編者按：本文投稿人靈致是 Uber 三藩市的資料科學家，負責 Uber 的即時調度演算法系統。靈致通過總結以往人工智慧大起大落的歷程來審視當下人工智慧所處的局點。
靈致提到，人類歷史的教訓告訴我們，大捧往往跟隨著大落。大愛是理性的去看待這一領域所取得的成就，為之歡呼和呐喊，也要為之保持警醒。對追隨這一領域多年的人們來說，歷史上出現過的人工智慧冬天（AI Winter），是我們每一個人都不願意再次看到的。
兩次大起大落
1956 年“人工智慧”首次在達特茅斯會議中被提出，John McCarthy, Marvin Minsky, Allen Newell, Arthur Samuel 以及 Herbert Simon 五人順勢成為當時這一領域的領軍人物。緊接著人工智慧開始醞釀其第一次浪潮，人工智慧實驗室在全球各地紮根。
在那個人工智慧的風口浪尖上，AI 五大領袖們開始對這個領域的發展前景表現出極其的樂觀。直到 1973 年，以《萊特希爾報告》的推出為代表，象徵著人工智慧正式進入寒冬。這篇報告宣稱”AI 領域的任何一部分都沒有能產出人們當初承諾的有主要影響力進步“。各國政府勒令大規模削減人工智慧方面的投入。這之後的十年間，人工智慧鮮有被人提起。
而到了八十年代，由於專家系統的崛起人工智慧再次迎來一次久旱之後的甘霖期，也是一次新的高☆禁☆潮。然後隨後人們意識到人工智慧的問題不是硬體問題，而更加是軟體以及演算法層面的挑戰沒有突破。
在演算法欠佳的情況下，硬體也遭遇危機。隨著 1987 年基於通用計算的 Lisp 機器在商業上的失敗，人工智慧再次滑入了低迷期。到了上世紀九十年代後期，由於電腦計算能力的不斷提高，人工智慧再次捲土重來。以資料採擷和商業診斷為主要代表的應用非常成功，使人工智慧重回人們的視野。
強勢回歸
在研究領域，神經網路模型（現代深度學習的前身）在漫長的電腦發展歷史中得以長足發展，從理論到應用演算法都有了長足進步，但因為深層神經網路的理論研究結果表明其發展非常有限，加上計算複雜度高，它漸漸被後來以 Vapnik 為代表的支援向量機模型（SVM）學派超越。SVM 因為其理論的完備性，演算法的高效性，以及核方法的良好適配性，在許多公開資料集和人工智慧任務上表現非常優異，加上後來的 Boosting 方法，貝葉斯採樣推理等，以及蓬勃發展的統計機器學習領域的崛起，人工智慧達到了一個全新的高度。這一時期，研究成果推陳出新速度很快，各種應用領域的研究也風起雲湧，人類對於人工智慧的火熱開始逐漸升溫，湧入這一領域的研究人員和經費也越來越多。
以 Geoff Hinton 為代表的研究人員于 2006 年發現了訓練高層神經網路的有效演算法，並且隨著進一步的研究和擴展，於 2012 年在圖像識別這一非常具有人工智慧特色的領域裡面大大突破了以前的演算法，將最好結果一下子推進到了靠近突破人類最佳表現的邊緣。
此後，披著深度學習這件華麗新衣的神經網路繼續往前高歌猛進，以其極具特色的“特徵自學習”和“模仿人腦神經結構”的炫酷外表，披荊斬棘的攻下了多個人工智慧任務上的新制高點，比如電腦視覺任務，自然語言處理任務，語音處理技術任務等等，引起了整個科研界的狂熱。
由於基於深度學習的機器學習模型與演算法在實際資料集上的良好表現，與以往不同的是，對於技術進步越來越敏感的科技產業界，在當下新的這波浪潮中扮演了力引狂瀾的角色。典型的代表是以 Google 和 Facebook 為代表的高科技公司，紛紛花重金從學界挖走機器學習的領軍人物，用於研究更猛的人工智慧引擎和方法，以期佔領技術制高點，從而在未來轉化為巨大的商業價值。
Geoff Hinton、Yann LeCun、Yoshua Benjo 以及後起之秀 Andrew Ng 等，都成了這一波人工智慧浪潮發展的焦點人物。而這波趨勢在 2015 年到 2016 年間，更是發展到了一個全新的高度。無論是在美國，還是在互聯網科技發展勢頭不錯的中國、以色列等國的科技公司，人們紛紛投入巨額資金搶人才、圈地盤，進軍人工智慧可能產生深遠影響的領域，比如無人車，智慧醫療，以及人工智慧驅動的資料科學等等。
冷靜對待狂熱
毫無疑問，深處矽谷科技圈，筆者也感受到了那種無法阻擋的火熱。比如最近刷爆朋友圈的李飛飛加盟 Google 雲計算部門等有關人物的消息，以及已經白熱化的 Google，Apple，Uber，Tesla 以及百度等科技巨頭在無人車戰場上的競爭相關消息，幾乎刺激著每一個科技產業相關人員的腎上腺和腦神經。
甚至在公司，許多人一言不合就鼓吹機器學習，仿佛機器學習能夠預測所有的事情，解決所有人當前還不知道如何去解決的資料問題。更有甚者，上周有位元產品經理還諮詢筆者是否可以用機器學習去預測每個 project 的進度和最可能完成的時間，好用來管理手下的專案。這種火熱可見一斑。
我們其實很幸運，趕上了這波人工智慧大浪潮。許多科技公司越來越重視對人才的吸引和保留，紛紛提高待遇，給予很多資源上的傾斜，敢於去做一些富有挑戰和風險的項目。但同時，我們需要合理認識這一波由深度學習帶起來的浪潮。
深度學習和人腦思維過程極其不同，雖然取得了讓人深受鼓舞的成績，但是過分的吹捧和過分的貶低一樣會對這個領域帶來後續傷害。這和過往由以 SVM，Boosting，Sparse model 帶來的突破和進展在歷史發展的角度並無天壤之別。今天 AlphaGo 在圍棋上戰勝圍棋九段李世石並沒有和當年 IBM 戰勝卡斯帕洛夫有雲泥之分。我們應該合理的對待進展，並且努力讓公眾和政府對於人工智慧有合理的期待和支持。比如，當下還遠遠不是鼓吹人工智慧威脅論的時候。許多業界的領軍人物都開始在冷靜的思考，比如機器學習大師 Michael Jordan，以及最近 Andrew Ng 等業界領袖也紛紛開始反思深度學習以及更廣義上的機器學習的局限性。
毫無疑問，當許多連人工智慧機器學習的基本知識都不太瞭解的人們開始大肆鼓吹 AI 至上的時候，我們無法避免的進入了一定程度上的泡沫期。但這個泡沫有多大，破壞性有多少，就是仁者見仁智者見智的事情。
無論歷史如何發展，人類社會接下來在人工智慧技術上如何推進與突破，或繼續高☆禁☆潮，或平穩著陸，或陷入低迷期，都不會阻止人類對於追求更先進人工智慧的渴望與夢想。學界和業界也會繼續合作，推動人工智慧的長足進步。同時，以 Elon Musk 等人為代表的有識之士也會繼續為人工智慧界定合理的安全邊界，以保證技術的進步服務於人類社會，而不是顛覆並淩駕於人類之上。OpenAI 和大規模機器學習平臺的開源，都是這一波歷史浪潮裡表現出來的顯著進步。
當未來走進現實，這場浪潮將如何退卻，我們拭目以待。