通用人工智能仍是白日梦

20 世纪 80 年代的时候，硅谷是一个神奇的地方。这里发生了很多奇妙的事情，很多人在这里赚得盆满钵满。这些都与计算机的奇迹有关，它将改变很多东西。

计算机中有大量的应用程序摆在他们面前：彻底改革办公室工作，通过电脑游戏实现娱乐，改变沟通、购物和使用银行系统的方式。但那时计算机笨拙、缓慢且昂贵。除非计算机的速度或价格能再突破几个数量级，否则这些事情都无法实现。

但根据摩尔定律：从 20 世纪 70 年代起，集成电路上可容纳的晶体管数量约每 18 个月会增加一倍。如果这条定律成立，未来将十分美好。市场期待的这些应用程序将会被解锁，钱也会滚滚而来。

到了 20 世纪 90 年代中期，这个定律起作用了。计算机变得越来越快，软件变得越来越复杂，每年必须要升级才能跟上进度。新一代 CPU 的速度明显快于前代产品，新一代软件产品的速度却明显慢于前代产品，但性能更加强大。

总的来说，通过定期升级新硬件，软件在保持同样速度（或更快）工作，但提供的功能越来越多。大多数增益是由于时钟速度的提高（1990 年初时钟频率是 33Mhz，到 2000 年可达 1Ghz），因此没有必要重写任何程序来增加计算能力，在新的计算机中一切都运行得很快。

到 20 世纪 90 年代后期，一种新的处理器问世了：图形处理单元（GPU）。这些处理器与常规 CPU 不同。它们的芯片经过优化后执行 3D 图形渲染，芯片内部具有许多并行执行工作的小内核。最初它们作为附加的加速器出售，但很快就与常规显卡集成了（Nvidia - Riva TNT）。游戏画面更加优质，运行速度也快多了。硅谷的大亨们再次大赚一笔。

上世纪 90 年代末（左）和 21 世纪初（右）的计算机内部视图，大小和组件相似，但功能可能强大几千倍。

但到了 2000 年初，情况开始有所不同。互联网泡沫开始破裂，很多人损失了很多钱。此外，提高时钟速度的旧策略遇到了一些障碍：为了提高切换速度，电路的工作电压必须保持相对较高。

这会导致芯片升温。随后的速度增益会受到散热能力的限制。为了维持现状，CPU 制造商开始增加芯片中的执行内核数量。但是为了利用这种并行性，必须重写大部分软件。由新一代芯片带来的神话不再，发展速度变慢。

更糟糕的是，大部分事情不再需要更快的速度了。大部分软件堆栈已经成熟，应用程序已经固化，人们不再需要新的 CPU 或每年增加 2 倍的内存。如今大部分办公室工作都可以在 35 美元的 Raspberry Pi 上完成。

甚至游戏领域的游戏机也基本饱和。这些游戏机的售价甚至低于成本价格，初始投资可以通过游戏中的隐藏费用收回。而游戏计算机为大多数人提供了方便简洁的界面和令人满意的游戏体验。这对硅谷来讲是一个问题，硅谷发展的脚步开始放缓。

到 2000 年中期，另一项便利的发明出现了——智能手机。虽然 PC 市场明显放缓，但这类新产品发展迅速，从 2007 年至今推出的各种型号的 iPhone 将这个产业推向了顶峰。对于智能手机，关注点并不是 CPU 速度，而是功耗（电池寿命）和传感器/屏幕的质量。

在过去的 10 年中，相机和屏幕确实取得了很大的进步，但除了主要玩家苹果公司之外，硅谷大亨们并没有因此获利多少。相反，硅谷专注于软件方面的业务，如 Uber、Netflix 等利用新平台的服务公司。

但从一开始就很明显，智能手机的激情不会永远燃烧。事实上，到 2018 年，大多数人意识到他们不需要每两年购买一台价值 1000 美元的智能手机，而且就像之前的 PC 电脑一样，旧型号的智能手机对大多数应用来说都够用。这导致苹果股票在 2018 年秋季遭受重创，使其估值远低于 1 T 美元。

随着各种市场的枯竭，硅谷需要一些新的策略——能够与 90 年代 PC 革命匹敌的那种。它将使全新的应用成为可能，并对新产业造成冲击和破坏。这重新唤起了对芯片的需求——需要更上一层楼的计算能力。到 2012 年，两个绝佳机会浮现了：区块链和人工智能（AI）。

区块链（最初在 2010 年被称为比特币），其想法是通过删除分类账（银行）来完全取代金融系统，并提供一种建立远程交易的自我认证手段。构建区块链的方式还需要大量的计算能力，以计算所谓的共识机制。这就是硅谷喜闻乐见的：一个高利润的全新应用领域，此外还需要大量新芯片来满足计算需求。

人工智能大约在 2012 年出现在硅谷的世界，当时一位不知名的加拿大人 Geoff Hinton 与他的学生一起在连接模型和神经网络的秘密空间中工作了 30 年，使用在 GPU 上实现的深度神经网络吊打了 ImageNet 目标分类竞赛的对手。

与区块链一样，这项技术开启了一系列新应用，并且需要大量的新芯片。硅谷中的许多人很快就看到了它的潜在价值，资金开始源源流入其中。

自 90 年代最后一个神经网络寒冬以来，神经网络学者们很快注意到这个契机，不再在大学里「冬眠」。他们被邀请到硅谷参加一场聚会。

这种多层感知机的新化身在短期内频频给众人带来惊喜：目标识别和分割、语音识别、机器翻译变得越来越好。这些新功能很快被拥有海量数据的公司（如 Google 或 Facebook）所吸收。但这种兴奋很快就过去了。

