2016年，随着谷歌围棋机器人AlphaGo的一战成名，人工智能一词开始霸占了大量媒体版面和大众思想，从国家到企业层面，随处都能见到人工智能的身影。
随着经济增速的放缓以及成本的退潮，人工智能的“寒冬论”又开始甚嚣尘上，“一哄而上，一哄而散”带来了一地鸡毛，人工智能的未来，究竟何去何从？

人工智能历史会重演吗？

AI之父、图灵奖得到者约翰·麦卡锡在1956年的达特茅斯夏季研讨会缔造“人工智能”一词时，曾有不同的声音。
在英语中，Artificial（人工、人造）一词略带一丝贬义，如人造革、人造丝等，暗藏着一点“假”的意思，当时英国的一些学者更乐意利用“思考机器”的提法。
阿兰·图灵凭借他的“迷一样的机器”enigma破解了德军密码，大大加速了二战结束的进程，减少了上千万人的伤亡，居功至伟，他提出了著名问题，机器可以思考吗？

从这个角度看，实在人工智能这个术语还是贴切的。
本日，AI的核心支柱——机器学习并不是在进行主动的学习，而只是在被“演习”，更实质的来说，只是通过探求最小偏差值的方法来进行参数拟合（Fitting），并不具有任何意识。
在小数据等须要人类认知能力的领域，本日的AI就连5岁的孩子都比不上，例如，儿童在看到几张照片后，就能轻松的学习到“猫”的观点，而“前辈的”卷积神经网络须要对大量的标签数据进行学习才能完成类似的任务。
即便如是，得益于算法的改进和指数增长的打算能力，在特定的场景中，AI已经展现出令人惊叹的能力，并且对部分行业的创新产生了关键影响。

麦卡锡对人工智能的定义是：制造智能机器的科学与工程。
在人工智能出身后的十多年里，科学家们致力于通过模拟人的思维来实现智能。
本日的人工智能算法，例如神经网络、知识图谱和对话机器人的雏形在那时都已经涌现（分别对应为，感知机：可以完成大略视觉分辨任务；DENDRAL：输入质谱仪数据，输出给定物质的化学构造；ELIZA：用于生理治疗的谈天机器人），由于受当时历史条件所限，AI能做的事情很有限，大众对AI前景不切实际的乐不雅观和AI所承诺的能力均未能兑现，引发七十年代长达十年的首次AI寒冬。

80年代初，日本成为了当时环球第二大经济体，在技能上也积极钻营天下领先的地位，提出了“五代机”（第五代打算机，前四代打算机分代表性技能别是：电子管、晶体管、大规模集成电路和超大规模集成电路）的设想，英美等政府也被迫跟进，对干系技能进行了大量投资，同时，机器学习的神经网络算法也涌现了两项打破。
基于物理学能量观点的霍普费尔德网络被提出；在本日深度学习中仍旧具有主要浸染的“反向传播”的方法被广泛运用于神经网络的参数演习中，取得了不错的效果，并成为今年（2019）图灵奖得主JefferyHinton获奖的主要依据之一；90年代初，时任贝尔实验室卖力人的杨力昆（YannLeCun，纽约大学教授，2019年图灵奖得主，美国工程院院士，原Facebook AI研究院主任）实现了商用的手写数字识别，美国有10%的支票的识别利用了该算法，1992年，采取大略神经网络掌握的卡内基梅隆大学的首辆无人驾驶的装甲车也上路了。
只管如此，但是受制与当时的打算力和数据量，人工智能逐渐埋没于快速崛起的互联网的夺目光芒中，但是，这个阶段的理论储备为本日的AI发展供应了主要的源泉。

前两次AI的繁荣具有两个特点，一是从参与者来看，紧张政府投资主导，企业参与度低，落地运用极为有限；二是技能上均因此逻辑推理为核心的符号主义霸占了主导地位，神经网络学派的发展长期被压抑，客不雅观上，神经网络所须要的数据量和算力条件当时也不成熟，AI的紧张形式也因此表现为确定的推理，难以处理现实中碰着的大量不愿定性问题。

当下处在第三波人工智能浪潮之上

互联网30年的快速发展，社交网络、物联网和云打算所产生的海量数据为本轮人工智能的繁荣供应了燃料。
摩尔定律驱动算力在过去30年提升了百万倍，为数据驱动的人工智能供应了强劲的动力。
2006年，加拿大科学家Geoffrey Hinton教授等人一年之内连发三篇重量级论文，标志着由深度学习时期的开启。
自2016年AlphaGo引爆了媒体以来，AI得到全体社会个关注，在B端；金融、零售和快消品等行业利用AI助力变现与创新，已经产生了巨大的代价；在C端，人脸识别、智能音箱等个人助手已经司空见惯。
在科学领域，无论是蛋白质折叠研究还是绘制黑洞的视觉图像，数据密集型研究已经彻底改变了很多学科的研究方法，乃至也渗透到了人文社科领域的方方面面。

