深度學習的突破引發了第三次人工智能浪潮，獲得了空前成功。但深度學習存在的局限性，同時也加速了新一輪“AI泡沫”的到來。

自2016年AlphaGo戰勝韓國圍棋名手李世石后，世界掀起了新一輪的人工智能熱潮。曾經有一種觀點認為，由于圍棋的極度復雜性和深厚的文化秉性，人工智能幾乎不可能戰勝人類。但這一天終究到來了，而且來得如此之快！但當前的人工智能技術存在固有缺陷，社會對人工智能的美好期望與AI現有能力的不匹配，將可能會導致“AI泡沫”的破滅。

顛覆性技術的本質

“人工智能”這一概念自誕生起，就沒有一個嚴謹的定義與界限。1956達特茅斯會議上，“人工智能”的叫法甚至一度落后于“控制論”。但由于其浪漫主義色彩和通俗易懂的稱謂，很快就抓住了人們的“芳心”。自此以后，政府機構、社會資本、科技巨頭的強勢介入，使得人工智能研究獲得了飛速的進步。但與一般的技術發展規律不同，人工智能發展過程經歷了三次浪潮，其表現與傳統Gartner曲線有著顯著區別（見下圖）。

傳統Gartner曲線 V.S. 人工智能曲線（國際技術經濟研究所整理）

第一次浪潮時間段約為1956年至1976年，其核心是符號主義（邏輯主義），當時最大的成果是專家系統、知識工程。如1956年，卡耐基梅隆大學的LT程序證明了《數學原理》第二章的38條定理；1963年，經過改進的LT程序證明了《數學原理》第二章的52條定理，該程序隨后被改進成GPS。但由于這些成果幾乎無法解決實用問題，計算能力也嚴重不足，人們對AI未來產生失望，社會資本開始退出，政府資助不斷下降，導致第一次“AI寒冬”到來。

第二次浪潮時間段約為1976年至2006年，其核心是連接主義。在這一次浪潮中，符號主義退居幕后，AI神經元網絡方法開始盛行。1975年，Paul Werbos提出了BP算法（Backpropagation Algorithm），使得多層人工智能神經元網絡的學習成為可能。1982年，JohnHopfield提出可用作聯想存儲器的互連網絡——Hopfield模型，大家發現人工智能的春天又來了。80年代，新一波人工智能熱潮開始興起，包括語音識別、語音翻譯計劃，以及日本提出的第五代計算機。盡管當時有商業應用的實例，但應用范疇卻很有限，AI熱潮在90年代開始逐漸消退。

第三次浪潮是從2006年開始至今，其核心是深度學習的突破。眾所周知，Geoffrey Hinton、YannLeCun和Yoshua Bengio于2006年發表了多篇關于“深度神經網絡”的文章。在計算能力和大數據技術的加持下，人們發現深度學習技術可以解決前兩次AI浪潮中解決不了的問題。2015年12月，微軟亞洲研究院在ImageNet計算機識別挑戰賽中憑借深度神經網絡技術的突破，獲得圖像分類、圖像定位以及圖像檢測全部三個主要項目的冠軍。2016年3月，谷歌Deepmind開發的人工智能程序AlphaGo以4：1的戰績擊敗韓國圍棋職業九段選手李世石，被認為是人工智能發展的重要里程碑。

為何以深度學習為代表的第三次AI浪潮獲得了巨大的成功與空前的關注？從方法論上看，第二次和第三次AI浪潮都屬于連接主義，沒有本質上的不同。從研究范疇上看，人工智能包含的子領域眾多，包括專家系統、遺傳算法、機器學習等（見下圖），而深度學習僅僅是機器學習中的一個子領域。

人工智能研究范疇（來源：網絡）

究其原因，主要是人類對于人工智能的認知產生了顯著變化。以符號主義和連接主義為代表的第一、二次人工智能發展浪潮，正是人類對人工智能抽象性認知的真實寫照。但經歷過時間的洗禮后，這兩次人工智能發展浪潮都遭遇了嚴重的失敗。這主要是因為符號主義和初始的連接主義都是對人類大腦活動的模仿，并沒有合理利用大腦產生智能的機制，最終導致結果不盡人意、AI項目紛紛落馬。深度學習的成功，表明大腦啟發的人工智能是其能夠得以廣泛應用的根本原因。深度學習不僅依賴計算能力和大數據技術的進步，更加依賴的是卷積神經網絡（CNN）等模型和參數訓練技巧的進步。

