楊強（香港科技大學計算機系主任，華爲諾亞方舟實驗室主任）：人工智能的冬天
在2015年的冬季達沃斯會議上，一個著名的中國企業家在中國之夜的聚會上正好坐在我對面。 他早上的時候就坐在我們有關人工智能演講的會場裏。看來， 他仍是意猶未盡，因爲他問我問題的時候，眼睛好像在放着光：“我們離人工智能到底有多遠？計算機究竟會不會做夢呢？”
的確，計算機有沒有智能和情感， 會不會做夢，能不能有一天與人類作對？ 這些貌似科幻的問題在達沃斯這個企業家和政治家們的講壇上，也成了今年達沃斯會議的一個非正式主題。 今天，我們打開報紙，刷下微信朋友圈，會發現突然之間，有關人工智能的議題已然成爲各類媒體的新寵。人工智能的一些業內人士也在熱切的展望未來，把人工智能的火焰燒得更旺，“心潮逐浪高” 。在前些日子的百度BigTalk大會上，人工智能的大咖吳恩達教授更說道： “結合大數據，新的人工智能的算法越來越好， 我們可以第一次在未來人工智能虛擬圈裏完成整個循環。”
實際上，人類對人工智能感興趣並不是今天才有的。 早在1980年代， 我在美國留學的時候， 曾經問過一個剛畢業，將要去做教授的同學：計算機這麼多的領域，我應該選擇哪個方向做研究呢？“人工智能，人工智能！”他興奮的說，“我們今天有各種各樣的科學實驗手段，帶我們到太空去研究宇宙，帶我們到深海去探測地球。要探索物質我們有強子對撞機，要了解人類的生命我們有生物學。唯一做不到的，就是把我們自己的腦袋打開，看一看裏面到底是怎麼工作的，並讓機器具有人的智能究！”聽他說着，我也激動起來。對啊， 在物理學已經有了牛頓和愛因斯坦，在生物學裏我們也有了發現DNA的沃森和克里克， 但對如何讓機器人思維，學習知識的的這些問題，我們卻真的剛剛開始涉及。如果能做一個這方面的先驅，那是這一生當中多麼爽的一件事啊！我的博士導師的後來話和這位學長的話一樣令人振奮：“我們計算機科學家需要了解什麼，不用去等別人發明很多工具以後再開始。 我們的辦法， 就是自己把這些工具做出來！”
一個歷史事件就發生在1956年。在那個遙遠而炎熱的夏天，一小羣MIT等學校的的年輕人聚集在美國麻州的達特茅斯學院，開始暢想人工智能的未來。 可以想像他們一邊搖着長髮聽着披頭士的歌，一邊暢想着人工智能這回事兒，都覺得三個月應該足可以搞定人工智能這回事兒了。他們發揚了MIT說幹就幹的精神，現場就把人工智能分成了幾大分支。有一羣人就說，機器人的智能一定要解決視覺的問題，所以“計算機視覺”這個領域就由此產生了。另外幾個人說，智能的計算機需要理解人的語言；因此，“自然語言處理”這個方向誕生了。還有一羣人說，智能的計算機需要有一個強大推理的能力，因爲邏輯思維很重要。因此他們設計了一個新的學科“智能規劃”，研究人在面臨的複雜問題的時候如何能夠找到一個巧妙的方法來解決它。比如，計算機可以下象棋或者打橋牌嗎？
當時大家信心滿滿，認爲人工智能應該在不久的將來就會實現。比方說，在1962年的時候卡內基.梅隴大學（CMU）的西蒙博士，經濟學的諾貝爾獎獲得者，就曾斷言：“二十年內，計算機將完成人能做到的一切工作。”在1970年左右，MIT的大師Minsky博士說：“在三到八年的時間裏，我們將有一臺具有人類平均智能的計算機。”但不幸的是，雖然他們都聰明異常，他們都錯了：因爲直到今天，六十年後，我們也沒有做出一臺真正具有人類平均智能的計算機。這是爲什麼呢？