科学家们是经过训练的专业人士，他们在各种提案中夸下海口，现在得到了更好的客户——风险资本家的青睐。这些风投家喜欢这些能彻底改变一切的美好故事，他们的废话检测能力比政府的资助机构低得多，只要在 NeurIPS 会议上发表一篇论文，就足以让他们放弃对科学家的各种必要调查。

此外，人工智能是一个空间，在这个空间中，通过添加一些想象力就可以轻松地将童话故事提升到一个新水平，与一些著名的科幻电影相比，这使得我们像是处在一个惊人的拐点。这是 AI 最终将会到达的点，在这个点上，AI 的提升将会超出我们的想象——奇点。这导致了「FOMO（害怕错过）」现象。曾经，即使是上面提到的那些政府资助机构也会成为 AI 承诺下的受害者，然后每次都会导致资金冻结，所以称为「AI 寒冬」。

但是硅谷买下了这个故事，并创造了有史以来最大的人工智能夏季盛宴。他们买下它时毫不犹豫。研发中心、非营利实验室和初创公司开始壮大，哪怕刚从大学毕业的深度学习科学家们没有任何行业经验。

初创公司蓬勃发展，承诺在机器人、自动驾驶汽车、无人驾驶飞机等领域创造各种各样的奇迹。所有问题的解决方案应该都是深度学习，在更多的数据和更大的 GPU 上训练更深的网络。它的工作方式很神奇，只需要更多的数据和更多的计算。于是盛宴开启。

到 2018 年，一些人开始意识到事情可能不会一直这样发展下去。真实世界中的目标识别或分割所得的收益开始迅速递减。虽然这些模型受到大量数据和强大机器的训练，但在性能方面只获得了有限的提高，在某些情况下甚至根本没有获得提升。科学家们做了自己最擅长的事：他们没有一味制造产品，而是撰写大量论文，还有一些人研究了新技术的局限性。

在深度学习应该带来科技革命的所有方向中，只有一个方向不断带来好的结果——玩游戏。这是因为游戏可以在计算机上实现，并且产生的数据比在现实世界的应用程序中获得和标记的数据要多几个数量级。在许多情况下，仅仅训练玩游戏的智能体就可能花费数十万美元（仅仅是电力和计算硬件）。

但是同样的技巧在实际问题中并不适用，因为带标签的数据非常昂贵，而且经常甚至不能完全代表当前问题。在人工智能的狂热中，被逐渐遗忘的 Moravec 悖论，正变得比以往任何时候都更加明显。

尽管深度学习为广泛的计算机感知领域注入了新鲜血液，但它甚至没有触及人工智能的基本问题。即使在无法轻易获得大量标记数据的计算机感知应用中，基于（具有手工特征的）经典算法的精心设计和优化在现实应用中更容易开发和执行。

人工智能技术进步的试金石是自动驾驶汽车的发展。到 2016 年，硅谷的许多人都相信这项技术几乎准备就绪，并且将成为深度学习的关键支柱之一，毕竟汽车已经实现在没有干预的情况下行驶数英里。总部位于硅谷的汽车制造商特斯拉甚至开始将这一还未正式上线的功能出售。

到 2019 年初，这些做法基本开始放缓，因为出现几起关于销售 vaporwave 的诉讼。与此同时，对于许多自动驾驶汽车公司而言，2018 年是艰难的一年，因为相继出现了亚利桑那州 Uber AV 车祸致死案和特斯拉的几起自动驾驶致死事故。

至此，即使在硅谷，人们也开始意识到，让一辆完全自动驾驶的汽车像出租车一样到处行驶仍然需要很长的时间。很明显，汽车将继续内置电脑，从这个意义上说，硅谷已经赢了，但这与之前的梦想相去甚远。

2018 年，比特币的价格从近 2 万美元跌至 4 千美元以下，跌幅超过 80％。

在 2018 年，硅谷的另一个大赌注面临崩盘——区块链的最重要产品比特币价值下跌超过 80％。许多人损失了很多钱，人们对加密货币的热情一落千丈。

深度学习和区块链都是非常有趣的技术，它们使以前不可能的事情变成了可能。Google 图片搜索比以前好多了。风格迁移技术也是非常酷的工具。机器翻译已经足以让你在外国找到路，但距离翻译诗歌还很远。但这些改进似乎都不足以获胜，无法证明硅谷的大赌注。它们看起来都不像 90 年代疯狂的计算机热潮一样，那么有利可图。

至于人工智能，这种炒作周期与之前并没有太大差别。我们让计算机做一些看似只有受过教育的成人才能做的事，但后来才意识到这些计算机甚至无法处理婴儿或动物都能解决的事情。如果我们继续陷入同样的陷阱，AI（通用人工智能）将仍然是一个白日梦。

未来很难预测，但这两个赌注看起来都是死局，至少目前如此。也许就像谷歌和 Facebook 等互联网公司崩溃之后出现的情况一样，当前炒作周期的结束将会在区块链或所谓的人工智能产生类似的累积奖金。但就像曾经一样，只有极少数人会赢，大多数人会满盘皆输。