几天之前，国内科技媒体，尤其是AI媒体之间刷屏了一篇文章。其原作者是机器视觉专家Filip Piekniewski ，标题叫做《AI Winter is Well on its Way》。这篇文章在国内有各种翻译的版本，并配了很多标题。但主旨差不多是一样的： 学习完了！AI寒冬又要来了！
无论是国内还是国外，在社交媒体上“看热闹就不嫌事大”属于一种基本操作。所以这篇文章还是短期内引发了大量关注。比如我们会看到国内一些媒体以这篇文章为依据，开始提出人工智能要完了；人工智慧脱下皇帝新衣等等观点。
可是这篇文章究竟是否靠谱呢？用大神Yann LeCun的评价，这篇文章的观点属于“非常无知very uninformed”。确实其中也有不少近似常识错误的部分，不是很值得讨论。比如文章中认为， 学习要糟糕的证据之一，是 学习专家们发的相关推特越来越少了。文章中还煞有介事地分析了吴恩达发推特的数量……
这个论证逻辑实在有点牵强，一个技术诞生好几年后，当然难以与它刚刚面世时的流量热度相提并论。而且另一方面，似乎全世界的人均发推数也在大幅下降……
但我们未尝不能把目光放的更远一点：比如客观来看，反 学习思潮已非一日之寒。各种关于 学习的争论，以及对其泡沫的怀疑，在近半年间尘嚣之上。这当然不会完全没有道理。而且围绕在 学习身旁的争议，经常有着复杂的动机和话语背景。而被媒体，尤其是翻译后媒体所展示出来的，不过是冰山一角而已。
那么或许我们可以从那篇《AI寒冬就要来了》的文章里，去观察一下这场“ 学习的王座保卫战”。或许这可以给我们一些线索，来判断AI之冬到底是远在天边还是触手可及。
Filip Piekniewski对 学习的质疑一共有这么几项证据：
1. 关于 学习的推特在减少……这个我们就不多聊了。
2. 大公司对AI的兴趣正在消退。
3. 学习没有证实“架构可以无限延展”的传闻。
4. 接二连三出现的自动驾驶事故让 学习失去价值。
这四大证据，得出的结论就是AI寒冬就像股市崩盘一样，很快就会发生。不得不说，这个逻辑链里的槽点还是相当密集的。
自动驾驶事故，是 学习的锅吗？
首先来我们回到备受争议的自动驾驶事故。Filip Piekniewski认为，Uber在坦桑尼亚州撞死人的那起事件，直接证明了 学习的无效性。原因在于报告显示，AI系统没有认出视线范围内的行人。
这个推论乍听起来有理有据的，但仔细一想绝对可谓强行甩锅。这就像一辆车因为发动机熄火导致发生了车祸，那么原因可能有很多，比如车主没有好好保养；汽车制造商有质量问题；汽车零部件生产商有问题；甚至是意外因素。但实在很难想象把原因甩给内燃机技术，以及相关学术界。
当然， 学习目前可不像内燃机一样经过了千锤百炼。但脱离具体的解决方案与算法、零部件、车载系统、厂商之间的技术差异等等因素，去质疑宏观技术，似乎也是不妥。更何况 学习也难以被视为无人驾驶场景中的最核心技术。
比如Uber的事故率可谓出名的高，但Waymo的事故率却出名的低。那么究竟他们都使用的某种技术不行，还是厂商不行呢？这大概不是个难以回答的问题。
换个角度想，假如 学习非常炸裂，达到了毁天灭地的程度，于是无人驾驶就成熟到可以不经过任何测试与研究，马上就取代人类司机安全上路了吗？好像也不是。
所以把个别厂商的安全事故要甩给大家都用的底层技术，实在有点甩锅的嫌疑。
大公司放弃人工智能了吗？
Filip Piekniewski提出大公司对人工智能的兴趣正在衰退。比如有媒体报道谷歌正在不知道拿DeepMind怎么办（这篇文章之后没多久，谷歌I/O大会里又着重强调了DeepMind的技术）,而DeepMind和OpenAI这两个 学习王牌公司如今静悄悄的没什么声音,结论是Facebook和谷歌开始展露出从AI撤退的意图。
那这个意图可能确实有点太隐晦了。就像Yann LeCun批评的那样，谷歌、Facebook和微软这样的大公司，近期对AI的加注和加速招聘人才都是显而易见的。这个时间段最有代表性的可能是微软，最近凭借一通紧密关联AI的神操作，微软股价涨出了新高。谷歌和Facebook，甚至亚马逊的进一步AI化都非常明显。而谷歌，可就连军方AI项目都那么地不离不……
文章提到了另一点，是DeepMind在AlphaGo之后就没有什么惊人表现了。当然每个人对于惊人的定义是不同的，但从我们的角度看，DeepMind这两年在强化学习和仿生AI的研究上，成果是非常显著的。它与谷歌能否长期兼容当然是另一个商业层面的问题，仅仅就技术表现而言，绝不可能每一个技术进步都有AlphaGo的传播性和公关价值。
当然，值得注意的是，DeepMind确实正在越来越少提出 学习相关的技术，反而强化学习正在成为这家公司新的关键词。