人工智能的成功， 和其他學科一樣，是需要一些先決條件的。 第一個條件就是高效和廉價的計算能力。 這個條件在少數人纔能有一個小的可憐的計算機的1960，1970年代，是沒有可能實現的。 而這個條件後來被一個公司率先實現，這個公司就是IBM。IBM的決策者們聯合CMU大學的研究人員， 開始意識到自己掌握着人工智能的第一把鑰匙：高性能的計算機處理器。他們需要選擇的是一個非常矚目的領域，而且通過被人們普遍認爲是隻有智慧的人類才獨有的某個領域來展現。這個被選中的領域就是國際象棋！
在下象棋這個領域裏，當時的世界冠軍是蘇聯的Kasparov。當他接到IBM深藍團隊的邀請時，他的第一反應是嗤之以鼻。但是計算機憑着大量的棋譜數據和計算機在所有可能的棋局空間飛速探索的功能，可以看到人類所不能看到的很遠的結局，從而給出正確的決策。當Kasparov發現情況不對時，已經晚了！ 在Kasparov輸給計算機之後， 有一個報紙的漫畫這樣寫到：Kasparov只有一個辦法，可以一步就可以擊敗深藍：就是把電源線拔掉。
這樣，具有大規模超強計算能力IBM深藍計算機首次擊敗一個血肉之軀的世界大師。這裏的一個訣竅是，是IBM聚集了大量的二流國際象棋大師，藉以把所有可能遇到的棋局進行分析， 再把具有這樣分析知識的計算機來和這位世界冠軍比賽。 結果發現，也許一個一流的大師可以戰勝十個二流的大師， 但他缺下不過200個二流大師的總和。 高性能計算就是彙集這200個大師智慧的中樞。
繼象棋大賽之後，人工智能的“成果”一個接一個低出現：手寫識別，人臉識別，自動推理，自動規劃，自動控制機器人。 在一片媒體和工業，政府的掌聲當中，計算機科學家和其他的人們一樣，被勝利衝昏了頭腦，天真地認爲，人工智能的成功真的離今天不遠了。 日本政府也收到人工智能科學家的鼓動，舉全國之力，發展“第五代計算機。”可以說， 人們對人工智能的高度期待，正是像我們現在正在經歷的那樣狂熱到非理性， 只是那一次是發生在30多年前。
人工智能既然如此強大，工業屆的人們開始設想工業 n.0 的時代。在1980年代的人們大都認爲，計算機再加上“專家”可以形成無比強大的所謂“專家系統，”直接取代人類。 通過知識工程，人工智能可以把這些專家們頭腦裏的智慧放到計算機裏，並通過邏輯推理加以無限擴展。這樣，那些需要大量時間訓練的職業， 如醫生，律師，工程師等都可以由這些專家系統來擔任。 我有一個做文科的同學，她的畢業論文題目就是：在一個以專家系統爲基礎的社會裏，人們可能也不需要去工作了， 那麼，人類應該怎樣打發時間呢？ 會不會我們每天都可以去打網球休假？ 也有一些人開始擔心： 如果計算機賦予了人工智能， 會不會把人們的工作偷走？ 人類會不會變懶？ 總統會不會是個機器人？
但是很快，非理性的狂歡終於付出了它應付的代價。工業屆的專家系統的應用者也是要有KPI的。 人們很快就發現，雖然手裏有非常強大的專家系統，但它畢竟只是一個外殼兒。專家系統所需要的知識就像天上的雲，看得見但是抓不住。是的， 專家們都很牛，知道如何解決複雜的問題，但他們卻不知道自己爲什麼牛，是如何解決問題的。 不信的話大家也可以試一試：你看到一幅你喜歡的油畫你會很快樂，但卻不能說清楚究竟你喜歡這些油畫的什麼特點，至少不能一條一條完整地寫下來。所以，專家系統就像沒有汽油的寶馬，雖然華貴，但是沒法用。
記得當時“壓載駱駝身上的最後一根稻草”來自美國軍方在1980年代美國和伊朗一次海灣戰爭。有一天，一個裝有專家系統的導彈驅逐艦錯把一架波音747飛識別成F14戰鬥機，進而自行決定越過艦長髮射兩枚導彈。 這造成了三百多平民死亡的慘劇。美國各家媒體立馬對這個時間的罪魁禍首進行了調查，專家系統也被蒙上了污點。這個事兒直到今天都被列爲專家系統嚴重失敗的一個例子。
