大数文摘出品

来源：Piekniewski's blog

编译：廖荣凡、夏雅薇

曾几何时，20世纪的80年代，有一个神奇的地方叫硅谷。

很多美妙的事情在硅谷发生，很多人挣了大钱。这一切都和计算机的奇迹有关，计算机几乎变革了所有事物。

计算机当中有很多应用程序，它们完全改进了我们的工作娱乐方式，也不断改变我们沟通、购物和使用银行系统的方式。

但那时电脑十分笨重，运行慢而且价格昂贵，除非计算机的速度再快上几个量级，价格再便宜几个量级，很多事情都不可能发生。

摩尔定律奏效：赚钱的机会触手可及

然而根据摩尔定律，在1970年的十年里，集成电路中的晶体管数量每18个月翻一番。

如果这个定律站得住脚，那未来必将是很美好的。这些应用会逐渐向那些有需求的市场打开，赚钱的机会触手可及。

到20世纪90年代中期很明显摩尔定律奏效了。

计算机变得越来越快，软件变得越来越复杂，变化速度很快以至于每年必须升级换代以跟上计算速度的提高。

每一代新CPU都明显比上一代快，每一代新软件都明显比上一代慢而且功能更强大。

总的来说，通过定期升级新的硬件，软件似乎同样快速（或更快）地运行，进而提供越来越多的功能。

这都得益于时钟速度的提升（1990年初开始有33Mhz，到了2000年有超过1Ghz的时钟可用了），对于利用提升的计算能力没有什么可多说的，在新电脑上所有操作都会更快。

GPU加温芯片市场

20世纪90年代一种新的处理器：图像处理器（GPU）诞生了，这种处理器一定程度上和常规的CPU不同。

GPU芯片可以多核并行工作优化3D渲染性能。

最初它们作为额外的加速器（3dfx voodoo）出售，但很快就被集成到了常规显卡（Nvidia - Riva TNT）中。

游戏的视觉效果开始变得更好，运行也更加流畅，硅谷大亨们再次把更多的“硅”卖给了千家万户。

90年代后期（左）和20年后（右）的计算机内部视图，它们的大小和组件相似，但后者可能要强大几千倍。

到了2000年初，情况开始有所不同了，互联网泡沫破灭，很多人损失惨重。此外，提高时钟速率的黄金策略遇到了主要的障碍：为了提高转换速率，电路必须保持相对较高的工作电压。

这样一来芯片的温度一下就上去了，后面计算速度的提升受限于芯片的散热能力。为了把游戏玩下去，CPU制造商开始增加芯片中处理器的数量。

这时很多软件就要重新编程才能利用并行机制的优势，新一代的处理器不再以速度取胜，但更糟糕的是，大多数计算机应用也并不需要变得更快了。

大部分软件堆栈协议已经成熟，应用程序已经固化，人们不再每年需要新的CPU或2倍更多的内存。

大多数办公室工作都可以在35$的树莓派上完成。甚至游戏行业也因大量的游戏机而饱和了。这些游戏机以低于成本的价格出售，前期投资从游戏里隐藏的费用中收回。

游戏机为绝大多数人提供了便利，简单的界面和满意的体验。对硅谷来说需求增长放缓是一个大问题。

智能手机的发明带来了转机

虽然PC市场增长明显放缓，但这一类新产品正在蓬勃发展，2007年至今推出的各种型号的iPhone把发展不断推向高潮。

对于智能手机，发展迭代并不是主要关注CPU速度，而是关注功耗（电池寿命）和传感器/屏幕的质量。

在过去的10年中，相机和屏幕确实取得了很大进步，但除了一个关键的公司—苹果之外，硅谷大亨并没有获得多少新的收入。

相反，硅谷专注于软件方面的工作，成立服务性公司，如Uber，Netflix和其他利用手机平台的应用程序。

但从一开始所有人就知道，智能手机的革新不会一直火下去。

事实上，到2018年，大多数人意识到他们不需要每两年购买一台价值1000美元的新智能手机，就像早前PC电脑的境况的一样，旧型号对大多数的应用来说都还不错。

这导致苹果股票在2018年秋季受到重创，使该公司估值回到远低于1万亿$。

区块链和人工智能重新点燃市场

随着各种市场枯竭，硅谷需要一些新事物：与90年代PC革命影响力一样大的事物；能够实现全新功能颠覆现有产业格局的事物；能重新点燃硅谷需要在数量级上提升算力的事物。

到2012年，两个这样的潜在事物出现了：区块链和人工智能（AI）。区块链（最初在2010年被称为比特币），其想法是通过消除（银行）底账的需求来完全取代金融系统，并提供一个建立远程交易的自我认证手段。

