人工智能會再一次跌進谷底嗎？
人工智能的兩次大起大落
1956年人工智能首次在達特茅斯會議中被提出，JohnMcCarthy、MarvinMinsky、AllenNewell、ArthurSamuel以及HerbertSimon五人順勢成為當時這一領域的領軍人物。緊接著人工智能開始醞釀其第一次浪潮，庫卡機器人何服電機維修，人工智能實驗室在全球各地扎根。
直到1973年《萊特希爾報告》宣稱AI領域的任何一部分都沒有能產出人們當初承諾的有主要影響力進步，象征著人工智能正式進入寒冬。
而到了20世紀80年代，人工智能的關鍵應用專家系統得以發展，人工智能迎來第二春，但是由于數據較少，難以捕捉專家的隱性知識，建造和維護大型系統的復雜性和成本也使得人工智能漸漸不被主流計算機科學所重視。
Gartner模型
為了更好地理解人工智能的兩次大起大落，我們有必要引入Gartner模型。該模型呈現的是先迅猛爆發而后跌入谷底再慢慢抬升的技術發展趨勢。該模型曾因成功預言互聯網泡沫而一戰成名，20多年來一直是投資人最常引用的模型之一。
在許多技術發展的歷史進程中都會看到Gartner曲線的影子，比如Web技術，Amazon和Yahoo在1998年-2005年間的股價變動就和Gartner曲線的走勢非常類似。
要用Gartner曲線去理解人工智能的發展，我們還需要理解Gartner曲線背后的邏輯。Gartner曲線實際上是由兩條曲線疊加而成的，第一條是社會輿論對新技術期望值與實際水平的差距（HypeLevel），第二條則對應新技術的真實發展水平（EngineeringorBusinessMaturity），二者疊加所對應的正是y軸，代表社會上對新技術的實際期望。HypeLevel先升后降的邏輯在于新技術出來之后。由于媒體本身的屬性，必然會導致新技術社會期望的過度拔高，而隨著技術的落地與試錯，社會對新技術的期望會逐漸回歸理性。因而HypeLevel曲線會呈現先升后降再回歸正常水平的線形。而EngineeringorBusinessMaturity曲線的逐步提升與技術隨時間逐漸提升的常識也是相吻合的。
如此，我們用Gartner模型來分析，便不難理解人工智能發展歷史的兩次大起大落。人工智能的第一春，起于人工智能的首次提出為人類社會帶來了人工智能時代的美好想象，但在1973年英國發表的《萊特希爾報告》報告指出，在人工智能三大基礎研究中，工業機器人維修，自動機和中央神經系統雖有研究價值，但進展令人失望，而機器人領域是沒有研究價值，建議取消機器人的研究。《萊特希爾報告》完全打碎了當時社會對人工智能的期望，人工智能隨即進入嚴冬。而在人工智能的第二次大起大落中，人工智能崛起于專家系統技術的發展，但隨著日本第五代智能計算機研制的失敗，人們開始意識到人工智能并非靠硬件來支撐而要靠知識、軟件和創新，進而轉向研究知識百科，但收效甚微，研究斷斷續續。直至90年代后期，由于搜索引擎的強勢崛起，互聯網顯示了強大威力，知識百科開始衰敗，人工智能徹底進入寒冬。
人工智能的第三春
但是知識百科的嘗試并不是徒勞，它讓我們意識到知識不能靠已有知識的表達，需要靠自動學習來驅動。九十年代后期，計算機計算能力已經得到大幅提高，以數據挖掘和商業診斷為主要代表的應用成功，使人工智能重回人們的視野。
在研究領域，雖然神經網絡模型在漫長的計算機發展歷史中得以長足發展，從理論到應用算法都有了長足進步，但因為計算復雜等原因，逐漸被向量機模型（SVM）學派超越。此后，各種學派的研究成果迅速更新迭代，人工智能逐漸復興。
直至2006年訓練高層神經網絡算法的出現，人工智能迎來了第三春。神經網絡算法在圖像識別領域的表現一下子推進到了靠近突破人類表現的邊緣，引起了整個科研界的狂熱。披著深度學習這件華麗新衣的神經網絡在計算機視覺，自然語言處理和語音處理等領域同樣表現出色，人工智能迎來了前所未有的發展高潮。
2016年10月，美國白宮連發兩份報告《美國國家人工智能研發戰略計劃》和《為未來人工智能做好準備》，對當前人工智能發展現狀進行了調研，并闡述了人工智能帶來的若干政策機遇。同年12月，白宮再次發布報告《人工智能、自動化與經濟》，機器人維修，提出了應對人工智能驅動自動化經濟的三大策略。可見美國政府發展人工智能的決心。
再看中國，2015年2月工程院就人工智能正式立項，2016年3月正式啟動，同年8月在北京研討會上以史無前例的速度進入了6+9專項和國家十三五、十四五和十五五行動計劃，我國也把人工智能的發展提到了戰略的高度。
世界上兩大經濟強國都如此看好人工智能的未來，我們有信心說在未來兩到三年人工智能仍會處于黃金的發展時期。
那么我們不禁會問，繁榮過后，人工智能的第三春會因為被高估而繼續掉進Gartner曲線的循環中還是會像互聯網技術發展一樣迎來指數式增長呢？
我們認為目前已經初步具備人工智能發展的信息環境，但AI仍然存在很多問題，人工智能是否會掉進Gartner曲線的循環還很難說。
回顧人工智能60年來的大起大落，我們可以看到，人工智能的失敗往往是因為其與快速變化的信息環境不符，這是因為人工智能進步的動力不僅來自于學術研究的內在動力，更重要的是來自整體信息環境改變與需求的外部驅動力。而當前人工智能恰好面臨著劇烈變化的龐大信息環境與信息需求。
當前的信息環境相較于80年代已經發生了巨大而深刻的變化，計算機已經與人類相伴，各種移動終端、傳感器和可穿戴設備等智能硬件構成了一個龐大的網絡，個體與個體、個體與群體以及人與物體史無前例地連接在一起，世界已經從二元的PH空間結構（Physics、HumanSociety）演變成三元的CPH空間結構（Cyber），人以及萬事萬物都處于回路中。
在此環境下，人類社會對人工智能的需求開始大爆發，人工智能的研究已經逐漸從學術牽頭轉變成需求牽頭，眾多國內外科技巨頭開始入場真實地印證了這一趨勢。智能城市、智能醫療、智能交通、智能物流、無人駕駛、智能制造等諸多領域都迫切地需要人工智能的發展。在智能制造領域人工智能已經真真切切地提高了社會生產力。
人工智能的目標與理念也發生了變化，從過去追求用計算機模擬人的智能逐漸改變為機器+人的人機融合智能系統、機器+人+網絡的智能系統以及人+機+網+物的智能城市系統等等。
最后，也是最為直接的條件，人工智能所需的數據環境也逐漸形成。人工智能的基本方法是數據驅動的算法，未來將迎來大數據、傳感器和網絡以及跨媒體驅動的計算，到時大數據智能、感知融合智能和跨媒體智能將不可避免地到來，傳統的機器智能測試圖靈方法將受到挑戰。
但是我們不得不承認人工智能仍然存在許多問題，目前神經網絡算法需要的大量的數據進行訓練，難以實現無監督學習，這已經成為制約人工智能發展的關鍵因素。