原文：
www.kdnuggets.com/2018/02/current-hype-cycle-artificial-intelligence.html
评论
前言
每个十年似乎都有其技术流行词：1980 年代有个人计算机；1990 年代有互联网和全球网页；2000 年代有智能手机和社交媒体；而在本十年则有人工智能（AI）和机器学习。然而，人工智能领域已有 67 年历史，这是五篇系列文章中的第三篇，其中：
-
本文讨论了人工智能当前的炒作周期。
-
第五篇文章讨论了 2018-2035 年可能对大脑、思想和机器的影响
时间线
介绍
在过去十年中，人工智能（AI）领域取得了显著进展。如[141]中所述，现在存在超过二十个领域，其中人工智能程序的表现至少与人类一样好（如果不是更好）。这些进展导致了人工智能领域的巨大兴奋，这与 1956-1973 年第一次人工智能炒作周期的繁荣阶段极为相似[56]。投资者正在为基于人工智能的研究和初创公司投资数十亿美元[143,144,145]，而未来学家们也开始对强大人工智能的出现做出令人担忧的预测[149,150,151,152]。许多人质疑人类在就业市场中的未来，声称到 2033 年，美国 47%的工作可能面临被自动化取代的高风险[146]，有些人甚至表示人工智能可能会导致人类的终结[141]。
在这篇文章中，我们认为人工智能的短期效果不太可能如这些声称的那样明显。导致四十多年前第一次人工智能繁荣阶段崩溃的一些障碍至今仍未解决，而且似乎需要严肃的理论进展才能克服这些障碍。此外，当前的基础设施不适合大规模地整合人工智能程序，这意味着人工智能系统不太可能很快大规模取代人类。因此，上述预测在未来十五年内不太可能实现，投资者可能无法从他们最近在人工智能领域的投资中获得预期的回报。
大胆的期望
最近对人工智能的炒作表现为两种形式：引人注目的预测和巨额投资，以下将讨论这两方面。
2035 年人工智能的力量预测
过去几年里，人们越来越相信人工智能是一个无尽的、神秘的力量，能够（或即将能够）超越人类并解决任何问题。例如，雷·库兹韦尔预测，“人工智能将在大约 2029 年达到人类水平，”[150]，而格雷·斯科特则表示，“没有理由也没有办法让人类大脑在 2035 年之前赶上人工智能机器。”[152]。埃隆·马斯克表达了类似但更令人不安的情绪，他写道，“人工智能的进步速度……极其迅猛……发生严重危险事件的风险在五年时间框架内，最多十年，”[149]，并进一步表示，“通过人工智能我们正在召唤恶魔”[152]。
人工智能将在大约 2029 年达到人类水平——雷·库兹韦尔，2014 年
尽管有人认为马斯克的视野过于极端，但研究人员仍然对强人工智能可能对人类未来的就业市场产生重大影响感到担忧。例如，2013 年，两位牛津大学教授弗雷和奥斯本发表了一篇名为[146]“就业的未来：工作岗位对计算机化的敏感程度如何？”的文章，试图分析未来二十年内可能计算机化的就业市场比例。他们估计，“47%的美国总就业属于高风险类别，意味着这些相关职业可能在未确定的几年内有可能实现自动化，也许在十年或二十年内。”继这项工作之后，许多咨询公司和智库撰写了若干篇预测，认为在未来二十年内，由于自动化，20%到 40%的工作岗位将会消失[147,148]。这些预测在许多企业的董事会和各国政府部门中引起了波澜。由于预计人工智能系统将把美国的劳动成本降低十倍，这些预测表明，企业通过雇佣人工智能程序而不是人类，可能会变得更加盈利；然而，这可能导致失业率达到惊人的比例，造成全球经济巨大的混乱。
初创企业的爆炸性增长和巨额投资