人工智能的顛覆性

在數據、算力、算法這三駕馬車的拉動下，人工智能正以超乎想象的速度進步，不斷顛覆著社會生產生活的各方面。面向特定領域的人工智能（專用人工智能）由于應用背景需求明確、領域知識積累深厚、建模計算簡單可行，因此形成了人工智能領域的單點突破，在局部智能水平的單項測試中可以超越人類智能。如在圖像識別領域，深度神經網絡的統計學習模型持續創新，ImageNet圖像識別的錯誤率已由2010年的28%降低至2017年的2%左右，明顯超出了人類的平均水平。

Imagenet圖像識別錯誤率（來源：電子前沿基金會）

在專用人工智能不斷取得突破的背景下，各國政府、社會資本、產業界都對人工智能產生了強烈的興趣，紛紛投入人力、物力、財力加強人工智能研發，旨在爭奪科技發展的制高點。2013年以來，全球人工智能行業投融資規模就開始呈現不斷上漲的趨勢。2017年成為人工智能發展新的元年，Facebook、谷歌、微軟、百度、阿里巴巴和騰訊等科技巨頭紛紛發布自己的人工戰略，全球人工智能投融資總規模約400億美元，融資事件1000余筆。其中，中國AI企業融資總額占全球融資總額70%，融資筆數達31%（見下圖）。

全球人工智能投融資變化趨勢（來源：清華大學中國科技政策發展研究中心）

在資本的追逐下，人工智能初創企業如雨后春筍般拔地而起，逐漸滲透進人們生產生活的各個方面。Bloomberg Beta風險投資人ShivonZilis對從事機器學習的企業進行了梳理，將人工智能企業分為以下幾類：第一類專注于底層技術（Core Technologies），涉及領域包括人工智能、深度學習、機器學習、圖像識別、語言識別、自然語言處理等；第二類專注于企業經營（Rethinking Enterprise），涉及領域包括銷售、安全、欺詐檢測、招聘、市場、智能工具等；第三類專注于工業界（Rethinking Industries），涉及領域包括廣告、農業、教育、金融、法律、制造業、制藥業、油氣業、自動駕駛、醫療等；第四類專注于人類拓展（Rethinking Humans），涉及領域包括增強現實、姿態計算、情緒識別、機器人等；第五類專注于支持性技術（Supporting Technologies），涉及領域包括硬件、數據收集、數據處理等。

機器學習產業圖譜（來源：Shivon Zilis）

第三次人工智能浪潮獲得了巨大的成功，智能翻譯、智能選股、自動駕駛、語音識別等相關應用已經無處不在。但人工智能為人們的生產、生活帶來便利的同時，同樣也對國家安全、社會治理、倫理道德等產生了強烈沖擊。以AI偽造技術為例，2017年5月，加拿大創業公司琴鳥（Lyrebird）發布人工智能語音系統，可通過分析講話記錄與文本之間的關聯，模仿人類講話并加入逼真的情感和語調，該系統成功模仿了特朗普、奧巴馬和希拉里的對話；2017年7月，美國華盛頓大學開發出“可偽造真人視頻”的人工智能技術，該技術可將音頻文件轉化成真實的口型并嫁接至視頻中的人臉上，生成的新視頻讓人難以辨別真偽；2017年11月，英偉達利用生成式對抗網絡（GAN）生成的人物照已經達到了真假難辨的地步（見下圖）。隨著人工智能技術的不斷進步，音頻、視頻、筆跡和圖片等數據的偽造技術將會更加逼真，甚至專業人士也將難以辨別。

圖片偽造技術的發展歷程（來源：人類未來研究所）

第三次浪潮的局限性

毋庸置疑，以深度學習為代表的第三次人工智能浪潮取得了巨大的成功，人工智能應用正加速落地并不斷商業化。但從人工智能總體發展水平來看，其仍處于初始的“起步”階段。截至目前，人工智能的發展史可以簡單近似為模仿人類智能的歷史。隨著第一、二次人工智能發展浪潮的失敗，學者們紛紛將研究重心放在了神經網絡模型的突破。深度學習概念的提出與發展，直接開啟了人工智能在學術界和工業界的第三次浪潮。但從本質上講，深度學習是機器學習算法的重要進展，卻并非是顛覆性創新。

