首次低谷带来的启示：人工智能的突破

在经历了达特茅斯学院会议之后，AI科技得到了井喷式的发展。但是，过高的预期也带来了巨大的烦恼。由于研究方向和学术认知的限制，关于人工智能的深度研究也进入了停滞期。

随着研究的深入，部分原来对于人工智能充满信心的学者也开始动摇。在以往的猜想当中，机器人技术将会在20年甚至是更短的时间内获得爆炸式的发展，整个地球也将由此进入智能社会。作为这个星体上的主宰者，人类将不再承担劳动任务，所有的一切工作都将由智能设备代劳。但事实证明，这样一个大胆的预测，完全是脱离实际的。在针对人工智能的研究当中，以马文·明斯基为首的尖端学者发现，目前人类社会正在积极探索的AI技术，虽然能够从一定程度上处理部分高难度课题，但是与这些已经解决或者证实了的实验样本相比，人工智能不能破解的问题却要多得多。

在感知论的帮助下，明斯基验证了这样一个课题——第一代人工神经网络并不能解决“异或”问题。在计算机领域，“异或”理论占据着重要地位。它解析的是当两个计算样本的值相同时，结果为“0”；而假如这两个样本不同，结果则为“1”。用简单推导公式来解释就是：True⊕True=False；True⊕False=True；False⊕True=True；False⊕False=False。其中“True”和“False”代表两个不同的实验样本，“⊕”为异或符号，表示“相加”或者“并列”。在以二进制算法为基础的计算机领域，“异或”逻辑问题如果得不到解决，那么很多关联研究课题的探索也都会受到影响。所以，初代人工神经网络深陷“异或”迷局。这让明斯基非常苦恼，也备感无奈。

当然，明斯基论证的“人工神经网络不能解决异或问题”，只是人工智能研究过程当中遇到的诸多困扰当中的一个。除了明斯基之外，其他一些持乐观态度的学者也陆陆续续发现了各种问题。

随着学术界发现的技术难点越来越多，一部分研究人员也开始怀疑；人工智能的作用是不是被高估啦？或者说关于AI的技术已经到头，人们都在兴致勃勃地做着一件毫无意义的研究，就像是“从石头当中变出奶酪”那样。业内人员的摇摆不定和怀疑观点，很快被媒体机构披露了出去，一时间，“人工智能是一场骗局”、“政府在花钱供养闲人”、“高端人才把精力浪费在无用功上”等言论甚嚣尘上。受困于技术水平，在面对外界质疑和抨击时，研究人员拿不出有效的成果来反击，他们就只能默默地接收批评。更为糟糕的是，舆论的谴责还让各方投资人对这门“装神弄鬼”的研究丧失了信心。在随后的很长一段时间里，无论是政府津贴还是企业资助，人工智能的研究者们都很难再得到，这对于急需大量资金支持的AI课题开发是相当致命的。

可以说，由于技术研发上遭逢瓶颈，资金支持遇到断流，人工智能在很长的一段时间里都备受冷落，走进了低谷。自20世纪70年代起一直到80年代末，在长达近20年的时间里，几乎没有任何有效的人工智能理论被提出、发扬。同时，人们对于从各个工作室里走出来的AI制品也没有多大好感，认为它们正是逗小孩儿开心的玩具。比如明斯基那个能够搭建积木的机器人，很多人都只把它看作一个电控玩具，而不是一个真正的智能产品。除了技术上裹足不前、社会地位不高之外，在这20年时间里，从事人工智能领域研究的工作人员在资金方面获得的支持也少得可怜。在这样一种内忧外患的大背景下，不少研究人员只好将关于AI技术的探索从自己的工作计划当中清除掉，因为他们不得不选择从事其他事业来维持生活。这时人工智能技术的研究，更多成了他们的一种业余爱好。

当然，在这样一个饱受非议、缺乏支持的环境当中，人工智能研究者们也获得了一定的教训和启示。

（1）从程序本身的缺陷上来说，早期的人工智能编程对于任务的主题是模糊、不了解的。

就比如有研究人员试图利用AI技术来进行外语翻译那样，计算机只能针对文字信息进行分割，而后对照词库进行编译。那么在这个过程当中，部分多含义或者带有歧义性质的字句，就会对本次翻译带来极大困扰。所以说，在技术层面，初期大部分程序对于任务的理解是存在本质上的困难的，这对其完成任务必然会带来巨大的影响。

