人工智能80年發(fā)展歷程，可以為英偉達(dá)提供的5個教訓(xùn)

激石Pepperstone(http://qintiejiang.com/)報道：

英偉達(dá)首席執(zhí)行官兼聯(lián)合創(chuàng)始人黃仁勛有一個水晶球，而這個水晶球告訴他，他的公司正在創(chuàng)造一個新的產(chǎn)業(yè)——人工智能產(chǎn)業(yè)。在英偉達(dá)的財報電話會議上，他做出了激動人心的預(yù)測：未來五年將有數(shù)萬億美元的新投資，全球數(shù)據(jù)中心數(shù)量將翻一番。

預(yù)測是困難的，尤其是對未來的預(yù)測。不過，我們掌握著大量數(shù)據(jù)，它們可以幫助我們對未來做出有根據(jù)的猜測，或者至少可以突顯出過去的預(yù)測在哪里、怎么樣以及為什么未能如期實(shí)現(xiàn)。這些數(shù)據(jù)就是歷史。

對今天的英偉達(dá)來說，這些數(shù)據(jù)就是人工智能80年的發(fā)展歷程，其中包含了資金的高峰和低谷、競爭對手的研發(fā)方法，以及公眾的好奇、焦慮和興奮。

人工智能的歷史始于1943年12月，當(dāng)時神經(jīng)生理學(xué)家沃倫·S·麥卡洛克（Warren S. McCulloch）和邏輯學(xué)家沃爾特·皮茨（Walter Pitts）按照（相對較新的）數(shù)理邏輯傳統(tǒng)發(fā)表了一篇論文。在《神經(jīng)活動的思想觀念內(nèi)在的邏輯演算》（A Logical Calculus of the Ideas Immanent in Nervous Activity）一文中，他們推測了理想化和簡化的神經(jīng)元網(wǎng)絡(luò)，以及它們?nèi)绾瓮ㄟ^傳遞或不傳遞脈沖來執(zhí)行簡單的邏輯運(yùn)算。

當(dāng)時正在建立組織化學(xué)領(lǐng)域的拉爾夫·理萊（Ralph Lillie）將麥卡洛克和皮茨的工作描述為在缺乏“實(shí)驗事實(shí)”的情況下“將‘現(xiàn)實(shí)’歸因于邏輯和數(shù)學(xué)模型”。后來，當(dāng)這篇論文的假設(shè)未能通過實(shí)證檢驗時，麻省理工學(xué)院（MIT）的杰羅姆·萊特文（Jerome Lettvin）觀察到，雖然神經(jīng)學(xué)和神經(jīng)生物學(xué)領(lǐng)域忽視了這篇論文，但它啟發(fā)了“那些注定要成為一個新領(lǐng)域（也就是現(xiàn)在的人工智能）的狂熱愛好者”。

實(shí)際上，麥卡洛克和皮茨的論文正是“聯(lián)結(jié)主義”（connectionism）的靈感來源，而聯(lián)結(jié)主義正是當(dāng)今占主導(dǎo)地位的人工智能的具體變體，只不過它現(xiàn)在的名字叫做“深度學(xué)習(xí)”。盡管它與大腦的實(shí)際工作原理并無關(guān)聯(lián)（我們對大腦的工作原理仍然一無所知），但支撐這種人工智能變體的統(tǒng)計分析方法——“人工神經(jīng)網(wǎng)絡(luò)”——通常被人工智能從業(yè)者和評論家描述為“模仿大腦”。權(quán)威人士、領(lǐng)先的人工智能從業(yè)者德米斯·哈斯比斯（Demise Hassbis）在2017年宣稱，麥庫洛克和皮茨對大腦如何工作的虛構(gòu)描述以及類似工作將“繼續(xù)為當(dāng)代深度學(xué)習(xí)研究提供基礎(chǔ)”。

教訓(xùn)1:?

謹(jǐn)防將工程與科學(xué)、科學(xué)與揣測、科學(xué)與充滿大量數(shù)學(xué)符號和公式的論文混為一談。

最重要的是，要抵制“我們都是上帝”的幻覺的誘惑。在過去的80年里，這種頑固而普遍的傲慢是科技泡沫和人工智能非理性繁榮周期性興起的催化劑。

這就引出了人工通用智能（artificial general intelligence），即AGI。在不久的將來，我們將擁有具有類人智能甚至超級智能的機(jī)器。

