本文經O'Reilly授權發布

1901年，天文學家、數學家Simon Newcomb表示，人類不可能造出比空氣更輕的飛機。1908年，萊特兄弟的飛機試飛成功。

二戰過后，美國人公開表示，長距離火箭遙不可及。沒過多久，俄羅斯的巨型火箭率先進入了外太空。

時間轉到今天。當AI浸入各行各業的同時，對AI的質疑也紛至沓來。AI寒冬是否又會再次到來呢？OpenAI的聯合創始人兼CTO Greg Brockman在近日的一次演講中發表了他的看法：

“AI最終能達到什么樣的高度，我現在還無法下一個定論。但目前的質疑呢，我看大多是不靠譜的！”

他從“科學發展史”、“AI發展史”、“深度學習的極限”和“算力極限”四個方面闡釋了他的論點。

科學發展史

有啥疑問，直接找專家呀！他們的觀點大多錯不了。

但歷史一遍遍證明，專家們錯得可是太離譜了。

在1901年天文學家、數學家Simon Newcomb表示，比空氣更重的飛機是完全不可能的。于是在1908年 他知道了萊特兄弟的飛機。

沒關系，他承認這是可能的，但是他認為，這永遠不可能商業化，因為這樣的飛機不可能擴大到可以容下一個乘客和一個飛行員。于是又被啪啪打臉了。

二戰后，美國人和俄羅斯人都關注了德國的V-2科技，這兩國都想做同一件事那就是建立ICBM（An intercontinental ballistic missile，洲際彈道導彈），這意味著他們要擴大原本V-2火箭的規模十倍以上，造一個200噸的火箭。

美國人看到這，認識這完全不可能，就在接下來的五年里完全放棄了長距離火箭。

俄羅斯人說，可以沒問題，因為我們就是要造一個巨型火箭。當太空比賽開始時，俄羅斯人說，看吧，我們已經有這個巨型火箭了！于是，俄羅斯人率先進入了外太空。

專家們在很多方面確實有很多先見之明，但是不能因為有人說了一些什么，就終止了某一領域的研究。

AI發展史

接下來，讓我們來回顧一下AI發展史。

AI是一個講究潮流的領域，這個領域里有多種多樣的潮流。比如，某一個十年非常流行SVM（支持向量機），下一個十年，又流行別的模型了。

現在我們正處于最新潮流中，下一個十年又會流行別的。這話沒錯，這個過程是持續的，目前看不到盡頭。那就讓我們來挖一挖，這幾十年AI到底經歷了哪些潮流。

1959年，perceptron（感知機）被公開發表了。不止科學雜志瘋狂報道，連紐約時報也寫到：“像感知機這樣神奇的東西，有一天它能識別人叫出他們的名字，并且在多種語言間實時翻譯。”

1960年代，以Marvin Minsky和Papert為代表的人強烈反對感知機，發起各種運動，并且最終成功了。

在1969年他們表了一本書，里面證明了多種感知機無法解決的基本問題。

因此所有研究經費斷供，所有基金斷供。AI第一次寒冬來臨。

這一波經費究竟被用到了哪里了？很大一部分其實被用來構建更大的電腦了。

二十年后的80年代，反向傳播開始流行。

有趣得是，反向傳播吸引來的人不是計算機科學家，而是認知科學家。他們真正激動的不是關于如何建造大型系統，如何拓寬這些技術的邊界，而是關于理解大腦。他們非常樂意接受這樣一種人造的系統，能夠對他們的研究有那么一點關聯。

由于算力的限制，反向傳播一度也經歷了大量質疑。但今天，在空前算力的支持下，反向傳播將AI帶到了全新高度。

深度學習的極限

所以，深度學習發展的極限是什么呢？

有很多人已經對此發表過看法了。一個很好的例子是，去年一位杰出的深度學習評論家說：深度學習模型將永遠不能學會長距離規劃，不論你用多少數據去訓練它。

今年，我們在Dota比賽里展示了OpenAI Five，也就是Dota系統的長期規劃能力。

一個月后，那個評論家又說，你可以用足夠密集的空間樣本來解決任何問題，但只有當你的數據量很小的時候才有趣。

我認為，看看過去幾年結果的具體例子是很有啟發性的，然后讓我們想想：人們對之前的深度學習的局限性有什么看法，對之后的又有什么看法？

在深度Q學習出現之前，我們感覺深度學習僅僅是關于靜態數據集的。突然，我們把神經網絡投射到屏幕上面，然后給出一個分數，然后它開始能夠玩轉這些簡單的游戲。

再舉個例子。之前人們說，深度學習只會感知，永遠也做不到最難的自然語言處理任務比如翻譯。結果又被打臉了。

我們也許可以得出這樣的結論，深度學習會取代所有的監督學習，并且在這些特定的領域內勝過人類的聰明才智。比如AlphaGo，比如我們的Dota工作。強化學習僅通過自身就能解決這個難以置信的難題。

當然，你仍然可能會產生這樣的質疑：我們如何把這個東西應用到現實世界中去？強化學習是不是只會玩游戲呢？無論任務是怎么樣的，我們都需要有一個完美的模擬器吧。

今年，我們用Dota系統訓練了一個機器人，真的就是用Dota系統來指向這個環境。然后，我們可以教會這個機械手臂操縱小方塊，這是一個人類程序員無法完成的任務——制造這種機械手的公司做這個已經有20年了，現在每年大概才賣出10個，因為沒有程序員能實現這樣的功能。

所以，你甚至不需要一個完美的模擬器，你只需要一個剛好能夠完成手頭上任務的模擬器。

我想我們都聽過這個說法，人工智能的進步有三大支柱：計算、算法和標記數據。

但是現在，如果你再看一遍這個說法，你會發現“標記數據”其實也不是必要的。

比如今年，自然語言處理（NLP）領域最新研究表明，你可以讓一個模型在大量無監督文本上學習，然后使用非常少量的監督數據進行了微調，這樣你就能夠在各種各樣的NLP任務之間設置最先進的技術水平。

所以說，深度學習的極限真的很難被定義。

算力極限

最后，我們再來看看算力極限，這大概是近年來限制AI發展的關鍵要素之一。

如果我們看看過去六年里發生了什么，就會發現計算經過了一個瘋狂爆炸式的增長。每三個半月，我們的算力就會翻一倍。

怎么理解增長速度呢？就像在2012年的時候，你的手機電池只能堅持一天。在2018，它就能堅持800年的時間，到2023年，它能堅持一億年的時間。

再換一種方式來理解，一個2023年的未來系統在30秒內消耗的計算量，將會相當于我們今天的Dota系統一個月的計算量。

這個數字太瘋狂了，看起來有點不可理喻，但是這樣的事情其實已經發生了。20世紀90年代的大規模成果之一TD GAM，在一個現代的GPU上計算大約只需要5秒鐘。

所以我們把這些事情合起來看，可以得到的結論是：我們也很難去界定算力的極限。

我們真的很難說有什么是做不成的，這意味著我們需要開始積極主動的思考，這些系統將會給世界帶來什么樣的影響？

在暢想人工智能時，我們應該少依靠直覺，多依靠證據和假設。

我們都在創造自己認為的會對未來產生巨大影響的技術，所以我們要對這事情好好負責！

還沒看夠？明年的O'Reilly和Intel AI Conference將于2019年6月18-21日登陸北京！