自1950年阿蘭圖靈在其開創性論文－《計算機器與智慧》中首次提出「機器能思考嗎？」這個問題以來，人工智慧的發展並非一帆風順，也尚未實現其「通用人工智慧」的目標。
然而，該領域仍然取得了令人難以置信的進步，例如：IBM深藍機器人擊敗世界上最優秀的象棋手、自動駕駛汽車的誕生，以及GoogleDeepMind的AlphaGo擊敗世界最佳圍棋手…目前的成就展示了過去超過65年來最優秀的研發成果。
值得關注的是，在這段時間存在有詳細記錄的“人工智慧的冬天（AI Winters）”，幾乎完全推翻了人們早期對人工智慧的美好預期。
導致人工智慧冬天的因素之一是炒作與實際的根本進步之間的差距。
過去幾年來，有推測指出另一個人工智慧冬天可能正在來臨，那麼哪些因素可能引發人工智慧的冰河期？
「人工智慧冬天（AI Winter）」指的是公眾對人工智慧的週期性波動「人工智慧冬天（AI Winter）」指的是公眾對人工智慧的
興趣隨著商業和學術領域對這些技術的投資逐漸減少的時期。人工智慧最初在20世紀50年代和60年代得到了快速發展。儘管在人工智慧方面取得了許多進步，但它們大多還是以學術性為主。
20世紀70年代初，人們對人工智慧的熱情開始消退，這段灰暗時期持續到1980年左右。
在這段人工智慧的寒冬中，致力於為機器開發類人智慧的活動開始缺乏資金。
1956年夏天，一群數學家和電腦科學家佔領了達特茅斯學院數學系所在大樓的頂層。
在八週的時間裡，他們共同想著一個全新的研究領域。
約翰-麥卡錫(John McCarthy)作為當時達特茅斯大學的一名年輕教授，他在為研討會設計提案時杜撰了「人工智慧」一詞。
他認為，研討會應該探索這樣的假說：「人類學習的每一個面向或智慧的任何其他特徵原則上都可以被精確描述，以至於可以用機器來模擬它」。
在那次會議上，研究人員粗略地勾勒出了我們今天所熟知的人工智慧。
它催生了第一個人工智慧科學家陣營，「符號主義」是一種基於邏輯推理的智慧模擬方法，又稱為邏輯主義、心理學派或電腦學派，其原理主要為物理符號系統假設和有限合理性原理，長期以來在人工智慧研究中處於主導地位。
他們的專家體系在20世紀80年代達到了頂峰。
會議後的幾年裡，「連結主義」把人的智慧歸結為人腦的高層活動，強調智慧的產生是由大量簡單的單元透過複雜的相互連結和並行運行的結果。
它從神經元開始進而研究神經網路模型和腦模型，開闢了人工智慧的另一個發展道路。
長期以來，這兩種方法被認為是相互排斥的，雙方都認為自己正在走向通用人工智慧的路上。
回顧自那次會議以來的幾十年，我們可以看到人工智慧研究人員的希望經常破滅，而這些挫折並沒有阻止他們發展人工智慧。 ######
今天，儘管人工智慧正在為產業帶來革命性的變化，並有可能顛覆全球勞動力市場，但許多專家仍在思考，今天的人工智慧應用是否已經達到了極限。
正如查爾斯·崔(Charles Choi)在《人工智慧失敗的七種揭示性方式》(Seven Revealed Ways AI Fail)中所描述的那樣，當今深度學習系統的弱點正變得越來越明顯。
然而，研究人員並沒有對人工智慧的未來感到悲觀。在不久的將來，我們可能會迎來另一個人工智慧的冬天。
但這也許正是靈感迸發的人工智慧工程師最終引領我們進入機器思維永恆之夏的時刻。
電腦視覺與人工智慧專家Filip Piekniewski一篇《AI凜冬將至》的文章在網路上引起了熱議。
這篇文章主要對深度學習的炒作提出了批評，認為這項技術遠算不上革命性，而且正面臨發展瓶頸。
各大公司對人工智慧的興趣其實正在收斂，人工智能的又一次凜冬可能要來了。
自1993年以來，人工智慧領域取得了越來越令人矚目的進步。
1997年，IBM公司的深藍系統成為第一個打敗世界象棋冠軍加里﹒卡斯帕羅夫的電腦象棋選手。
2005年，一台史丹佛無人駕駛機器人未經“踩點兒”，便經一條沙漠道路自動駕駛131英里，贏得DARPA自動駕駛機器人挑戰賽。
2016年初，Google旗下DeepMind的AlphaGo擊敗了世界最優秀的圍棋選手。
在過去二十年裡，一切都改變了。
特別是網路的蓬勃發展，讓人工智慧產業有足夠的圖片、聲音、影片等各類資料來訓練神經網路並進行廣泛應用。
但深度學習領域不斷擴大的成功取決於增加神經網路的層數，以及增加用於訓練它們的GPU時間。
人工智慧研究公司OpenAI的一項分析顯示，訓練最大的人工智慧系統所需的運算能力每兩年翻一番，之後的每3-4個月翻一番。
正如尼爾·湯普森(Neil C. Thompson)和他的同事在《深度學習的收益遞減》一書中所寫，許多研究人員擔心，人工智慧的計算需求正處於一個不可持續的軌道上。
早期人工智慧研究面對的一個普遍問題是嚴重缺乏運算能力，它們受限於硬件，而不是人類智力或能力。
在過去25年裡，隨著運算能力顯著提高，我們在人工智慧方面取得的進展也齊頭並進。
然而，面對洶湧而至的海量數據和不斷複雜的演算法，全球每年新增數據20ZB，AI算力需求每年增長10倍，這一速度已經遠超摩爾定律關於性能翻倍的周期。
我們正在接近一個晶片上可以安裝電晶體數量的理論上的物理極限。
例如英特爾正在放緩推出新晶片製造技術的步伐，因其難以在節省成本的情況下繼續縮小晶體管體積。簡而言之，摩爾定律的終點即將來臨。
圖片來源：Ray Kurzwell, DFJ
有一些短期解決方案將能確保運算能力的持續成長，進而促進人工智慧的進步。
例如，在2017年中期，Google宣布，其已開發一款專門的人工智慧晶片，名為“雲TPU”，該晶片對深度神經網路的訓練和執行進行了優化。
亞馬遜為Alexa（人工智慧私人助理）開發自已的晶片。同時，目前還有許多新創公司試圖調整晶片設計，以適應專門的人工智慧應用程式。
然而，這些只是短期解決方案。
當我們用盡了能優化傳統晶片設計的方案之後又會怎麼樣呢？我們會見到另一個人工智慧冬天嗎？答案是肯定的，除非量子計算能超越經典計算，並找到更堅實的答案。
但直到目前，可實現「量子霸權」、比傳統電腦更有效率的量子電腦還不存在。
如果我們在真正的「量子霸權」到來之前就達到了傳統運算能力的極限，恐怕未來還會出現人工智慧的另一個冬天。
人工智慧研究人員正努力解決的問題日益複雜，並推動我們實現阿蘭·圖靈對人工通用人工智慧的願景。然而，仍有大量工作要做。
同時，沒有量子運算的幫助，我們將很能實現人工智慧的全部潛力。
沒有人能肯定地說，人工智慧冬天是否即將到來。
但是，重要的是要意識到潛在的風險並密切關注跡象，以便我們可以在它確實發生時做好準備。
以上是撐不起未來願景，人工智慧將再一次迎來「凜冬」？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
