深度学习一直处于人工智能技术发展的最前沿，许多人认为，深度学习是实现技术奇点的救市银弹。诸如谷歌 Alpha Go 这样的项目似乎已经预示着美丽新世界的到来，特斯拉甚至高调地宣布，完全自动驾驶的汽车指日可待。
人工智能领域的顶级盛会 NIPS（神经信息处理系统大会，Conference and Workshop on Neural Information Processing Systems）门票已经售罄，无数企业巨头的新闻稿中，“人工智能”字眼频现，钢铁侠 Elon Musk 仍然看好无人驾驶的前景，甚至在中国浦东开始动工兴建一个自动化的汽车工厂，少数精英预测：人工智能在人类历史上的重要程度甚至在电力之上。
但，真是这样吗？
深度学习尘埃落定
机器学习的权威领袖吴恩达（Andrew Ng）此前从谷歌跳槽到了百度，担任首席科学家一职，斯坦福大学人工智能实验室主管李飞飞加盟谷歌，成为华人女性在科学界的杰出代表。
我们正处于巨大变革的前夜，这种人事更迭只是行业火爆的外部表现。但仔细观察，就可以发现，不知从何时起，吴恩达在社交媒体上好像不如以前那么活跃了，这表明，要么他在积蓄能量，要么他已经蛰伏。但新闻界对他的关注度无疑在下降。
在公开发声的一些推文上，他也言辞审慎，颇具含蓄之美。比如，此前特征鲜明的“革命”字眼悄悄换成了“变革”或者“进化”，也不再大张旗鼓地宣扬深度学习就是终极算法。
由一众硅谷大亨联合创办的人工智能非营利组织 OpenAI 在很长一段时期内表现的相当沉寂，他们的最近一次发声居然是在中国的国民游戏 Dota2 中败给了人类选手。
即便强势如谷歌，也暗中对人工智能的未来抱有深切怀疑，类似 Deepmind 这样的明星项目，其发展进程显然也不如预想的那样好。
至于研究人员，他们的诉求可和企业不同。他们一直在与政府官员保持密切接触，以确保科研拨款不受影响。不少此前赫赫有名的人工智能专家从资金充裕的大公司纷纷转投政府机构的怀抱。
当然，这些只是早期迹象，但已经足够构成趋势预判。用中国人的超然智慧来总结，叫做“春江水暖鸭先知”。
深度学习难扩展
深度学习系统可以飞速扩展。2012年问世的 AlexNet，当时参数非常有限。而现在，至少有6000万个参数，涉及到650000个神经元、五个卷积层，数据模型堪称臃肿，问题是：这些东西有用吗？
图为 | AlexNet到Alpha Go Zero的数据增长模型
我们看到，VGG 和 Resnets 等深度学习模型在计算资源上已经趋于饱和。谷歌初始架构的变体 Xception，则比其他竞争对手略胜一筹。
机器翻译使用大型的人工神经网络来预测单词序列，在单个集成模型中对整个句子进行建模，Deepmind 和 OpenAI 则广泛应用于游戏领域。Alpha Zero 需要大量计算，但在现实世界的应用程序非常少。
显而易见，我们现在可以在几分钟训练 AlexNet，但是否能够获得更好的效果则是另一回事。
我们不无遗憾的获知，以上数据样本仅在模拟游戏环境中能够派上用场。
无人驾驶前景堪忧
深度学习在无人驾驶领域功败垂成。
自动驾驶汽车要能实现真实路况行驶，需要多样化的数据来训练算法。兰德公司（RAND Corporation）指出，SAE Level 4 及以上的全自动驾驶汽车必须积累数亿英里，有时甚至是数百亿英里的测试里程，其数据才具有统计学意义，从而证明其自动驾驶技术在减少伤亡方面的可靠性。而最早进行自动驾驶技术研发、在该领域拥有最先进的技术、部署测试车辆最多的 Waymo(Google)，自2009年到2017年底，也只测试了400万英里。
加州车辆管理局（DMV）数据显示，Nvidia 汽车在没有脱离接触的情况下，行驶距离不到十英里。
我们在神经网络方面似乎已经取得了一些进展。但截至今天，大部分无人驾驶车辆仍然不能准确地识别环形交叉路口等复杂交通状况。
2016年以来，特斯拉的自动驾驶系统已经酿成了几起影响极坏的事故，其中一些造成了致命伤害。Uber 的无人驾驶项目也在亚利桑那州杀死了一名无辜的行人。我们可以在互联网上找到铺天盖地的报道。