（2）在处理复杂课题上，早期人工智能也存在种种问题。(www.xing528.com)

受困于技术水平和思维理念的滞后性，初代人工智能产品大都无法完成过高难度的课题任务。比如在这一时期内美国斯坦福大学推出的人类第一款智能机器人“沙基”，它虽然能够利用智能系统进行自主化感知和任务建模，但是为达成目的的前期测量和行为规划，却需要耗费长达数小时的时间。毫无疑问，类似这种工作水准的智能体，是很难在现实生活中为人类提供帮助的。而造成这一切的根源，实际上就在于人工智能技术本身开发的局限性和滞后性。

（3）在程序结构方面，人工智能本身也是存在诸多缺陷的。

比如在图1-1所示的感知机构模型当中，相同的输入向量不能被判别出来，这一点就令研发感到十分无奈。

图1-1

在这一幅图例当中，“a1”“a2”等均代表不同的信息数据，它们通过“w1”“w2”等权值的调剂，再经由偏置“b”的修正，最后得到相关的值“SUM”。然而，对于“a1”“a2”一直到“an”，这些不同的向量在取值方面有可能是等量的，相同的向量输入在一定条件下会求得同一个值。但是很显然，这一个数学模型却不能过滤掉或者标记出那些重复的信息，它只是单纯地做着接收、计算、求和的过程。

所以说，在很多时候，有关于人工智能的程序在自身设计上是存在各种缺陷和不足的。更要命的是，这些程序往往还是研发人员用来做进一步深入探究的基础工具，因此人工智能的弊端也就被显现得更加明显了。

除了在技术方面不能支持新时代AI技术的发展要求以外，人工智能研发者们未能很好地迎合市场也是本次“低谷”来临的一个重要原因。尤其是在20世纪七八十年代全球经济萧条、进入停滞阶段的背景下，明斯基、西蒙等业内精英依然还在调试那些市场价值不大的智能课题。他们所研发的产品，例如“机械棋手”“积木搭建师”等，虽然对学科推动意义巨大，但却因为缺少社会功用而广受冷遇。与之相对应的是，约瑟夫·恩格尔伯格在做类似方面研究时，将目光投向了工业生产，他研发出来的机器人具备极强的工业用途。在没有客源光顾的情形下，恩格尔伯格甚至推出了“亏本试用”的营销手段来打通市场。事实证明，恩格尔伯格的机器人最终得到了广泛认可，他自己也因此赚得盆满钵满，成为人工智能研究领域少有的富翁。

然而，恩格尔伯格的成功毕竟只是一个很小的个案，在这一时期内选择放弃AI技术研发的学者数不胜数，更多的学者因为研究方向缺乏市场效应而举步维艰。可以肯定的是，任何一门高端技术都是需要资本支持为基础的，而以明斯基等人为代表的人工智能研发群体并没有重视到这一点，那么得不到外界援助，也就可想而知了。

可以说，关于人工智能的深度研发在20世纪70年代陷入低谷，这实际上是带有一定历史必然性的。从前期基础上来说，著名的达特茅斯学院会议虽然提出了多个突破性的理论和猜想，但是从历史角度而言，这些理论还远不足以支撑起整个庞大的人工智能学科体系。在这一时期内，过多的学者和AI爱好者纷纷进军人工智能研发项目，在一定程度上为本学科的专业性带来负面作用：诸多主观化研究成果或者思想影响了正确观点的推广和流通，良莠不齐的科研现状对于舆论也授以话柄。再加上精英学者对于人工智能技术研发的推进速度过缓，没有考虑市场因素的重要性，受到世人排斥也就是意料之中的结局了。但是，从另一个角度来说，经历了这一次沉寂，相关工作者对于AI科学的认识和理解也得到了修正，他们开始寻找新的技术突破点，并且紧跟时代潮流，为人工智能的再一次崛起打下了坚实基础。