1957年，人工智能先驅(qū)赫伯特·西蒙（Herbert Simon）宣告：“現(xiàn)在世界上已經(jīng)有了會思考、學(xué)習(xí)和創(chuàng)造的機(jī)器?！彼€預(yù)測，十年之內(nèi)，計算機(jī)將成為國際象棋冠軍。1970年，另一位人工智能先驅(qū)馬文·明斯基（Marvin Minsky）篤定地說：“在三到八年內(nèi)，我們將擁有一臺具有普通人類智力水平的機(jī)器......一旦計算機(jī)獲得控制權(quán)，我們可能再也無法奪回。我們將在它們的脅迫下生存。如果幸運(yùn)的話，他們可能會把我們當(dāng)寵物來養(yǎng)?！?/p>

預(yù)見到AGI的即將到來可謂意義重大，甚至可以改變政府的支出和政策。1981年，日本通商產(chǎn)業(yè)省為第五代計算機(jī)項目撥款8.5億美元，目標(biāo)是開發(fā)出能像人類一樣進(jìn)行推理的思維機(jī)器。作為回應(yīng)，美國國防部高級研究計劃局（DARPA）在經(jīng)歷了漫長的“人工智能寒冬”之后，于1983年開始通過“戰(zhàn)略計算計劃”（Strategic Computing Initiative）再次資助人工智能研究，目標(biāo)是開發(fā)出“能像人類一樣看、聽、說和思考”的機(jī)器。

大約花了十年時間以及幾十億美元，各國的政府才不僅認(rèn)識到了AGI，也認(rèn)識到了老式人工智能的局限性。但在2012年，聯(lián)結(jié)主義終于戰(zhàn)勝了其他人工智能變種，關(guān)于即將到來的AGI的新一輪預(yù)測浪潮席卷全球。除了普通的AGI之外，OpenAI在2023年宣告，超級智能AI——“人類有史以來發(fā)明的最具影響力的技術(shù)”——可能會在十年內(nèi)到來，“可能導(dǎo)致人類失能，甚至是滅絕”。

教訓(xùn)2：

對待這個閃閃發(fā)光的新事物要非常當(dāng)心，要仔細(xì)、周到、明智地研究它。

這個問題與前幾輪關(guān)于我們距離為機(jī)器賦予人類智能有多近的猜測或許沒什么不同。問問深度學(xué)習(xí)的“教父”楊立昆（Yann LeCun）就知道了：“要讓機(jī)器像人類和動物一樣高效學(xué)習(xí)，我們還缺少一些重要的東西。但我們還不知道那是什么。”

由于“第一步謬誤”（即如果一個人成功地邁出了上山的第一步，他就認(rèn)為沿著這條路走下去就能到達(dá)山頂，但事實(shí)并非如此），多年來，AGI已多次“近在咫尺”。耶霍舒亞·巴爾-希勒爾（Yehoshua Bar-Hillel）是機(jī)器翻譯領(lǐng)域的先驅(qū)，也是最早談?wù)摍C(jī)器智能局限性的人之一。他指出，如果有人演示了一臺計算機(jī)正在做一件直到最近才有人認(rèn)為它可以完成的事情，那么許多人就會認(rèn)為，即使它做得很糟糕，那也只是技術(shù)進(jìn)一步發(fā)展的問題，然后它就會完美無瑕地完成任務(wù)。人們普遍認(rèn)為，只需耐心等待，最終就能實(shí)現(xiàn)這一目標(biāo)。但現(xiàn)實(shí)卻一次又一次地否定了這一點(diǎn)，早在20世紀(jì)50年代中期，巴爾-希勒爾就提出了警告。

教訓(xùn)3：

從不會做某件事到做不好某件事的距離，通常比從做不好某件事到做好某件事的距離要短得多。

20世紀(jì)50和60年代，由于驅(qū)動計算機(jī)的半導(dǎo)體處理速度突飛猛進(jìn)，許多人陷入了“第一步謬誤”中。隨著硬件性能沿著“摩爾定律”（Moore’s Law）可靠的上升軌跡逐年提升，人們普遍認(rèn)為機(jī)器智能將與硬件同步發(fā)展。

然而，除了不斷提升的硬件性能，人工智能發(fā)展的新階段還引入了兩個新要素：軟件和數(shù)據(jù)收集。從20世紀(jì)60年代中期開始，專家系統(tǒng)帶來了對捕獲和編程現(xiàn)實(shí)世界知識的新關(guān)注，特別是專業(yè)領(lǐng)域的專家知識，尤其是他們在實(shí)踐中的經(jīng)驗法則。到20世紀(jì)80年代，據(jù)估計有三分之二的世界500強(qiáng)公司將這項技術(shù)應(yīng)用于日常業(yè)務(wù)活動。