泡沫与不确定性，确实弥漫在DL身旁
整体而言，这篇刷屏文章中相对靠谱的一个怀疑，是关于 学习的框架延展性问题。13到16年间，确实弥漫过很多对 学习的过分吹捧，并且其中很大部分来自于科学家。其中一个论调，是 学习的特殊性让其架构可以无限增长，于是智能也就会停不下来地几何级扩张。
但在实践中，这显然不靠谱。首先是无限增长架构效果并不一定好，这在很多过分复杂的模型中都得到了印证；其次过于复杂的架构，同时也意味着巨大的能耗和庞大的数据需求量，这都是今天无法负担的。
这类赤果果的打脸，在 学习身上已经发生了不少。由于 学习技术提出时，确实让学术界和产业界看到了非常可观的延展空间，以及把很多抽象能力计算化的可能。而在竞技、视觉以及自然语言翻译等领域， 学习也的确带来了不可替代的提升。
于是无论圈内还是圈外，关于 学习就是那个“终极算法”，人类可以借由DL一路达到通用智能等等言论蜂拥而至。而 学习之所以被很多科学家反感，这些反常识的言论其实占据了主要原因。
这些言论和乐观估计是否带来了资本和商业市场上的泡沫呢？可以说是绝对有的，而且恐怕美国比中国更甚。这些因素，加上 学习技术一些无法被攻破的先天不足：比如严重的黑箱性、数据依赖性，以及对动态模拟的不足等等，共同组成了一个不稳定空间。
尤其在AI尝试走向商业化的时候，这些不稳定或许会发展为定时炸弹。好在目前来看，商业应用初级 学习的技术红线，还有非常遥远的距离。
而即使是“反 学习联盟”中最大的旗帜Marcus也认为，在功能架构上来说， 学习可能是今天最好的解决方案，虽然它有这样或那样的问题。
学习失效了，AI冬天就会到来吗？
最后一个我们需要弄清楚的问题，是假如 学习失效，或者至少不再那么红火，那么AI之冬是不是就一定不远了？
历史上人类经历过两次AI之冬，尤其80年代的AI寒冬，给当时已经相对完整的产业结构带来了致命的打击。到底有没有第三次，这或许是每个相关者都关注的问题。
这里最大的问题，可能是 学习失宠和AI之冬的必然联系：到底是“苍天已死，黄天当立”，还是“苍天已死，大家完蛋”？
目前来看，似乎前者出现的概率要比后者更高。即使最终在某个产业节点，一些突发因素证明 学习是一种架子很大但实际没什么用的技术，那么好像今天等着上位的“备胎”也有不少。
比如上面提到了，DeepMind正在大举投身对于强化学习的研究，并且跃跃欲试想要搞些大事情。比如不久前他们通过对大脑中海马体的模仿，用强化学习技术达成了在无地图情况下自动导航。效果已经非常惊人了。
而 学习之父Geoffrey Hinton似乎也对这个“亲儿子”不太满意。他和团队正在努力提出胶囊网络技术，这被广泛视作未来可以补充甚至挑战 学习地位的算法实现方式。
此外，小数据学习、GAN等方案都在尝试在某些领域补充 学习的缺憾。《冰与火之歌》告诉我们，铁王座上经常换人，但七国还是那个七国。 学习不被宠爱与AI寒冬的逼近，似乎二者间也缺少必然的逻辑联系。
尤其在 学习的商业化潜力，还远远没有被逼尽的情况下。
推翻 学习，目前还不那么容易
综上所述，由于 学习这东西生来伴着太多的光环，而且太多科学家与企业主为它说过很明显的大话。那么很多同行在这门技术不那么活跃的情况下，赶紧出来“打脸”一番，似乎也是可以理解的。
需要注意的是，无论吹嘘 学习可以连接通用智能；还是将其成败与吴恩达每天少发了0.15条推特联系到一起，显然都是带着立场和情绪的。
或许相对客观对 学习技术的评价是这样的：生来惊艳，并且先天不足。
但在产业与工程化层面，今天想要推翻 学习的主流地位似乎更加困难。原因在于80分不等于0分， 学习以及衍生技术解决的是一个机器识别、仿生模态感知与机器理解能力从无到有的进步。
这个进步之下，有大公司的巨额投注、国家与政府的跟进，也有感知智能打开的商业想象空间，以及商业智能与各行各业的结合可能。这些技术起点和整个商业市场相比，目前全世界的渗透率都还很低。这也意味着，即使 学习不再在技术端继续增长，那么把产业潜力释放干净，也还需要一个漫长的时间轴。
另一方面，目前所谓以推翻 学习为目标的技术，往往是在补充 学习的不足，并且大多比较初级。它们未来是否真的是非此即彼的关系，目前还是未知数。
归根结底， 学习可能还要在它所谓的“王座”上再坐一会。而媒体和反对者想要得出AI寒冬的结论，可能还需要多花些努力才行。
免责声明：此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有，且仅代表作者个人观点，与 无关。文章仅供读者参考，并请自行核实相关内容。投诉邮箱：editor@fromgeek.com。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