构建区块链需要大量的计算能力，以计算出所谓的“工作证明”。这是硅谷所希望的：一个新的，利润丰厚的应用领域，此外这个领域还需要大量“硅”来满足计算需求。

人工智能大约在2012年进入了硅谷的视线范围内。当时一位名叫杰夫·辛顿的加拿大绅士在模型连接和神经网络的神秘领域中与他的学生一起工作了30年，使用在GPU上实现的深度神经网络终结了ImageNet对象分类竞赛（虽然还应该归功于Jürgen Schmidhuber，他已经在2011年使用基于GPU的conv-net网络赢得这项比赛）。

与区块链一样，这项技术可以开启一系列新应用和大量的芯片需求。硅谷中的许多人很快就看到了机会，而且资金开始大量涌入。

自从90年代上一次神经网络冬天以来，大学里处于低谷期的神经网络学者们很快就注意到了这个机会。

突然，他们受邀参加硅谷派对。这种多层感知器的新化身不断给出了令人兴奋的新结果，一时间：物体识别和分割，语音识别，机器翻译都不断变得越来越精确。

这些新功能很快被拥有大量数据（如Google或Facebook）的公司所利用。但对于这些真实但可能不是很令人兴奋的应用程序，人们很快就激动过了劲。

在政府项目计划里，那些科学家曾经被承诺各种支持但往往都落空，但他们现在有了更好的金主：风险资本家。

风险资本家们喜欢听改变世界的故事，他们对谎言的识别能力远低于政府资助机构，而且科学家的论文也不用被政府投资机构仔细审核了。

另外，人工智能是这样一片土地，在这里给神话故事浇灌几点科幻小说的想象力，它就可以茁壮成长。这些神话故事在科幻小说的参照下，使情况看起来就像我们好像到了一些让人惊讶的拐点--人工智能可以以我们想不到的程度自我进化，也就是——奇点。

这个论调导致了严重的焦虑（措施恐惧症），在过去政府资助机构觉得自己是人工智能神话的受害者，这就导致了这些机构对人工智能资助的冻结，也就是所谓的人工智能寒冬。

硅谷同时也打造了人工智能最大的狂欢盛宴，它毫不犹豫地拥抱了人工智能。

随着没有多少工业经验的深度学习科学家们从大学毕业，研发中心、非营利实验室和初创公司的深度学习专家数量也开始激增。

初创公司蓬勃发展，承诺在机器人技术、自动驾驶汽车、自动飞行器等领域创造各种奇迹。

所有问题的解决方案都变成了深度学习，其实也不过是在更大的GPU上使用更多的数据训练更深的神经网络。

大家都觉得仅仅需要更多的数据和更多的计算问题就能解决。狂欢就这样进行着。

直到2018年一些人开始意识到这么做是可能不奏效了。对象识别或分割中的大多数“现实”的基准开始显示出收益递减的强烈迹象。

使用大量的数据在很强大的机器上训练这些模型，在表现上只取得了平庸的提升，而在另一些情况里根本没有提升。于是科学家们开始做他们最擅长的事，写很多论文，其中一部分人放弃做产品，开始探索这项新科技的局限性。

用深度学习玩游戏

在深度学习应该带来革命的所有领域中，有一个领域持续给出了的优异成果：游戏。

因为游戏可以在计算机上推演，进而产生比在现实世界里要高出几个数量级的数据，这样大量的数据很难从现实中获得和标记。

在许多情况下，仅仅训练电脑（代理人）玩这些游戏就可能花费数十万美元（仅仅是电力和计算硬件）。

但是同样的技巧不适用于现实世界的问题，标记这样的数据花费高昂，并且这些数据通常不能完全代表手头问题的极端情况。

在所有这些人工智能的狂潮中，Hans Moravec那古老被人遗忘的观察也就是Moravec悖论，变得越发清晰和明显。

虽然深度学习在广泛的计算机感知领域实现了许多新功能，但它没有解决人工智能的一般问题。

即使在计算机感知更接地气的应用中，大量标记数据也不容易获得，基于经典算法和手工特征的解决方案在现场应用中更容易开发也有更强的预测能力。这些方案经过精心的设计和优化。

人工智能技术进步的试金石是自动驾驶汽车开发

到2016年，硅谷的许多人都相信这项技术几乎可以实际部署，并且将成为深度学习的关键支柱之一毕竟汽车已经可以在没有干预的情况下行驶数英里。

这种信心非常强烈，以硅谷为基地的汽车制造商特斯拉甚至开始将该功能作为云端升级（即将发布的更新）出售。

到2019年初，这些说法基本上没那么有底气了，一些关于销售蒸发器的诉讼正在进行中。与此同时，对于许多自动驾驶汽车公司来说，2018年是艰难的一年，亚利桑那州由优步AV造成了致命撞车事故以及特斯拉自动驾驶仪相关事故造成了多人死亡。

