余福祺：人工智能发展史

人工智能的科技发展史并非一帆风顺。自1950年代创始自今，人工智能曾经历过两次发展低谷，俗称“人工智能寒冬”（AI Winter）。

第一次人工智能寒冬发生于1974年至1980年之间。由于面对电脑硬件内存和处理速度的瓶颈，再加上数据量的缺失，电脑系统在当时无法达到人工智能所希冀的计算性能。最终，各国政府和科研机构对人工智能的拨款，在数学家詹姆斯‧莱特希尔（James Lighthill）向英国政府提交了一份批评人工智能科研成果的《人工智能普查报告》后，急转直下。

人工智能寒冬与春天

第二次的人工智能寒冬，则是在日本第五代电脑科研项目失败的背景下发生。日本在1970年代末至1980年代初探讨重点投资第五代电脑的研发，以期在计算机科技上赶超美国的举动，促使美、英和其他西方国家纷纷跟进加大投资人工智能研究的经费，从而带动了1980年至1987年的人工智能之春（AI Spring）。

可是好景不常，当时盛行的人工智能专家系统（Expert System）不只维护费用居高不下、难以与其他电脑软件和硬体兼容，而且系统还难以升级，不易于使用，只局限少数专家于特定场景的使用。最终，更“平易近人”的台式电脑（Desktop Computer）开始普及化，取代了高度专精于特定领域的专家系统电子计算机（specialised computers for expert system）。

虽然，国际商用机器（IBM）的深蓝超级电脑（Deep Blue）在1997年打败当时的国际象棋世界冠军卡斯帕洛夫，让人工智能再次名噪一时。然而，在2000年代，心态保守的业界人士和学者仍旧担心“人工智能”的标签会吓跑投资者，继续沿用其他名目来称谓他们的人工智能研究项目，如信息学、机器学习、分析学、知识系统、模式识别等等，以避开人们对屡屡不达标、经历过两次寒冬期人工智能的联想。

于2010年前后重新风靡科技界的人工智能风潮，是以人工神经网络（Artificial Neural Network）的分支深度学习（Deep Learning）为主干。深度学习之父杰弗里‧辛顿（Geoffrey Hinton）所领导的多伦多大学团队在2012年的ImageNet电脑视觉算法挑战赛中，以错误率比第二名低10.8%的深度卷积神经网络图像识别系统AlexNet夺得了冠军，引起了各大媒体的注意而做出深入报道，从而带动了人工神经系统和其分支深度学习以及机器学习技术的复兴。

深度学习模型的短处

然而，大数据驱动的深度学习人工智能模型往往极其耗费资源，数据与运算结论之间因果逻辑极其晦涩难明，而且易于遭受对抗攻击（Adversarial Attack）的愚弄而做出笨拙的误判。简而言之，深度学习系统犹如成本高昂的专才，却无法进化成自行融会贯通的通才。

深度学习人工神经系网络统被批评在超强电脑硬件和芯片的加持下，主要以高效、快捷的“蛮力算法”（Brute Force Algorithm）来处理海量被数码化的大数据，而非能够见微知著、举一反三的“通识智能”。

奈何在现阶段，市面上并没有其他技术能够达到深度学习在个别专精领域的运算精准度。深度学习科技的运用也已经广泛地介入各国的公共领域，如医疗、教育、金融和执法等，以及普罗大众日常生活的各个层面。商界、科技界和学界似乎没有转换科研跑道的打算，反而尝试以效能更高、更节源、更细小的AI芯片来弥补或抵消深度学习耗费资源的短处。

另外，科技巨擘如IBM、面子书、谷歌和微软等也积极开发审计和解释深度学习运算结论的辅助程序，来解答人们对于深度学习驱动系统之结论的疑窦。

更早之前，有科研人员在2016年发表的学术论文，尝试从学理的角度来解释人工神经网络的演算逻辑其实更接近于人类解释和观测大自然的物理原理，而非数学函数的可能性无止境的纯数学逻辑。

科技发展须按部就班

个人认为以上所述，都是科技界、学界和商界为人工神经网络技术保温，争取支持与永续投资的努力。

人工智能70年来跌宕起伏的发展历程揭示了，科技的竞逐犹如商品的行销，需要媒体宣传保温，更需要政府和私人界注资扶持。阿玛拉定律（Amara's Law）所阐述的科技发展原理──“人们惯于高估科技的短期回报，低估科技的长期效益”，或许能够指引我们以务实的态度，按部就班地规划新兴科技或复兴科技的发展。