根据麦肯锡公司数据，2016 年非科技公司在人工智能上的支出介于 260 亿至 390 亿美元之间，科技公司在人工智能上的支出介于 200 亿至 300 亿美元之间[143]。类似地，基于人工智能的初创公司从 2012 年开始爆炸式增长，至今仍在持续。2017 年 12 月，AngelList（一个将初创公司与天使投资者和求职者连接起来的网站）列出了 3,792 家人工智能初创公司；2,592 名相关天使投资者；以及 2,521 个相关职位空缺。根据 Pitchbook，2007 年风险投资公司在人工智能初创公司上投资了 2.85 亿美元，2015 年为 40 亿美元，2016 年为 54 亿美元，2017 年 1 月至 10 月为 76 亿美元；2007 年至 2017 年间，风险投资在人工智能上的总投资超过 250 亿美元[144]。根据 CBInsights，仅 2016 年就有 658 家人工智能初创公司获得了资金，并积极推进他们的商业计划[145]。事实上，如今获得风险投资的业务计划大多数需要至少提到一些人工智能内容。
图 1：人工智能初创公司的风险投资（来源：Pitchbook）
第一次人工智能炒作周期 – 快速回顾
目前人工智能的炒作非常类似于 1956 年至 1973 年第一次人工智能炒作周期的繁荣阶段（在[56]中调查，这是本系列的第一篇文章）。事实上，继几项显著的人工智能进展（例如第一个自学程序——玩跳棋的程序，以及神经网络的引入[5,14]）之后，政府机构和研究组织迅速向人工智能研究投资了大量资金[40,41,42]。在这种受欢迎程度的推动下，人工智能研究人员也迅速做出大胆的预测，预测强大的人工智能的出现。例如，1961 年，马文·明斯基写道：“在我们的有生之年，机器可能会在一般智能方面超过我们”[9]。
然而，这种兴奋并没有持续太久。到 1970 年代初，当人工智能的期望没有实现时，失望的投资者撤回了他们的资金；这导致了人工智能萧条期，那时人工智能的研究变得缓慢，甚至“人工智能”这个术语也被冷落。回顾起来，人工智能繁荣阶段的终结可以归因于以下两个主要障碍：
有限且昂贵的计算能力
1970 年代的计算能力非常昂贵，也不足以模仿人脑。例如，创建一个与人脑大小相当的人工神经网络（ANN）在 1974 年将消耗整个美国的 GDP[56]。
人类思维之谜
科学家们并不了解人脑的功能，尤其对创造力、推理和幽默背后的神经机制知之甚少。对机器学习程序应模仿什么的缺乏理解，对 AI 理论的发展构成了重大问题[38]。正如麻省理工学院教授休伯特·德雷福斯简洁地解释的那样，“这些程序缺乏四岁小孩的直觉常识，”而且没有人知道如何继续下去[154]。
上述第一个难题可以归类为机械性问题，而第二个则为概念性问题；这两者共同导致了四十年前第一个 AI 热潮的终结。到 1982 年，明斯基自己推翻了之前的乐观观点，称“我认为 AI 问题是科学史上最困难的问题之一”[155]。
图 2：人脑，其功能尚未完全理解
没有概念性突破
显然，尽管在 2011 年 IBM Watson 在《Jeopardy!》游戏中击败人类并非普通的壮举，但它只是对《Jeopardy!》中的各种问题提供了事实性回答。有关 IBM Watson 的一些后续声明和广告暗示它可以帮助解决一些更困难的人类问题（例如，帮助癌症研究和寻找替代疗法）；然而，与 M. D. Anderson 癌症中心和其他医院的后续工作表明，它远未达到这样的期望[156, 157]。事实上，今天没有任何 AI 系统接近于 HAL 9000，一个在电影《2001 太空漫游》中被描绘为反派的人工智能计算机。
在过去四十年中，发生的实质性进展主要集中在上述第一个（机械）问题上。这里的促进原则是摩尔定律，它预测电子电路中的晶体管数量应该每两年大约翻一番；因此，自 1970 年代以来，计算的成本和速度提高了 1.1 百万倍[114,115,117]。这导致了普及且便宜的硬件和连接，使得几十年前在第一个炒作周期中发明的一些理论进展（如反向传播算法）和一些新技术在实践中表现得显著更好，主要通过繁琐的启发式应用和工程技能。