然而，到了20世紀(jì)90年代初，這種人工智能泡沫徹底破滅。眾多人工智能初創(chuàng)公司倒閉，各大企業(yè)凍結(jié)或取消了他們的人工智能項目。早在1983年，專家系統(tǒng)先驅(qū)艾德·費(fèi)根鮑姆（Ed Feigenbaum）就已經(jīng)發(fā)現(xiàn)了導(dǎo)致他們消亡的“關(guān)鍵瓶頸”，即擴(kuò)大知識獲取過程的規(guī)模，“這是一個非常繁瑣、耗時且昂貴的過程”。

專家系統(tǒng)還面臨知識積累的挑戰(zhàn)。由于需要不斷添加和更新規(guī)則，因此這個系統(tǒng)維護(hù)起來既困難又昂貴。與人類智慧相比，專家系統(tǒng)還顯示出思維機(jī)器始終存在的缺陷。它們“非常脆弱”，當(dāng)被輸入不尋常的信息時，就會犯下奇怪的錯誤，無法將自己的專業(yè)知識遷移到新的領(lǐng)域，也缺乏對周圍世界的理解。在最基本的層面上，它們無法像人類那樣從實(shí)例、經(jīng)驗和環(huán)境中學(xué)習(xí)。

教訓(xùn)4：

最初的成功，即企業(yè)和政府機(jī)構(gòu)的廣泛采用，以及大量的公共和私募投資，即使歷時10年或15年，也不一定能創(chuàng)造出一個持久的“新產(chǎn)業(yè)”。泡沫往往會破滅。

在人工智能發(fā)展的起起伏伏中，兩種完全不同的人工智能開發(fā)方法爭奪著學(xué)術(shù)界、公共和私人投資者以及媒體的注意力。四十多年來，基于規(guī)則的符號人工智能（Symbolic AI）方法一直占據(jù)主導(dǎo)地位。但是，人工智能的另一種主要方法——基于實(shí)例、以統(tǒng)計分析為動力的聯(lián)結(jié)主義（connectionism），在20世紀(jì)50年代末和80年代末也曾短暫地受到大力追捧和宣傳。

在聯(lián)結(jié)主義于2012年復(fù)興之前，人工智能的研究與開發(fā)主要由學(xué)術(shù)界推動。

在教條主義（即所謂的“常態(tài)科學(xué)”）盛行的學(xué)術(shù)界，在符號人工智能和聯(lián)結(jié)主義之間總是面臨著二元選擇。例如杰弗里·辛頓（Geoffrey Hinton）在2019年的圖靈講座（Turing Lecture）中就用大部分篇幅講述了他和少數(shù)深度學(xué)習(xí)的信徒在主流人工智能和機(jī)器學(xué)習(xí)學(xué)者手中所經(jīng)受的考驗和磨難。此外，辛頓還對強(qiáng)化學(xué)習(xí)和他在DeepMind的同事們的工作進(jìn)行了駁斥，可謂是典型的學(xué)術(shù)風(fēng)格（即“我的教條才是真正的福音”）。

僅僅幾年后，也就是2023年，DeepMind接管了谷歌的人工智能部門（辛頓也從谷歌離職），這主要是對OpenAI成功的回應(yīng)，后者也將強(qiáng)化學(xué)習(xí)作為其人工智能開發(fā)的一個組成部分。然而，無論是DeepMind還是OpenAI，抑或是眾多致力于發(fā)展AGI的人工智能“獨(dú)角獸”，都沒有跡象表明它們關(guān)注的重點(diǎn)不是當(dāng)今的教條——也就是大規(guī)模語言模型（Large Language Models）。

2012年之后，人工智能的發(fā)展大體上已從學(xué)術(shù)界轉(zhuǎn)向私營部門，但該領(lǐng)域的主要關(guān)注點(diǎn)仍只針對一種方法。

教訓(xùn)5：

不要把所有人工智能“雞蛋”都放在同一個籃子里。

毫無疑問，黃仁勛是一位杰出的首席執(zhí)行官，英偉達(dá)也是一家優(yōu)秀的公司，因為其芯片的并行處理（最初設(shè)計用于高效渲染視頻游戲）非常適合深度學(xué)習(xí)計算，它成功地迅速抓住了十多年前突然出現(xiàn)的人工智能機(jī)遇。即便行情一片大好，但黃仁勛仍然保持著警惕，以至于他在后來的員工演講中，開場白總是“我們公司距離破產(chǎn)只有三十天?！?

除了保持警惕（還記得安迪·格魯夫（Andy Grove）領(lǐng)導(dǎo)下的英特爾嗎？），人工智能過去80年的發(fā)展也可能有助于指導(dǎo)英偉達(dá)度過未來三十天或三十年的起伏。?????????