人工智能寒冬是指人工智能(AI)领域的资金支持、投资和机构热情下降的一段时期,通常发生在人们寄予厚望、但现有系统未能达到预期之后。这一说法描述的是科研与经济层面的低潮,而非研究完全停滞。人工智能史通常区分出两次大范围的寒冬:第一次从20世纪70年代中期延续至80年代初,第二次从80年代末延续至90年代初或中期。由于不同国家、研究路线和行业收缩的时间并不一致,这两次寒冬的起止时间也有不同划分。
含义与范围
人工智能寒冬不只是人们对某一款产品感到失望。它通常涉及以下几方面的变化:
- **技术表现不及预期:**系统在演示或受限环境中表现良好,却无法胜任范围更广的任务。
- **预期调整:**资助方不再那么相信,所承诺的能力能够在预定时间或预算内实现。
- **资金收缩:**科研资助、企业项目或人工智能产品采购减少。
- **机构层面的影响:**企业倒闭,研究团队缩小,研究人员转而以其他学科或应用领域的名义寻求支持。
这一术语没有以投资额、就业人数或论文数量为依据的正式判定门槛。它是一个回顾性的历史标签,其适用与否,部分取决于考察的是哪些机构和技术。
人工智能寒冬也不同于放弃某一种研究路线。例如,人工神经网络研究曾一度淡出人们的视野,而其他形式的人工智能却获得了大量支持。反过来,即使整个领域对人工智能的热情下降,商业上成功的应用仍可能持续存在。
背景:早期的乐观情绪与实际局限
人工智能在20世纪50年代形成了有组织的研究领域。早期程序展示了定理证明、博弈和符号表达式操作等能力。这些成果使人们相信,通用机器智能或许能在相对较短的时间内实现。
早期研究大量采用符号人工智能,通过明确的符号、规则和搜索程序来表示问题。这些方法在界定严密的任务上可以取得令人瞩目的表现。然而,从简化的演示转向开放式环境时,若干困难便显现出来。
其中之一是组合爆炸:程序需要考察的可能性数量,会随着问题规模的扩大而迅速增长。算法的进步和启发式方法的使用可以减少搜索量,却无法消除与计算复杂性有关的根本困难。
另一个问题是,形式化描述的任务与人类日常活动之间存在差距。理解语言、识别物体以及在陌生情境中采取行动,都需要早期程序所缺乏的背景知识和灵活性。有限的处理能力与内存进一步加剧了这些问题,但硬件不足并非唯一原因。
第一次人工智能寒冬
机器翻译与ALPAC报告
第一次寒冬的一个重要前奏,是美国对机器翻译的重新评估。冷战初期的资金支持了自动翻译语言的尝试,尤其是将俄语译为英语。
1966年,自动语言处理咨询委员会发布了ALPAC报告。报告认为,其评估的机器翻译系统不足以支撑“短期内即可实现实用的全自动翻译”这一预期。报告强调应将机器翻译与人工翻译进行比较,并建议更加重视基础语言研究和辅助译者的工具。
该报告促使美国政府大幅削减对机器翻译的支持。虽然其讨论范围比整个人工智能领域狭窄,但它成为一个影响深远的案例,表明当演示成果无法转化为实际使用价值时,资助方会撤回支持。
莱特希尔报告与英国的资助
1973年,数学家詹姆斯·莱特希尔为英国科学研究委员会撰写了莱特希尔报告。报告批评了当时许多人工智能研究,尤其指出,将简化问题上的成果推广到现实问题十分困难。
这份报告促使英国对人工智能的支持缩减,并集中到更少的研究点。它并未终结英国的人工智能研究,其论点也受到研究人员的质疑。尽管如此,它仍成为第一次寒冬在机构层面的一个显著标志。
在美国,国防研究重点的变化也使项目面临更大压力,必须证明自身的实际用途。因此,第一次寒冬是多种变化共同作用的结果,而非由某一份报告或某一项资助决定单独造成。
神经网络研究
神经网络研究的兴衰是这段历史中一个相关但又相对独立的部分。在1969年出版的《感知机》中,马文·明斯基和西摩·帕普特分析了若干重要类别的感知机所存在的局限。
他们的工作常被视为人们对神经网络兴趣下降的原因。但这一解释需要加以限定:这些结果并未证明所有神经网络都无法解决困难问题,计算资源有限以及多层网络难以训练同样是重要因素。神经网络研究仍在继续,只是在主流人工智能研究中的许多领域不再那么引人注目。
专家系统的繁荣
第一次寒冬之后,投资重新增长,尤其集中在专家系统上。这类程序将专业知识编码为规则,并利用推理机制得出结论。它们并不试图实现通用智能,而是面向范围明确的任务,例如配置计算机设备,或解释某个专业领域中的信息。
一些系统确实取得了实用成果。它们显现出的商业潜力,推动形成了人工智能软件、咨询服务和专用计算平台市场。
