量子計算能否幫助防止人工智慧的第三個「冬天」

資本實驗室·今日風險觀察

聚焦前沿科技創新與傳統產業升級

張珂

自1950年阿蘭·圖靈在其開創性論文——《計算機器與智能》中首次提出「機器能思考嗎？」這個問題以來，人工智慧（AI）的發展並非一帆風順，也尚未實現其「通用人工智慧（Artificial General Intelligence）」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，以及谷歌DeepMind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，存在兩個有詳細記錄的「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，有推測稱另一個人工智慧冬天可能正在來臨。那麼，哪些因素可能引發下一個人工智慧的冬天？有什麼能幫助我們避免下一個人工智慧的冬天？

1.第一個人工智慧冬天

在1974年之前的幾年裡，人工智慧領域的研究乏善可陳，令人失望，在與該領域一直所吹噓的成果做比較時尤甚。

例如，在1970年，麻省理工學院的一名數學家Marvin Minsky在接受《生活雜誌》採訪時表示：「在3到8年內，我們將製造出一台具有一個普通人一般智力的機器。」事後看來，這在當時是一個非常大膽，而又莽撞的宣言。

1974年，第一個人工智慧的冬天出現，這主要由Lighthill撰寫的一篇報告引發。

報告發表於1973年，受英國科學研究委員會委託進行，旨在對當時的人工智慧研究狀況提供一個公正的評估。

Lighthill報告封面（1973）

在這份報告中，James Lighthill批評了人工智慧並未實現其「宏偉目標」，並高度批判了機器人技術和語言處理等基本領域的基礎研究進展。報道指出：「該領域到目前為止沒有獲得任何其承諾將產生的重大影響的發現。」

Lighthill的報告激起了英國和美國學術機構對人工智慧大量的信心喪失，導致大規模的資金消減，最終引發第一個人工智慧冬天的到來。

在表象的背後，值得注意的是，致使人工智慧產業進入第一個冬天的其實是硬體問題。正如麻省理工學院約翰·麥卡錫的一名博士生——Hans Moravec所述，「計算機距表現出智力，仍有數百萬倍的差距。」

2.第二個人工智慧冬天

在1980年第一次人工智慧冬天結束後，多家公司採用了一種名為「專家系統」的人工智慧形式。

專家系統是一種機器，能回答問題，並能解決許多特定領域知識的問題，似乎展示出了人工智慧早期做出的承諾。

這些系統運行在名為Lisp的特定人工智慧機器上。在很大程度上，Lisp機器價格昂貴，且作為一種高度專業化的機器，其選擇了一種狹隘的方式實現人工智慧，以利用真實、有用的應用程序來展示解決方案，試圖縮小實際成果與期望之間的差距。

在1987年，這種昂貴機器的市場崩塌了。這主要源於蘋果公司和IBM公司台式計算機的崛起，為人們提供了更能買得起、更為精密、有更廣泛用途的計算機。

與此同時，美國國防部高等研究計劃局（DARPA）的新領導層大規模地削減了對人工智慧產業的資金注入，因為他們認為專家系統等當前的方法無非就是「聰明的編程」。

這標誌著第二個人工智慧冬天的開始，這個冬天一直持續到了1993年。

3.第三個人工智慧冬天會到來嗎？

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﹒卡斯帕羅夫的計算機象棋選手。

2005年，一台斯坦福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。

最近，在2016年初，谷歌旗下DeepMind的AlphaGo擊敗了世界最優秀的圍棋選手。

AlphaGo對戰李世石

這些都是人工智慧成績斐然的極好例子。然而，可以肯定的說，如果沒有與之並存的計算機晶元中硅晶體管的指數級增長，也就是俗稱的摩爾定律，所有這些成就都不可能發生。

正如前文所強調的，早期人工智慧研究面對的一個普遍問題是嚴重缺乏計算能力，它們受限於硬體，而不是人類智力或能力。

在過去25年里，隨著計算能力顯著提高，我們在人工智慧方面取得的進步也齊頭並進。

然而，令人擔憂的是，我們正在接近一個晶元上可以安裝晶體管數量的理論上的物理界限。事實上，去年，英特爾披露，其正在放緩推出新晶元製造技術的步伐，因其難以在節約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。

4.量子計算，防止下一個冬天的到來

有一些短期解決方案將能確保計算能力的繼續增長，從而促進人工智慧的進步。

例如，在2017年中期，谷歌宣布，其已開發一款專門的人工智慧晶元，名為「雲TPU」，該晶元對深度神經網路的訓練和執行進行了優化。

本月早些時候，亞馬遜宣布，其正在為Alexa（人工智慧私人助理）開發自已的晶元。同時，目前還有眾多初創公司試圖調整晶元設計，以適應專門的人工智慧應用程序。

然而，這些僅是短期解決方案。當我們用盡了能優化傳統晶元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，並找到更為堅實的答案。量子計算是一種量子比特疊加和糾纏產生的現象，能夠大幅減少計算時間。而隨著更多量子比特的增加，將帶來計算能力的指數級增長。

但是到目前，可實現「量子霸權」、比傳統計算機更加高效的量子計算機還不存在。幸運的是，許多不同的科技公司和初創企業正將大量資源投入到建造量子晶元上。

IBM量子計算機原型

回顧人工智慧的發展歷史，我們已看到人工智慧的實際進步並不與其大肆宣傳的期望同步的例子。

這種差距很大程度上是因為缺少訓練和執行人工智慧演算法的計算能力而引起的。於是，緊隨而來的便是兩個人工智慧冬天的出現，主要表現為資金投入枯竭和普遍的情緒波動。

如果我們在真正的「量子霸權」到來之前就達到了傳統計算能力的極限，恐怕未來還會出現第三個人工智慧的冬天。

人工智慧研究人員正努力解決的問題日益複雜，並推動著我們去實現阿蘭·圖靈對人工通用人工智慧的願景。然而，仍存在大量工作要做。同時，沒有量子計算的幫助，我們將很能實現人工智慧的全部潛力。

（參考信息：alleywatch）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！