然而，仍然缺乏的是一个概念上的突破，以便为上述第二个问题提供见解：我们仍然不确定如何创建真正模仿智能生命的机器，以及如何赋予它“直觉”或“常识”或执行多项任务的能力（如人类）。这导致了即使是最现代的 AI 程序中也存在几个明显的缺陷（详见下文），使得它们在大规模使用中不具实用性。
任何足够先进的技术都与魔法无异 – 阿瑟·C·克拉克，1973
当前深度学习网络不够稳健
2015 年，Nguyen、Yosinki 和 Clune 检查了领先的图像识别深度神经网络是否容易出现误报 [158]。他们通过扰动模式生成了随机图像，并将原始模式及其变异副本展示给这些神经网络（这些网络使用了来自 ImageNet 的标记数据进行训练）。尽管这些扰动模式（其中八个如图 3 所示）本质上毫无意义，但这些网络以超过 99%的信心错误地将其识别为皇帝企鹅、海星等 [158]。
图 3：来源 – Nguyen、Yosinki 和 Clune 的研究文章 [158]
另一个研究小组展示了，通过佩戴某些迷幻眼镜，普通人可以欺骗面部识别系统，使其认为他们是名人；这将允许人们互相冒充而不被这种系统检测到 [159,160]。类似地，2017 年的研究人员在停车标志上贴了标签，这导致 ANN 将其误分类，这可能对自动驾驶汽车产生严重后果 [161]。在这些 AI 系统变得足够强大，不会被这些干扰欺骗之前，行业广泛采用它们将是不可行的 [162]。
图 4：来源 – 研究文章 [159] 和 [161]
机器学习系统仍然低效
机器学习算法需要数千到数百万张猫（以及非猫）的图片，才能开始准确区分它们。如果 AI 系统在与过去情况大相径庭的环境中运行（例如，由于股市崩盘），这可能会成为一个重大问题；因为 AI 系统可能没有足够大的数据集来进行充分训练，可能会导致失败。
深度学习网络难以改进
尽管深度学习算法有时能产生优越的结果，但它们通常是“黑箱”，即使是研究人员目前也无法建立一个理论框架来理解它们如何或为什么给出它们的答案。例如，Dudley 和他在 Mt. Sinai 医院的同事们建立的 Deep Patient 程序可以在很大程度上预测精神分裂症的发作，但 Dudley 遗憾地表示：“我们可以建立这些模型，但我们不知道它们如何工作” [109,141]。
由于我们不了解 AI 程序处理的数据与其最终回答之间的直接因果关系，系统地改进 AI 程序仍然是一个严重的复杂问题，通常需要通过试错法来完成。由于同样的原因，如果解决方案出现问题，修复起来也很困难[163,171]。考虑到这些问题以及人类被教导“治疗”原因（而非症状）的事实，许多行业在短期内可能难以依赖深度学习程序。例如，医生不太可能仅凭程序预测患者很快会变得精神分裂就给患者开药。确实，如果程序的预测不准确，而患者因不适当用药的副作用而生病，医生可能会面临指责，他或她唯一的辩护是对 AI 系统的信任是错误的。
摩尔定律可能在十年内终结
如前所述，摩尔定律预测电路中晶体管数量的指数增长，是我们在 AI 领域取得进展的最有影响力的原因。如今晶体管的尺寸最多可以减少到理论限制的一硅原子的 4,900 倍。在 2015 年，摩尔本人曾说：“我看到摩尔定律在接下来的十年内可能会消亡”[117]。因此，在摩尔定律消亡之前是否会开发出强大的通用 AI 系统尚不清楚。
AI 系统对人类社会的短期影响
不适应的基础设施
即使之前提到的 AI 系统问题得到解决，以下原因表明，企业、组织和政府的基础设施仍需付出大量努力以广泛地整合 AI 程序：
-
