人工智能会再一次跌进谷底吗？

而到了20世纪80年代，人工智能的关键应用——专家系统得以发展，人工智能迎来第二春，但是由于数据较少，难以捕捉专家的隐性知识，建造和维护大型系统的复杂性和成本也使得人工智能渐渐不被主流计算机科学所重视。

Gartner模型

为了更好地理解人工智能的两次大起大落，我们有必要引入Gartner模型。该模型呈现的是先迅猛爆发而后跌入谷底再慢慢抬升的技术发展趋势。该模型曾因成功预言互联网泡沫而一战成名，20多年来一直是投资人最常引用的模型之一。

在许多技术发展的历史进程中都会看到Gartner曲线的影子，比如Web技术，Amazon和Yahoo在1998年-2005年间的股价变动就和Gartner曲线的走势非常类似。

要用Gartner曲线去理解人工智能的发展，我们还需要理解Gartner曲线背后的逻辑。Gartner曲线实际上是由两条曲线叠加而成的，第一条是社会舆论对新技术期望值与实际水平的差距（Hype Level），第二条则对应新技术的真实发展水平（Engineering or Business Maturity），二者叠加所对应的正是y轴，代表社会上对新技术的实际期望。Hype Level先升后降的逻辑在于新技术出来之后。由于媒体本身的属性，必然会导致新技术社会期望的过度拔高，而随着技术的落地与试错，社会对新技术的期望会逐渐回归理性。因而Hype Level曲线会呈现先升后降再回归正常水平的线形。而Engineering or Business Maturity曲线的逐步提升与技术随时间逐渐提升的常识也是相吻合的。

如此，我们用Gartner模型来分析，便不难理解人工智能发展历史的两次大起大落。人工智能的第一春，起于人工智能的首次提出为人类社会带来了人工智能时代的美好想象，但在1973年英国发表的《莱特希尔报告》报告指出，在人工智能三大基础研究中，自动机和中央神经系统虽有研究价值，但进展令人失望，而机器人领域是没有研究价值，建议取消机器人的研究。《莱特希尔报告》完全打碎了当时社会对人工智能的期望，人工智能随即进入严冬。而在人工智能的第二次大起大落中，人工智能崛起于专家系统技术的发展，但随着日本第五代智能计算机研制的失败，人们开始意识到人工智能并非靠硬件来支撑而要靠知识、软件和创新，进而转向研究知识百科，但收效甚微，研究断断续续。直至90年代后期，由于搜索引擎的强势崛起，互联网显示了强大威力，知识百科开始衰败，人工智能彻底进入寒冬。

人工智能的第三春

但是知识百科的尝试并不是徒劳，它让我们意识到知识不能靠已有知识的表达，需要靠自动学习来驱动。九十年代后期，计算机计算能力已经得到大幅提高，以数据挖掘和商业诊断为主要代表的应用成功，使人工智能重回人们的视野。

在研究领域，虽然神经网络模型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，但因为计算复杂等原因，逐渐被向量机模型（SVM）学派超越。此后，各种学派的研究成果迅速更新迭代，人工智能逐渐复兴。

直至2006年训练高层神经网络算法的出现，人工智能迎来了第三春。神经网络算法在图像识别领域的表现一下子推进到了靠近突破人类表现的边缘，引起了整个科研界的狂热。披着深度学习这件华丽新衣的神经网络在计算机视觉，自然语言处理和语音处理等领域同样表现出色，人工智能迎来了前所未有的发展高潮。

2016年10月，美国白宫连发两份报告《美国国家人工智能研发战略计划》和《为未来人工智能做好准备》，对当前人工智能发展现状进行了调研，并阐述了人工智能带来的若干政策机遇。同年12月，白宫再次发布报告《人工智能、自动化与经济》，提出了应对人工智能驱动自动化经济的三大策略。可见美国政府发展人工智能的决心。

再看中国，2015年2月工程院就人工智能正式立项，2016年3月正式启动，同年8月在北京研讨会上以史无前例的速度进入了6+9专项和国家十三五、十四五和十五五行动计划，我国也把人工智能的发展提到了战略的高度。

