盟 Google 云计算部门等有关人物的消息，以及已经白热化的 Google，Apple，Uber，Tesla 以及百度等科技巨头在无人车战场上的竞争相关消息，几乎刺激着每一个科技产业相关人员的肾上腺和脑神经。

甚至在公司，许多人一言不合就鼓吹机器学习，仿佛机器学习能够预测所有的事情，解决所有人当前还不知道如何去解决的数据问题。更有甚者，上周有位产品经理还咨询笔者是否可以用机器学习去预测每个 project 的进度和最可能完成的时间，好用来管理手下的项目。这种火热可见一斑。

我们其实很幸运，赶上了这波人工智能大浪潮。许多科技公司越来越重视对人才的吸引和保留，纷纷提高待遇，给予很多资源上的倾斜，敢于去做一些富有挑战和风险的项目。但同时，我们需要合理认识这一波由深度学习带起来的浪潮。

深度学习和人脑思维过程极其不同，虽然取得了让人深受鼓舞的成绩，但是过分的吹捧和过分的贬低一样会对这个领域带来后续伤害。这和过往由以 SVM，Boosting，Sparse model 带来的突破和进展在历史发展的角度并无天壤之别。今天 AlphaGo 在围棋上战胜围棋九段李世石并没有和当年 IBM 战胜卡斯帕洛夫有云泥之分。我们应该合理的对待进展，并且努力让公众和政府对于人工智能有合理的期待和支持。比如，当下还远远不是鼓吹人工智能威胁论的时候。许多业界的领军人物都开始在冷静的思考，比如机器学习大师 Michael Jordan，以及最近 Andrew Ng 等业界领袖也纷纷开始反思深度学习以及更广义上的机器学习的局限性。

毫无疑问，当许多连人工智能机器学习的基本知识都不太了解的人们开始大肆鼓吹 AI 至上的时候，我们无法避免的进入了一定程度上的泡沫期。但这个泡沫有多大，破坏性有多少，就是仁者见仁智者见智的事情。

无论历史如何发展，人类社会接下来在人工智能技术上如何推进与突破，或继续高潮，或平稳着陆，或陷入低迷期，都不会阻止人类对于追求更先进人工智能的渴望与梦想。学界和业界也会继续合作，推动人工智能的长足进步。同时，以 Elon Musk 等人为代表的有识之士也会继续为人工智能界定合理的安全边界，以保证技术的进步服务于人类社会，而不是颠覆并凌驾于人类之上。OpenAI 和大规模机器学习平台的开源，都是这一波历史浪潮里表现出来的显著进步。

当未来走进现实，这场浪潮将如何退却，我们拭目以待。

雷峰网原创文章，未经授权禁止转载。详情见。