此後的形勢便江河日下。 到了1980年代末，人工智能和專家系統所產生出來的效益遠遠不如當初人們所預期的那樣好，就像一個遠未達到評論員預期的股票，被產業界所賣空。人工智能這個領域也變成了學生們遠離的對象。當時學人工智能的學生，畢業以後其本上都找不到工作，就好像在街上遇到熟人都不太好意思去打招呼。人工智能在1990年代的初期也就陷入了一個歷史的低點。這個低點被人們成爲“人工智能的冬天。”
從1980年到2010年的這二十年間，人工智能仍然處於早春的峭寒。 這個時候最火的學科是網絡和數據庫， 而最好的學生也一般不願意進入到人工智能的領域來，因爲他們畢業以後很可能是找不到工作的。但是恰恰在這段安靜的時間，有些人在悄悄的辛勤耕耘探索。他們並沒有被上一次的風暴所打擊，而是在有限的資源條件下，分析以往的錯誤，尋找新的路徑。
這裏我要開始說人工智能成功的第二個條件。這個條件直到1995年以後才漸漸地得以實現。這個條件就是大數據。
在下一個十年，周邊的條件也在悄悄地發生變化。 一個是互聯網的快速普及，使得大家更加容易地進行溝通，能夠把不同的數據匯聚在一起，形成規模效應。 另一個是智能終端的飛速普及，使得我們每個人都可以帶着一個數碼相機和錄音器。這兩種技術的普及使得各種不同的數據像寒冰化解的春水，流入大數據的海洋。
在人工智能邁入五十不惑之年的時候，這些潛移默化的革新終於帶來了新的氣象：IBM的Watson團隊利用網上的知識庫數據和大量的問答題語料，做出了IBM Watson 系統，一舉擊敗電視問答比賽的冠軍；Siri強大的問答功能，正在逐步取代iPhone的鍵盤做爲信息輸入的端口；Google大腦的圖像識別程序利用深度學習正在趕超人的圖像識別能力。
語音識別和自然語言處理的技術也日新月異。這些種種跡象爲人工智能帶來了第二春： 各大公司爭相建立人工智能實驗室，展示他們最新的研究成果。文科生和未來學的粉絲們也像冬眠後的小鳥，開始了春天裏的歌唱。也有人開始暢想機器人何時能取代人類，還有人擔心人工智能會否與人類做對，讓人類變傻？ 人類也因此完成了又一次循環。當未來學家大行其道的時候，我們知道，人工智能的又一個夏天來到了。
但是，問題又來了：夏天來了， 冬天還會遠嗎？
最近看的一本書，說“未來”雖然不確定，但有兩件事我們事知道的： 第一是“未來”和現在肯定不一樣； 第二就是“未來”肯定是從現在開始的。
我們如果真的是處在人工智能的夏天，就應該找一個樹蔭，冷靜地來分析一下：現在人工智能所取得的成就還都集中在人和計算機的接口：語音，視覺，文字。然而，人類智慧的最高表現卻是抽象的推理和聯想，可以讓我們從一個事件關聯到另外一個事件，從一種知識遷移到另外一種知識。以上的這些所謂的“強人工智能”的能力，是不是由衆多的單一方向的“弱人工智能”的大量疊加可以得到的呢？我們尚不得而知。 如今，計算機的這種跨領域的學習能力還遠遠沒有得到實現，甚至連知識殿堂的入口都不知道在哪裏。糾其主因，是我們至今的計算能力還不夠強大，在這些領域還是無法得到全面反應人類思維的大數據。我們的學習算法還需要無數的大數據來提供人工智能機器運轉的“燃料。” 而這些大數據的準備工作還是需要昂貴的人工來提供， 並不能形成滾雪球式的規模效應。這些缺陷很可能阻礙我們得到真正智能的工具，使得吳恩達博士所說的“虛擬閉環”有很大的缺口。
這些缺口的致命之處很可像我們在30年前的那個冬天面對沒有汽油的寶馬所帶來的尷尬：只是今天在我們面前的是一輛漂亮的特斯拉，但卻怎麼也找不到加電站！
我們會不會在人工智能的集體狂歡中忽略了最本質得東西， 以至於不小心穿越到30多年前的那個人工智能的冬天？