从寒冬走进暖春：Jenius的四个驱动力
—— 这篇博客是对论文《Quo vadis artificial intelligence?》的阅读整理与思考。
如果AI有记忆，它一定会记得两个冬天：
- 1970年代末，机器翻译泡沫破裂，AI资金大幅缩水。
- 1980年代末，专家系统走向失败，关于AI的研究再次停滞。
那时候，不少人以为AI的时代止步于此。
但今天，你打开Jenius，它能帮你总结文档、答疑解惑、甚至规划旅游攻略…
是四个驱动力，把它从冰窖里一点一点拽了出来，一路走进暖春，长成了今天的Jenius。
这四个驱动力，分别是什么？
驱动力一：机器学习的成功，为AI打好了地基
1986年，一篇介绍反向传播算法的论文登上了《Nature》，神经网络逐渐进入大众视野。
在这之前，神经网络像个只会听话的机器人 —— 错了也不会改。
反向传播的出现，赋予了它“自我纠错”的能力：算错了不要紧，它会自己分析错在哪，然后自动调整，下次就会更准。
同年，决策树（Quinlan, 1986）诞生。此后，支持向量机（Vapnik & Cortes, 1995）、Adaboost（Freund & Schapire, 1997）、随机森林（Breiman, 2001）相继出现。
这些算法，像在沉寂的寒冬里悄悄燃起了一把火，垒起了AI时代的第一层地基。
驱动力二：海量数据，为AI备足了“燃料”
AI寒冬时期，研究者们不仅缺算法，更缺数据。
当时的数据集少得可怜：几十张图片、几百条文本，AI根本无法学到有用的东西。
幸运的是，在2000年代，互联网的普及让数据像潮水般涌来 —— 网页、图片、视频、对话记录…… 研究者们把这些数据整理成公开数据集（如ImageNet），让不同算法可以在同一标准下公平比较。
正是这些高质量的数据集，为后来Jenius这样的智能体崛起，铺平了道路。
驱动力三：算力提升，让AI从“想得到”变成“做得到”
算法和数据都有了，但AI还缺一样东西：算力。
深度学习需要大量的计算。但在2010年代之前，训练一个深层网络要耗时几个月。
转机来自两方面：
-
硬件层面：GPU被用于AI训练后，速度大幅提升。随后，专用AI芯片NPU问世，让手机能实时处理人脸识别、视频渲染等任务。
-
软件层面：研究者发现，深度神经网络中很多运算是重复的。优化这些重复模块，就能把训练时间缩短到几天甚至几小时。
Jenius能实时响应你的每一次提问，靠的就是这样的算力支撑。
驱动力四：AI战胜人类，重拾大众信心
两次寒冬之后，很多人认为AI不过是纸上谈兵。
直到2011年，IBM研发的人工智能系统Watson击败了人类选手，赢得了美国智力问答节目《危险边缘！》（Jeopardy!） 的冠军。人们开始重新认识到AI的潜力。
随后，在2016年至2017年间，谷歌旗下DeepMind团队研发的AlphaGo击败了李世石、柯洁等60余位职业围棋棋手。
而更令人震撼的是其升级版本 —— AlphaGo Zero。它在未使用任何人类棋谱、仅知晓围棋基本规则的前提下，从零开始进行自我对弈。数周后，它便超越了人类数千年的围棋积累，甚至演化出了前所未见的新策略。
Watson与AlphaGo，如同两颗信号弹，照亮了AI的夜空。从此，春暖花开。
而Jenius，正是诞生于这片暖春之中的智能体。
有人问：“AI的下一个冬天还会来吗？”
—— “也许会。但这四个驱动力，已经教会了AI如何在严寒中生长。”
这场暖春能持续多久，取决于我们 —— 创造它、使用它、思考它的每一个人。
参考文献：
Jiang, Y., Li, X., Luo, H., Yin, S., & Kaynak, O. (2022). Quo vadis artificial intelligence? Discover Artificial Intelligence, 2(1), 4. https://link.springer.com/article/10.1007/s44163-022-00022-8