六十多年了，而我們又走了多遠了？

雷鋒網 AI 科技評論按：這幾天，機器學習圈子的日常話題忽然颳起了一股「懷舊」風。

在 GANs 的餘溫逐漸冷卻，基於深度學習設計的解決方案仍然在信息與計算機領域之外的問題上苦苦掙扎，機器學習理論研究相比於單個方法和任務更關注不同方法和任務之間關係的大畫卷，強化學習一面在前所未有的算力的支撐下不斷斬獲新的成績、一面仍然因為學習範式固有的不穩定和低樣本效率廣為詬病的這個 2018 年夏天，突然有人想起六十多年前的、1955 年的那個夏天。

「人工智慧」的誕生

1956 年達特茅斯學院夏季人工智慧科研項目其中五位參與者，在 2006 年 7 月的 AI@50 論壇上重逢。從左起： Trenchard More、 John McCarthy、 Marvin Minsky、 Oliver Selfridge和 Ray Solomonoff

1955 年夏天，幾位計算機科學與信息學大拿、人工智慧先驅 John McCarthy、Marvin Minsky、Nathaniel Rochester、Claude Elwood Shannon 在達特茅斯發起了一個夏季科研項目提議，首次提出了「人工智慧 Artificial Intelligence」的概念。在這個 workshop 的倡議書中他們寫道：「我們將試圖找出一種方法，能讓機器使用語言、形成抽象概念和觀念、幫助人類解決不同種類的問題，並且能夠自我改進……現階段人工智慧研究的目標是，試圖讓機器做出能被人類稱為『智能』的行為。」而那個夏天，他們希望討論的話題就已經是（翻譯成現代研究人員使用的辭彙之後）：自我編程計算機、自然語言、神經網路、計算複雜度、自我改進、表徵（本體論）、隨機性與創造力。

《A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE》, 1955, J. McCarthy, et.al

他們還寫道「我們認為，只要一群精挑細選的優秀的科學家一起研究一個夏天，我們就可以在其中的至少一個問題上做出重要的突破」。相應地，他們在預算中準備了 6 位教授和2 位博士生的薪水，與其他開銷以及意外預留費用加起來，一共 13500 美元；只看預算的數額都覺得寒酸（即便當年的美元比現在的值錢）。

結局我們自然知道，這些問題的廣度與深度都遠超「一小群科學家」和「一個夏天」所能掌握的，即便到了今天其中的多個問題都是人工智慧/機器學習領域熱門的未解難題，甚至於，如果在某個小規模的機器學習會議中看到的討論議題就是這 7 個（的現代版），也並不會覺得分外奇怪吧。

不過反過來說，六十多年前的 workshop 提出的研究課題直到現在都有還未解決的、還在熱烈討論研究的，不禁讓人嘴角上揚。這當然說明了幾位先驅的高瞻遠矚，但這是否也說明在如今滿天飛的論文中，真正有開創新的、觸及本質的研究還是太少呢？我們也許給一些問題給出了更好的答案，但許多方面我們還未能提出更好的問題。

1956 年達特茅斯的 AI 會議正式召開並開創了人工智慧 Artificial Intelligence 這個詞之後，無數計算機科學家、電子科學家、語言學家、神經科學家、心理學家等等匯聚在這面大旗下，嘗試推動智能系統、計算理論、生物智慧、仿人類智慧系統設計的研究，不過一如大家所見，太多的問題和概念都一股腦裝在了「人工智慧」這個大筐里，普通民眾也養成了用「機器夠不夠像人」和「機器和人誰厲害」評價技術成果的壞習慣。

有一些做機器學習、智能系統的科學家其實感到很頭疼：如果當年達特茅斯的幾個人提出的詞是「計算智能 Computational Intelligence」而不是「人工智慧 Artificial Intelligence」，能表明重現人類的智慧不是唯一的目標、甚至都不一定是最重要的目標，就好了……

從這個角度來講，也許還是能夠說明幾位先驅們對這個方向的認識過於簡單和樂觀，沒有意識到「生物智能」與「機器智能」、「複雜的人類社會文化」與「確定可解析的機器計算」、「模仿生物智能」與「幫助人類完成任務的智能系統」之間深遠的鴻溝。後來的機器學習「祖師爺」、「人工智慧界的邁克爾喬丹的」Michael I. Jordan 也撰文仔細解釋過相關話題，感興趣的讀者可以閱讀雷鋒網 AI 科技評論往期文章Michael I. Jordan 撰文：不要被深度學習一葉障目不見泰山。

後來的兩個夏天的故事

「人工智慧」概念在 1955 年提出，而後逐漸發展出了經典的、基於規則的機器學習系統；這當然是深度學習時代來臨之前的事情。

如果回看 1955 年的「人工智慧」研究課題我們覺得眼熟的話，回看 1980 年代的機器學習系統會是什麼感覺呢？華盛頓大學計算機科學與工程學教授 Pedro Domingos 也給了自己的觀點：

看起來似乎不太樂觀，似乎深度學習只是以往的機器學習方法的再次錯誤重現。不過也有許多人反駁，雖然認同兩個時代的智能系統都面向非常狹窄的任務、都非常脆弱，但如今的系統已經確實廣泛運用在了各種系統中，為全世界人民提供了實實在在的價值。

Keras 作者 Fran?ois Chollet 也表示：「就像人們傾向於高估當代的 AI 系統的覆蓋範圍和智慧水平，他們也會低估這些簡單、面向狹窄任務的系統能做到多少事情，只要它們被擴展到了合適的規模、被廣泛地部署使用。深度學習確實從各個角度看起來都很蠢，而且它也並不能構成一條通向人工智慧的有意義的路徑，但同時，深度學習非常的重要，它有潛力對大多數行業產生難以忽視的影響。它不需要很聰明就已經可以很有用。」

Fran?ois Chollet 的話非常中肯，深度學習距離「人工智慧」的目標還太遠了，但以深度學習為核心的解決方案已經在許多領域生根發芽。今年其實有人擔心神經網路、人工智慧的第三次寒冬是不是快要來了，但既然包括神經網路模型在內的各種機器學習方法除了學術界的廣泛研究之外也還得到了企業的廣泛使用，那麼所謂寒冬就不用害怕。

這個夏天，很熱。而且以後的夏天也會像以前的夏天一樣，充滿故事。

《A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE》PDF 下載：http://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf

雷鋒網 AI 科技評論報道。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！