与前两次人工智能浪潮不同，很多和业务紧密结合的AI运用处景已经或正在落地，企业成为了最紧张的推动者。
技能上，深度学习作为机器学习的一种，放弃了之前符号主义的机器推理，而采取了基于概率的范式，使得运用处景得以大幅度的拓展。
符号主义则以知识图谱的形式延续下来，成为新一代搜索引擎的核心技能，本日，你在搜索引擎中输入一个问题，比如：姚明的妻子是谁？系统会直接返回结果“叶莉”，而不是连篇累牍的相似链接。

同时，繁荣之下的局限也是显而易见的。
首先，深度学习技能上缺少理论的支撑，目前是模型的构造和演习是履历主义主导，先有蒸汽机，后有热动力学；先有飞机后有空气动力学；先有望远镜，后有光学，实践先于理论是人类认识天下的主要路子，未来深度学习理论的出身将能减少算法对算力和数据的依赖；其次，也缺少打破性的算法思想。
深度学习中大红大紫的卷积神经网络（CNN）和是非时影象网络（LSTM）都是在上世纪八九十年代就被提出了的，只是囿于当时数据量和算力，才没有盛行。
本轮人工智能的繁荣真正的令人面前一亮的创新点乏善可陈，对抗神经网络（GAN）引入博弈论的思想、AlphaGo强化学习结合深度学习、自然措辞处理中的词向量等技能可以算是为数不多的主要创新。

经典力学和量子力学的发展过程与本日深度学习的近似点：第谷网络了大量行星运动数据，他的助手开普勒在这些数据中创造了行星运动三大定律，但未能指出背后的事理，直到牛顿在三大定律根本上提出万有引力定律；在量子力学领域，人们很早就得到了氢原子的光谱数据，但是无法阐明。
1885年，瑞士一位数学西席创造了这些数据的规律，提出了“巴尔莫公式”，但是不能阐明其缘故原由，直到1913年，波尔的原子核模型和巴尔莫公式完备吻合。
本日，我们拥有大数据，也有一些不错的深度学习模型，但是还缺少理论的支撑，对这些模型进行很好的阐明，宛如彷佛处于开普勒和巴尔莫的状态，等待着牛顿和波尔提出的理论来进行阐明。

学术界作为人工智能理论的先锋，对付深度学习的根本理论研究、非监督学习、弱监督学习、模型的可阐明性和通用人工智能（AGI）都期待打破性创新，而不是在已有模型上微调，为了发论文而进行“创新”。
本轮人工智能紧张算法的灵感来源于认知科学、博弈论和量子力学等广阔的领域，大数据驱动的算法主导的科学研究范式（第四范式）被运用于各个学科的研究，他山之石可以攻玉，其他学科的进展也能反哺人工智能的创新，并可能起到至关主要的革命性浸染，特殊是脑科学、生理学等学科发展可能与AI的发展形成闭环和相互促进的良性关系。

在工业界，除了金融、零售等少数数据条件好而且“离钱近”的行业，传统行业在数字化转型过程中，面临数据采集、数据管理和缺少人才等一系列寻衅、直策应用人工智能变现具有一定难度。
换个角度看，这些行业也具有极大的潜力，可以从先从一些大略的“速赢”场景切入，逐步造就数据文化和人才，先对已有业务进行优化，例如创造更好的用户体验，并进而考虑利用AI商业模式的创新，例如将一次性的产品发卖转化为长期的个性化做事，比如某国外的智能冰箱可以识别食品包装的有效期，并进而可以和零售商互助，为用户供应食品做事。

本轮人工智能的上半场在C端衣食住行方面都已遍及，接下来的主沙场将在B端，企业不要总是想着风口，踏踏实实地将一个个AI场景落地才是王道。
全体社会各行业的数字化转型将持续数十年，即便学术界在未来十年在AI理论上没有大的打破，对付行业的AI场景落地并不会产生太大的瓶颈效应，大部分企业AI场景并非一定要利用最酷炫的技能，得当的技能才是最好的。
根据Gartner的估计，未来企业对付预测算法的需求将指数增长，个中大部分场景并不须要追求极致的预测准确率，利用目前盛行的框架和工具，普通程序员和商业剖析师就能知足大部分这类需求，对付少数核心场景，例如金融行业的风控，零售行业商品推举，1%的准确率的提升都会带来巨大的代价，企业自然会在这些领域不遗余力的进行投入，数据科学家未来的用武之地也将转移到这些领域。

本日，AI的紧张目标不再是让它像大脑一样思考，而是利用其独特的能力，做年夜大好人类的助手，犹如工业革命解放我们的体力那样，AI解放我们重复性事情所需的脑力，让我们有更多的韶光和精力从事更有代价的创造性事情。
虽然，本日对付没故意识的AI统治人类的担心犹如杞人忧天，但是我们已经看到大量的行业正在数字化转型的进程中，现实物理天下被逐渐映射到虚拟的数字空间之中，主宰虚拟天下的算法犹如法律，其在虚拟天下中的决策浸染在现实生活中不断显现，电影《黑客帝国》所预言的时期彷佛已经触手可及。
AI正在成为人类新的潜意识，替我们进行着各项决定，虽然我们彷佛拥有终极决策权，却对我们正生活在我们自己编织的信息茧房之中常常不自知。