世界上两大经济强国都如此看好人工智能的未来，我们有信心说在未来两到三年人工智能仍会处于黄金的发展时期。

那么我们不禁会问，繁荣过后，人工智能的第三春会因为被高估而继续掉进Gartner曲线的循环中还是会像互联网技术发展一样迎来指数式增长呢？我们认为目前已经初步具备人工智能发展的信息环境，但AI仍然存在很多问题，人工智能是否会掉进Gartner曲线的循环还很难说。

回顾人工智能60年来的大起大落，我们可以看到，人工智能的失败往往是因为其与快速变化的信息环境不符，这是因为人工智能进步的动力不仅来自于学术研究的内在动力，更重要的是来自整体信息环境改变与需求的外部驱动力。而当前人工智能恰好面临着剧烈变化的庞大信息环境与信息需求。

当前的信息环境相较于80年代已经发生了巨大而深刻的变化，计算机已经与人类相伴，各种移动终端、传感器和可穿戴设备等智能硬件构成了一个庞大的网络，个体与个体、个体与群体以及人与物体史无前例地连接在一起，世界已经从二元的PH空间结构（Physics、Human Society）演变成三元的CPH空间结构（Cyber），人以及万事万物都处于回路中。

在此环境下，人类社会对人工智能的需求开始大爆发，人工智能的研究已经逐渐从学术牵头转变成需求牵头，众多国内外科技巨头开始入场真实地印证了这一趋势。智能城市、智能医疗、智能交通、智能物流、无人驾驶、智能制造等诸多领域都迫切地需要人工智能的发展。在智能制造领域人工智能已经真真切切地提高了社会生产力。

人工智能的目标与理念也发生了变化，从过去追求“用计算机模拟人的智能”逐渐改变为机器+人的人机融合智能系统、机器+人+网络的智能系统以及人+机+网+物的智能城市系统等等。

最后，也是最为直接的条件，人工智能所需的数据环境也逐渐形成。人工智能的基本方法是数据驱动的算法，未来将迎来大数据、传感器和网络以及跨媒体驱动的计算，到时大数据智能、感知融合智能和跨媒体智能将不可避免地到来，传统的机器智能测试图灵方法将受到挑战。

但是我们不得不承认人工智能仍然存在许多问题，目前神经网络算法需要的大量的数据进行训练，难以实现无监督学习，这已经成为制约人工智能发展的关键因素。

在过去 20 年，无论是深蓝（Deep Blue）在国际象棋中击败了 Garry Kasparov，沃森（Watson）击败了 Jeopardy 的常胜冠军，还是AlphaGo 击败了世界上最好的围棋棋手李世石，这些成功都是有限的，深蓝、沃森和 AlphaGo 都是高度专业化的、目的单一的机器，只能在一件事上做得很好。深蓝和沃森不能下围棋，AlphaGo 不能下国际象棋或参加 Jeopardy，甚至最基本的水平都不行，这些智能范围都非常狭窄，也不能泛化。

中国科学院院士、清华大学教授张钹就曾说道：当前以大数据与深度学习为基础的人工智能存在的最大问题是不可解释和不可理解，就事论事，缺乏推广能力，遇到新的情况一筹莫展。因此当面对动态变化的环境，信息不完全，存在干扰与虚假信息时，人工智能系统的性能就会显著下降。此外，这样的人工智能系统由于不可理解，无法实现人机交互，无法与人类协同工作与和谐相处。解决这些问题的困难很大，人工智能发展的道路还很长，机器智能达到适应动态变化环境的能力还很遥远。

因此，我们很难去断定人工智能是否会继续掉进Gartner曲线的循环，目前人工智能技术的发展速度很快，一切都处于快速变化的进程中，有可能在神经网络陷入低谷时，另一新兴技术的迅速崛起会取代神经网络的算法，从而继续撑起人工智能的第三春。

参考资料：

Uber 数据科学家灵致看人工智能的“三起两落”

技术预言的陷阱 | 源码内参

中科院院士：人工智能当前最大问题 不可解释和理解

清华大学博士生论坛吴澄院士报告《新一代人工智能下的智能制造》

特别鸣谢：

星河互联人工智能事业部总经理刘玮玮     

星河研究院高级研究经理李瑶