现代 AI 算法通常需要大量（几千个核心）的处理能力。然而，只有极少数组织在单个集群中安装了超过 100 个核心的并行计算基础设施，而安装更大规模的系统则既耗时又昂贵。原则上，组织可以将其数据发送到技术公司（如亚马逊云服务或谷歌云），这些公司可以提供更大规模的并行和分布式计算。然而，由于风险（例如数据泄露）和合规原因，许多组织无法使用这些服务。
-
大型企业中的数据通常分布在成千上万的不同数据库和位置；这些数据大多数是“嘈杂的”，如果人工智能系统使用这些数据的当前形式，很可能会失败。清理和协调数据是一项艰巨且耗时的任务，数据工程目前是部署人工智能系统的最大瓶颈，占用了超过 60%的时间和成本。大多数组织尚未开始大规模清理数据，而那些已经开始的组织预计需要两到五年才能完成。
-
上游或下游的变化（例如，法规或商业环境的变化）可能迫使人工智能系统重新配置、重新训练、重新验证和重新测试；如前所述，这可能会由于人工智能程序缺乏新训练数据而导致严重问题。
图 5：协调大数据就像解读各种不同的拼图块
短期人类工作的未来
尽管 Frey 和 Osborne 预测“47%的美国总就业属于高风险类别，……也许在十年或二十年内”[146]，但大型科技公司的研究部门、战略公司和智库长期以来都低估了——至少低估了两倍——具体技术进步对人类社会产生影响所需的时间。原因在于，这些分析往往未能解决一个关键点：全球经济并非无摩擦——变化需要时间。人类对现代技术的适应很快，如果技术有助于他们，但如果技术对他们造成伤害，他们则非常抗拒，这种现象难以量化。
例如，在过去四十年里，通过外包，已经有了显著降低劳动成本的机会——在高工资国家降低了四倍。自 1979 年起，美国开始将制造业工作外包到工资较低的国家，但截至 2016 年，由于外包，美国累计损失的制造业工作岗位不到 800 万个[168]。类似地，美国的服务业工作外包始于 1990 年代，但美国累计损失了约 500 万个此类岗位。因此，由外包导致的工作岗位损失总计约为 1300 万个，占美国 1.61 亿劳动人口的 8%左右。如果全球经济是无摩擦的，那么根据 Frey 和 Osborne 的预测，47%的工作岗位本应被外包所取代。事实是，在过去 20 到 40 年里这种情况并没有发生，这对未来 15 年由于人工智能造成类似情况的说法提出了质疑，特别是在考虑到上述现代基础设施在纳入人工智能程序时的不足之处时。
此外，除非出现重大的概念性突破，否则之前提到的 AI 程序的缺陷也使得在未来十五年内自动化导致显著的失业不太可能。确实，AI 系统在其所学的领域表现很好，但如果其规则被微小扰动则很快会失败。如果他们的工作面临威胁，人们可以轻易利用这一点，例如，如果使用自动驾驶软件，出租车司机可能会与他人勾结，植入导致事故的恶意软件（或在停止标志上贴上标签，如前所述）。类似地，人工神经网络（ANNs）可以通过持续变异的恶意软件[161,162]攻击其防御系统被击败；不法分子可以利用这一点向 ANN 的训练集注入虚假数据，从而干扰 AI 系统的学习过程。尽管这些活动如果 AI 系统广泛使用肯定是非法的，但这种非法行为的风险和后果可能过于严重，以至于大规模 AI 的引入难以获得公众支持。
最后值得提到的一点是，未来十五年将会创造出额外的工作岗位，这些岗位在 Frey 和 Osborne 的分析[146]中并未考虑，也没有在随后的任何分析中考虑过[147,148]。
投资回报