专家系统通常依赖于一个知识库,而知识库的构建需要与领域专家开展大量合作。这带来了实际瓶颈:获取、核查和更新规则的成本很高。系统也可能缺乏稳健性,一旦情况超出编码时所依据的假设,结果就可能不可靠。人类能够隐性运用的专业知识,并不总能轻易表述为明确规则。
这轮繁荣还带动了专用Lisp机的发展,这些机器专门用于运行以Lisp编程语言编写的软件。在这一时期,Lisp机与人工智能开发紧密相连,因此其商业命运对人工智能市场的变化格外敏感。
第二次人工智能寒冬
从20世纪80年代末开始,围绕专家系统和专用人工智能硬件的商业预期转弱,第二次寒冬逐渐形成。
商业与技术压力
几种压力相互强化:
- **开发和维护成本高昂:**基于规则的系统需要大量专家投入,并持续修订。
- **适应能力有限:**为某个领域或组织流程构建的系统,很难迁移到其他领域或流程。
- **集成困难:**具备实用的推理能力,并不意味着软件自然就能融入现有业务。
- **硬件竞争:**通用工作站的性能不断增强,削弱了专用Lisp机的优势。
- **市场过热:**一些供应商和投资者原本预计,市场规模会更大、扩张速度会更快,但实际情况并非如此。
Lisp机市场在20世纪80年代末开始急剧收缩。供应商和投资者的退出,成为这次低潮的鲜明象征。然而,这并不是所有人工智能应用在同一时间全面崩溃。一些专家系统仍在使用,基于规则的技术也继续存在于普通商业软件之中。
大型研究计划
国家级研究计划也影响了这一时期的发展。日本于1982年启动的第五代计算机系统项目,试图通过包括逻辑编程和并行推理在内的方法,推动知识处理技术进步。
该项目于1992年结束,未能带来其最雄心勃勃的预期所设想的广泛商业变革。它取得了一些研究成果,但其结局也说明,作出技术贡献与实现宏大的产业愿景并不是一回事。
在其他地方,资助方也重新评估雄心勃勃的人工智能计划,将重点转向范围更窄、效果可验证的能力。与第一次寒冬一样,不同机构收缩投入的时间和程度各不相同。
寒冬期间仍在继续的研究
两次寒冬都不意味着人工智能消失了。机器学习、自然语言处理、计算机视觉、语音识别及其他领域的研究仍在继续。
20世纪80年代的研究推动反向传播确立为训练多层神经网络的实用方法。到了90年代,统计方法在多个与人工智能相关的领域中变得越来越重要。研究人员往往更强调特定任务上可衡量的表现,而不是对类人智能作出宽泛宣称。
其中一些研究主要被归入统计学、模式识别、优化或某一具体应用,而非人工智能。因此,对“人工智能”这一标签的热情下降,并不一定意味着后来被归入其中的所有研究也出现了同等程度的衰退。
这种延续性使一种简单叙事难以成立:并非每次寒冬期间进步都会停止,也并非只有出现决定性突破之后,进步才会重新开始。
复苏及这一术语后来的用法
人工智能重新增长,是方法改进、计算能力增强、数据集扩大以及具有商业价值的应用共同作用的结果。从21世纪头十年后期开始,尤其是在2010年代,深度学习在感知和语言任务上取得了重大成果。图形处理器使更大规模的神经网络训练成为可能,不断扩大的数字数据集则为基于实证的开发和评估提供了支持。
这些变化并未解决早期系统面临的所有问题,但改变了哪些任务能够得到有效执行,以及哪些方法能够吸引投资。此后,生成式人工智能的扩张,再次使已展示的能力、商业预期与长期承诺之间的关系受到公众广泛关注。
因此,“人工智能寒冬”也被用于预测未来可能出现的收缩。这类用法属于预测,而不是已经确立的历史分类。投资下降、个别企业失败,或某条研究路线进展放缓,本身都不足以证明整个领域进入了寒冬。
解释与局限
人工智能寒冬这一分析框架,有助于考察技术表现、公众预期和资助决策如何相互影响,但它也存在局限。
首先,它可能将各地区并不同步的发展压缩成一条全球统一的时间线。一个国家的资助收缩,可能恰好与其他地方的扩张同时发生。
其次,它可能掩盖科学成果与商业结果之间的差异。一个研究项目即使未能满足资助方的市场预期,也可能产生影响深远的思想;一项成熟应用即使在所属行业投资下降之后,也可能仍然有用。
第三,这一比喻可能助长过于简单的解释。早先的寒冬并非仅仅由过度宣传、硬件不足、某一篇批评性文献或某一项政府决定造成。其成因包括相互作用的技术局限、采购选择、市场状况和机构优先事项。
因此,进行历史比较时,必须明确下降的究竟是什么——资金、销售额、研究活动还是信心——以及人工智能的哪一部分经历了这种下降。