分析报告指出，大部分无人驾驶系统在事故发生前6秒才能识别雷达报告的行人，此时的车辆行驶速度为每小时43英里。当车辆与行人路径相符时，自动驾驶系统会先将行人判别为车辆，然后是自行车，并根据不同路线预测可能的移动轨迹。在事故发生前1.3秒，自动驾驶系统才能发出停车指令，考虑到制动距离，这一系统反应时间足以致命。
我们每天都做出很多决策。人们通常说：“我看到一个骑自行车的人，因此我转向左边，避开了他”。这是一种下意识反应。
人类对三维空间、速度、时间等参数的判断能力是生存的原始技能之一。大量的心理学文献指出，人类看到的物体被神经系统感知，并在短时间内做出快速反应，但很久以后，人们才能意识到发生了什么。这是人类在10亿年的历史长河中的进化结果。无人驾驶试图通过数据训练将这一反应过程拟人化，让机器去执行，代价高昂，但收效甚微。
至少就目前来看，深度学习的发展并不像它宣传的那样强大。与此同时，还出现了一种奇怪的现象。那就是“伪AI”的兴起。
科技公司正在利用人类
做机器人的工作
大量企业将对低效、重复人工劳作的依赖作为经营基石。建立由人工智能驱动的标准服务很难，一些初创公司认识到，他们可以投机取巧，毕竟，让人类像机器人一样行动，比让机器像人类一样行动容易得多。
使用人来完成某些工作可以让你跳过大量的技术和业务开发环节，并且成本低廉。”伪AI“就是这么出现的。
总部位于圣何塞的 EdisonSoftware，人工智能工程师通过浏览用户的个人邮箱来识别他们的身份，进行编码，以便改进“自动回复”功能。该公司的隐私政策里完全没有提及工作人员会查看客户邮箱。
2008年，一家致力于将语音邮件转换为短信的科技公司 Spinvox 被指控在海外呼叫中心使用大量成本低廉的人工，以替代自动应答系统。
2016年，彭博社的报道指出，一些人每天花12小时，假装成为日历安排服务的聊天机器人。这项工作简单重复，令人生厌，以至于工作人员表示，他们十分期待能够被机器人所取代。
2017年，业务费用管理应用程序 Expensify 承认，它一直使用人工处理此前大肆宣扬的“商业票据智能扫描技术”。实际运作时，票据扫描件被发布到亚马逊的众包平台上，然后由低薪工人阅读、转录。Expensify SmartScan 的用户显然不知道这些内幕。
即便是在人工智能领域投入巨资的 Facebook，也依赖人类作为 Messenger 的虚拟助手。
一家名为 Scale 的公司提供人力工作者，为自动驾驶汽车和其他人工智能系统提供数据培训。他们通过定位系统查看传感器画面，在画面中标记汽车和行人。通过人工校准，AI 才能学习识别这些物体。
通常，一些企业会伪造人工智能发展假象，并告诉投资者和用户，他们已经开发了可扩展的AI技术，其实他们严重依赖人类智能。
心理健康聊天机器人 Woebot 创始人 Alison Darcy 指出，很多时候，人工智能的幕后其实是人，而不是某种算法。
研究表明，当人们认为他们的交谈对象是一台机器，而不是一个人时，他们倾向于透露更多信息，因为跟机器对话能够让他们卸下防备。
一个名为 Ellie、初创于南加州大学的虚拟治疗师项目印证了这个论断。他们发现，患有战后创伤应激障碍的退伍军人在面对人工智能对话系统时更加自在，更加能够吐露心声。这无疑是人工智能或 AI 伪造人类的道德窘境。
愿景宏大 落地艰难
就技术发展而言，人工智能以机器学习、数据挖掘为两大核心，在技术范畴上有所交叉。机器学习包含对抗学习等诸多类型，其中备受瞩目的就是深度学习。按照拓扑结构分类，深度学习可分为卷积神经网络、循环神经网络和全连接神经网络，通过算法框架实现学习过程。
基于机器学习与数据挖掘，目前人工智能领域已经形成了最常见的三大技术应用，即：计算机视觉、智能语音和自然语言处理。此外，人工智能技术的实现，还依托于芯片、传感器等硬件的支持以及云存储和计算服务。
人工智能的技术愿景非常宏大，但落地艰难。软件开发迭代进度缓慢，数据采集成本高昂，还存在无法回避的伦理问题，以上种种因素造成，人工智能技术发展进程阻碍重重。
这个冬天会有多冷，目前我们都不知道。预测人工智能的冬天就像预测股市崩盘一样，我们不可能确切地说出它何时发生，但几乎可以肯定，一定会发生。