深度學習神經網絡示意圖

算法、算力、數據是深度學習成功的先決條件，但深度學習在算法、算力、數據層面均存在“瓶頸”問題。何寶宏在《電信網技術》2018年第四期中給出了4點總結。在算法層面，人工智能存在可解釋性不足、訓練效果無法預知、個人經驗主義和通用型不足等問題；在計算層面，目前的模型訓練仍依靠蠻力計算，成為吞噬算力的巨獸，且摩爾定律面臨失效的困境，算力增長變得困難；在數據層面，數據透明度、數據攻擊問題和監督學習問題成為人工智能的新瓶頸；在認知層面，現有的人工智能模型缺乏常識，因此無法理解實體概念，無法識別關鍵影響因素，且缺乏倫理道德。

譚鐵牛認為人工智能的發展存在數據瓶頸、泛化瓶頸、能耗瓶頸、語義鴻溝瓶頸、可解釋性瓶頸和可靠性瓶頸。他用“四有四無”概括人工智能總體狀況：

人工智能有智能沒智慧：智慧是高級智能，有意識、悟性，可以決策，而AI缺乏意識和悟性，缺乏綜合決策的能力；

人工智能有情商沒智商：機器對人的情感理解與交流仍處于起步階段，科幻電影中跟人類談情說愛的人工智能還差很遠；

人工智能有計算沒算計：人工智能系統可為有智無心，更無謀；

人工智能有專才沒通才：會下圍棋的“阿爾法狗”不會下象棋。

AI泡沫將會如何呈現

與學術界的客觀審慎不同，政府機構、社會資本、民眾對于人工智能的熱情，導致人工智能宣傳被夸大，很多初創企業也有蹭人工智能“熱度”的嫌疑。近年來，人工智能“泡沫論”的聲音一直不絕于耳。李開復在接受采訪時表示，“到2018年年底，我們除了會看到一些非常成功的人工智能案例，還會看到更多的泡沫破裂，這將耗盡公司資金甚至導致破產，最后可能會導致人工智能的整個環境冷卻一段時間。”隨后，Yann LeCun在網絡上表達了贊同，并補充評論道：“（人工智能泡沫將破）確實如此。李開復提到的泡沫就是指有些公司許下了過高的承諾，但是今年要不了多久他們的錢就花完了。”

結合2000年左右的互聯網“泡沫”經歷，我們可以總結出目前“AI泡沫論”的主要論點：

人們對于人工智能改變生活的預期與AI現實能力不匹配。以自動駕駛為例，車企對于全自動駕駛（Level 4）的實現時間盲目樂觀。特斯拉和谷歌預測將于2018年實現全自動駕駛，Delphi和MobileEye承諾于2019年實現Level 4自動駕駛系統，Nutonomy公司則計劃于2019年在新加坡街頭部署數千輛無人駕駛出租車。但加里·馬庫斯等專家認為，實現完全自動駕駛可能需要數年甚至數十年，屆時才能實現可以避免事故的自動駕駛系統。

資本界和自媒體對人工智能的理解與AI現實能力不匹配。部分投資界人士和自媒體對人工智能的理解較為片面，對人工智能現階段的能力認識不足。扭曲的信息在網絡中多次傳導，逐級放大，最終導致社會整體認知的缺陷。

以人類智能為基準，現有的人工智能技術或許連嬰兒的水平都達不到。以深度學習為代表的機器學習技術，也僅僅是實現真正人工智能的一小步。在可以預見的未來，新型AI算法、算力和大數據技術或將不斷取得新突破，人工智能也仍將持續保持高速發展態勢。與前兩次AI浪潮相比，第三次AI浪潮可以解決的問題已大大拓展，我們對人工智能未來的發展應該持有樂觀的心態。但同時，資本的瘋狂追逐、誤導性的宣傳也會持續下去，人們對AI改變生活的預期和AI現實能力的不匹配，必將導致“AI泡沫”的產生。未來一段時間，人工智能的發展或將呈現冰火兩重天：有能力的公司瘋狂擴張，沒能力的公司迅速潰敗。待理性的社會心態重新回歸，我們必將迎來人工智能健康發展的一天。