AI 处于黄金时代，还是即将迎来寒冬？

全球人工智能发展的热潮仍在以极快的速度向前推进着，而且没有任何停止的迹象。目前已有数十个国家承认了人工智能对经济增长的重要性，由此，也出现了越来越多围绕着人工智能的国家级投资和策略。

不过，对于人工智能，还有不同的声音存在。他们认为，人工智能目前存在技术滥用的问题，并且从长期的发展来看，人工智能是存在威胁的。

这两种声音在互相博弈着。那么，AI 处于黄金时代还是即将迎来寒冬?对于这个问题，雷锋网引用了相关国外媒体的文章进行探讨，并做了不改变原意的编译。

最近，斯坦福大学呼吁美国政府在未来十年向该国的人工智能系统投资 1200 亿美元。另外，来自法国的报告显示，在政府和投资者的支持下，2019 年新增了近 38% 的人工智能企业。不仅如此，美国能源部也正在计划一项重大工作——利用人工智能加速科学发现，并要求再投入 100 亿美元。

越来越多围绕这人工智能的国家级投资和策略，这一趋势加持了“AI 正在进入黄金时代”的观点，甚至有些人认为人工智能带来的变革影响将比拟于电力。不过，黄金时代理论得到了 Gartner 公司的进一步支持。Gartner 发布了“人工智能炒作周期”，该周期显示，许多人工智能技术正在处于爬升创新阶段，这为人工智能之火提供了更多的燃料。

的确，有关人工智能技术的新闻报道正在不断增多，公众的兴趣也在不断上涨。

不过，尽管公众的兴趣一直很高涨，但并不是所有人都那么积极。人们对人工智能的负面反馈正越来愈多，无论是对目前的技术滥用，还是对长期存在的潜在威胁的担忧。例如，由于消费者的强烈反对，几家澳拜客牛排馆最近不得不放弃在其餐厅实施人工智能面部识别的计划。由于担心反乌托邦式监控系统的潜在风险，一些城市已经完全禁止了这种技术。

此外，还有一些其他的威胁存在，包括人工智能制作的深度伪造视频，以及对新自然语言生成能力的滥用。而这些信息的滥用可能会加剧“假新闻”的发生，会进一步破坏民主规范和制度。

这就导致了美国参议院通过了一项法案，要求国土安全部发布一份关于 deepfake 技术使用情况及其如何被用来危害国家安全的年度报告。此外，关于用于训练人工智能算法数据集的固有偏见的讨论也正在进行中，人们担心是否有可能消除这些偏见。

那么，这些问题是根本存在的，还是仅仅是机器进展中的噪音?在布鲁金斯学会(雷锋网按，Brookings Institution)，一篇有关人工智能监管的文章提出了后者的建议。这篇论文引用了人们对之前的技术突破的担忧，不过这些担忧后来被证明是毫无根据的。比如说，人们担心蒸汽机车会使牛不能吃草，鸡不能下蛋，并造成经济灾难，因为马匹绝种，干草和燕麦的农民破产。还有人担心电报机通过“火花”传递信息可能是魔鬼所为。

是技术田园，还是技术寒冬?

在 20 世纪 70 年代中期、80 年代末和 90 年代，当承诺和期望远远超过现实，人们对人工智能及其实现的结果感到失望时，人工智能的寒冬就会出现。例如，我们都看到和听到过许多关于自动驾驶汽车的愿景，但事实是，对大多数人来说，这是 20 年或者更远以后的事情。

早在 2016 年，就有预测称，到 2020 年，将有 1000 万辆自动驾驶汽车上路。不过，这不会发生的。今年春天，福特首席执行官 Jim Hackett 轻描淡写地承认，人们高估了自动驾驶汽车的到来。尽管这些项目被大肆宣传，并且在全球投入了 350 亿美元用于开发。

其实，开发缓慢是因为没有预料到其中的复杂性，这些没有实现或破灭的承诺同样导致了人工智能的冬天。比如说，通过嵌入式脑机接口治疗迄今无法治愈的脑部疾病(如自闭症和精神分裂症)的承诺听起来诱人，但这可能在很遥远的未来才会发生。当项目陷入困境时，人们就会失去兴趣，炒作研究和投资都会一一消失。

这是当前的难题。一方面，人工智能几乎每天都在进步，从训练人工智能来帮助瘫痪者写作，到快速发现新的野火和提高邮政服务效率等，这些看起来都是很有前途的应用。然而，斯坦福大学教授 David Cheriton 在最近表示，在 35 年前，从他第一次接触人工智能以来，它一直是一项很有前途的技术。不过，尽管它仍然很有前途，但“被过度看好了”。

Gartner 的一项新研究进一步证实了这种过度乐观。研究显示，人工智能的应用滞后于预期，至少在企业中是这样。目前，最大的挑战是缺乏熟练的员工，可用数据的质量，以及理解人工智能的真正好处和用途。并且，Gartner 提到的一个更为重要的限制是——缺乏远见和想象力去应用人工智能。

这次会有所不同吗?

这是一个价值近 16 万亿美元的问题——普华永道估计，到 2030 年，人工智能每年将为全球经济贡献多少。在人工智能黄金时代的引领下，是否会实现类似的目标?或者，这项技术是否会在未来几年碰壁，从而导致一个新的寒冬?

对于人工智能的寒冬，有一种观点认为，到目前为止，所有的进步都来自“狭义人工智能”，即一种算法只做一件事的能力。例如，计算机视觉算法在理解视觉信息方面非常出色，但却不能将这种能力应用于其他任务。