此时，即使在硅谷，人们也开始慢慢意识到，一辆完全自动驾驶的汽车，能够像出租车一样把人载着到处跑的自动汽车，还是一个遥远的未来。

很明显，汽车将继续内置电脑，从这个意义上说，硅谷已经赢了，但这与之前的梦想相去甚远。

2018年，比特币的价格从近20,000美元跌至4.000美元以下，跌幅超过80％。

在2018年，硅谷的另一个大赌注面临严重打击：比特币，区块链的头兵，价值下跌超过80％。许多人损失了很多钱，市场对加密数字货币的热情普遍大幅下降。

AI还有很远的路要走

深度学习和区块链都是非常有趣的技术，它们实现了以前不可能的事。

谷歌的图像搜索比以前的好了很多。其中样式转换过滤器是一个非常酷的工具，使得这篇文章的特色图像成为可能。

机器翻译现也足够让你在外国找到路了，但还远不能翻译诗歌。

以上说的种种这些改进似乎都不足以赢得胜利，不足以为硅谷的大赌注正名。它们看起来都不像90年代疯狂的计算机热潮一样有影响力，有利可图。

至于人工智能，这波炒作周期与以往的炒作周期没有太大差别。

我们想让计算机做受过教育的成人可以做的事情，但后来才意识到这些计算机无法处理婴儿或动物认为理所当然的事情。

只要我们继续跌入同样的陷阱，AI（就像在实际的通用人工智能中）将仍然是一个白日梦。

英伟达是一家给区块链和人工智能淘金热卖铲子的硅谷公司

过去四年的股票行情既反映了人们很高的期望，也反映了期望不断破灭的过程。

未来很难预测，但至少现在看起来这两个赌注都是死路一条。

也许就像互联泡沫网破灭之后会出现谷歌和脸书这样的公司，当前技术成熟周期之后在区块链和人工智能领域可能出现相似的成功案例。

但也就像那时一样，只有极少数人会赢，而很多人会错过机遇。

硅谷与人工智能的一段风流暧昧史相关推荐

Python爬虫人工智能大数据全栈视频史上最全合辑教程分享！
Python爬虫人工智能大数据全栈视频史上最全合辑教程分享! 毫无疑问Python是这两年最火的编程语言,不仅容易上手,且在多个行业都可应用.尤其今年人工智能及大数据的发展,Python将会展现更多的 ...
【知识图谱】知识推理，知识图谱里最“人工智能”的一段
互联网时代,人类在与自然和社会的交互中生产了异常庞大的数据,这些数据中包含了大量描述自然界和人类社会客观规律有用信息.如何将这些信息有效组织起来,进行结构化的存储,就是知识图谱的内容. 知识图谱的难点 ...
了解硅谷历史，向前辈学习，引史为鉴
最近在读<重新定义公司谷歌是如何运营的>,在"谷歌的管理之道"这一章里面讲到谷歌公司对创意精英(smart creative)的管理,文中说到需要向历史,前辈学习经验 ...
一个硅谷网工的四年打怪升级史！
查看全文 http://www.taodudu.cc/news/show-3176031.html 相关文章: CCNA 笔记计算机网络--从直连网络到以太网 1.计算机网络 [北邮国院大三上]互联 ...
「大咖云集硅谷AI大会」人工智能商业化的趋势与挑战
https://www.toutiao.com/a6711789842163827212/ 人工智能(AI)技术的快速发展激发了广泛的行业创新,金融.零售.教育.出行--几乎所有产业都正在进行或即将迎 ...
AI：人工智能领域主要方向(技术和应用)、与机器学习/深度学习的关系、数据科学关键技术与知识发现/数据挖掘/统计学/模式识别/神经计算学/数据库的关系(几张图理清之间的暧昧关系)
AI:人工智能领域主要方向(技术和应用).与机器学习/深度学习的关系.数据科学关键技术与知识发现/数据挖掘/统计学/模式识别/神经计算学/数据库的关系(几张图理清之间的暧昧关系) 目录人工智能主要领 ...
【大咖云集硅谷AI大会】人工智能商业化的趋势与挑战
Robin.ly 是立足硅谷的AI视频内容平台和社区,服务全球工程师和研究人员,通过与知名人工智能科学家.创业者.投资人和领导者的深度对话和现场交流活动,传播行业动态和商业技能,打造人才全方位竞争力. ...
MGC Group区块链、人工智能的A面与B面
7月2日.3日,TechCrunch(动点)将今年的国际创新峰会放到了杭州,从另一角度印证了杭州目前在中国TMT领域的地位,根据普华永道此前发布的<普华永道独角兽CEO 调研2018>,杭 ...
读书笔记摘自：《人工智能：国家人工智能战略行动抓手》的笔记（作者: 腾讯研究院中国信息通信研究院互联网法律研究中心腾讯AI Lab 腾讯开放平台）
序言一第三次人工智能浪潮已经到来,这是更强大的计算能力.更先进的算法.大数据.物联网等诸多因素共同作用的结果. 决策让渡将越来越普遍. 正是由于人工智能在决策和行动的自主性上面正在脱离被动工具的范畴 ...

硅谷与人工智能的一段风流暧昧史