由于上述原因，AI 系统的采用和实施可能比投资者预期的要慢。因此，不清楚融资者是否能从他们在过去十年中总计超过 250 亿美元的 AI 投资中获得回报，尤其是只有 11 家获得融资的私营公司市值超过 10 亿美元。事实上，自 2012 年以来，在 70 宗 AI 并购交易中，75%的交易价格低于 5000 万美元，且是“收购人才”（收购目的是人才而非商业表现）；大多数由投资者资助的公司筹集不到 1000 万美元[169]。至少目前来看，短期内小额投资于 AI 可能会带来不错但不卓越的回报。然而，这与标准投资模型的建议大相径庭，该模型倡导投资者投入更多资金，并在 4-7 年内获得 8-14 倍的回报。
结论
过去几年来，人工智能领域开始进入一个新的炒作周期。最近在该领域的进展（见于[141]）引起了研究人员和公众的兴趣，他们开始对强大人工智能的出现做出令人担忧的预测，同时金融家们也开始在人工智能研究和初创公司上投入巨额资金。这让人联想到四十五年前的第一次人工智能热潮。那时，人工智能领域也出现了许多显著的进展、大胆的预测和巨额的投资。最终，这一热潮阶段崩溃了，主要有两个原因。第一个是机械性的，因 1970 年代计算能力有限且成本高昂；第二个是概念性的，因缺乏对“直觉”和“人类思维”的理解，以及如何制造能模仿人类的计算机。
大部分由于摩尔定律，首个问题已得到实质性解决；在过去四十年中，硬件的成本和性能提高了超过一百万倍，使得能够使用普及且经济实惠的硬件来开发更好的人工智能程序。然而，第二个问题仍未解决。此外，即便是最现代的人工智能程序也存在主要缺陷，仍对扰动敏感、学习效率低且难以改进。即使这些问题得到解决，目前的商业和政府基础设施似乎也难以快速大规模地整合人工智能程序。因此，研究人员、投资者和公众对人工智能的大胆期望在接下来的十五年内实现的可能性不大。
尽管人工智能领域的许多兴奋点导致了显著的发展[141]，但许多情况似乎也基于“非理性繁荣”[52]而非事实。我们似乎仍然需要重大突破，才能使人工智能系统真正模仿智能生命。正如约翰·麦卡锡在 1977 年指出的，创造类似人类的人工智能计算机将需要“概念突破”，因为“你需要的是 1.7 个爱因斯坦和 0.3 个曼哈顿计划，你首先需要的是爱因斯坦。我相信这需要 5 到 500 年”[43]。他的说法在四十多年后的今天似乎依然适用。
图 6：啮齿动物大脑的神经元映射（来源：[176]）
然而，研究人员仍在开辟可能导致这些突破的路径。例如，由于人工神经网络（ANNs）和强化学习系统受到神经科学的启发，一些学者认为新的概念性见解可能需要通过生物学、数学和计算机科学的跨学科研究来实现。事实上，MICRoNS（来自皮层网络的机器智能）项目首次尝试对一个大约拥有 100,000 个神经元和约十亿个突触的啮齿动物大脑进行映射。美国政府（通过 IARPA）资助了这一数亿美元的研究计划，哈佛大学、普林斯顿大学、贝勒医学院和艾伦人工智能研究所的神经科学家和计算机科学家正在合作以实现成功[170]。MICRoNS 的计算目标包括学习执行复杂信息处理任务的能力，如一-shot 学习、无监督聚类和场景解析，最终目标是达到类似人类的熟练程度。如果成功，这个项目可能会为下一代 AI 系统奠定基础。
MICRoNS（来自皮层网络的机器智能）项目首次尝试对一个大约拥有 100,000 个神经元和约十亿个突触的啮齿动物大脑进行映射。如果成功，这个项目可能会为下一代 AI 系统奠定基础。
简介： 阿洛克·阿加瓦尔博士，是Scry Analytics, Inc的首席执行官和首席数据科学家。他曾在 IBM 研究院约克镇工作，创办了 IBM 印度研究实验室，并创立了 Evalueserve，该公司全球雇佣了超过 3,000 人。他于 2014 年创办了 Scry Analytics。
原文。经授权转载。
相关：
-
AI 的诞生与首个 AI 炒作周期
-
1983-2010 年 AI 复兴
-
AI 已与人类竞争的领域
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的 IT 需求