这几天，机器学习圈子的日常话题忽然刮起了一股「怀旧」风。
在 GANs 的余温逐渐冷却，基于深度学习设计的解决方案仍然在信息与计算机领域之外的问题上苦苦挣扎，机器学习理论研究相比于单个方法和任务更关注不同方法和任务之间关系的大画卷，强化学习一面在前所未有的算力的支撑下不断斩获新的成绩、一面仍然因为学习范式固有的不稳定和低样本效率广为诟病的这个 2018 年夏天，突然有人想起六十多年前的、1955 年的那个夏天。
「人工智能」的诞生
1956 年达特茅斯学院夏季人工智能科研项目其中五位参与者，在 2006 年 7 月的 AI@50 论坛上重逢。从左起： Trenchard More、 John McCarthy、 Marvin Minsky、 Oliver Selfridge和 Ray Solomonoff
1955 年夏天，几位计算机科学与信息学大拿、人工智能先驱 John McCarthy、Marvin Minsky、Nathaniel Rochester、Claude Elwood Shannon 在达特茅斯发起了一个夏季科研项目提议，首次提出了「人工智能 Artificial Intelligence」的概念。在这个 workshop 的倡议书中他们写道：「我们将试图找出一种方法，能让机器使用语言、形成抽象概念和观念、帮助人类解决不同种类的问题，并且能够自我改进……现阶段人工智能研究的目标是，试图让机器做出能被人类称为『智能』的行为。」而那个夏天，他们希望讨论的话题就已经是（翻译成现代研究人员使用的词汇之后）：自我编程计算机、自然语言、神经网络、计算复杂度、自我改进、表征（本体论）、随机性与创造力。
《A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE》, 1955, J. McCarthy, et.al
他们还写道「我们认为，只要一群精挑细选的优秀的科学家一起研究一个夏天，我们就可以在其中的至少一个问题上做出重要的突破」。相应地，他们在预算中准备了 6 位教授和2 位博士生的薪水，与其他开销以及意外预留费用加起来，一共 13500 美元；只看预算的数额都觉得寒酸（即便当年的美元比现在的值钱）。
结局我们自然知道，这些问题的广度与深度都远超「一小群科学家」和「一个夏天」所能掌握的，即便到了今天其中的多个问题都是人工智能/机器学习领域热门的未解难题，甚至于，如果在某个小规模的机器学习会议中看到的讨论议题就是这 7 个（的现代版），也并不会觉得分外奇怪吧。
不过反过来说，六十多年前的 workshop 提出的研究课题直到现在都有还未解决的、还在热烈讨论研究的，不禁让人嘴角上扬。这当然说明了几位先驱的高瞻远瞩，但这是否也说明在如今满天飞的论文中，真正有开创新的、触及本质的研究还是太少呢？我们也许给一些问题给出了更好的答案，但许多方面我们还未能提出更好的问题。
1956 年达特茅斯的 AI 会议正式召开并开创了人工智能 Artificial Intelligence 这个词之后，无数计算机科学家、电子科学家、语言学家、神经科学家、心理学家等等汇聚在这面大旗下，尝试推动智能系统、计算理论、生物智慧、仿人类智慧系统设计的研究，不过一如大家所见，太多的问题和概念都一股脑装在了「人工智能」这个大筐里，普通民众也养成了用「机器够不够像人」和「机器和人谁厉害」评价技术成果的坏习惯。
有一些做机器学习、智能系统的科学家其实感到很头疼：如果当年达特茅斯的几个人提出的词是「计算智能 Computational Intelligence」而不是「人工智能 Artificial Intelligence」，能表明重现人类的智慧不是唯一的目标、甚至都不一定是最重要的目标，就好了……
从这个角度来讲，也许还是能够说明几位先驱们对这个方向的认识过于简单和乐观，没有意识到「生物智能」与「机器智能」、「复杂的人类社会文化」与「确定可解析的机器计算」、「模仿生物智能」与「帮助人类完成任务的智能系统」之间深远的鸿沟。后来的机器学习「祖师爷」、「人工智能界的迈克尔乔丹的」Michael I. Jordan 也撰文仔细解释过相关话题，感兴趣的读者可以阅读雷锋网 AI 科技评论往期文章 Michael I. Jordan 撰文：不要被深度学习一叶障目不见泰山。
后来的两个夏天的故事
「人工智能」概念在 1955 年提出，而后逐渐发展出了经典的、基于规则的机器学习系统；这当然是深度学习时代来临之前的事情。
如果回看 1955 年的「人工智能」研究课题我们觉得眼熟的话，回看 1980 年代的机器学习系统会是什么感觉呢？华盛顿大学计算机科学与工程学教授 Pedro Domingos 也给了自己的观点：
看起来似乎不太乐观，似乎深度学习只是以往的机器学习方法的再次错误重现。不过也有许多人反驳，虽然认同两个时代的智能系统都面向非常狭窄的任务、都非常脆弱，但如今的系统已经确实广泛运用在了各种系统中，为全世界人民提供了实实在在的价值。
Keras 作者 François Chollet 也表示：「就像人们倾向于高估当代的 AI 系统的覆盖范围和智慧水平，他们也会低估这些简单、面向狭窄任务的系统能做到多少事情，只要它们被扩展到了合适的规模、被广泛地部署使用。深度学习确实从各个角度看起来都很蠢，而且它也并不能构成一条通向人工智能的有意义的路径，但同时，深度学习非常的重要，它有潜力对大多数行业产生难以忽视的影响。它不需要很聪明就已经可以很有用。」
François Chollet 的话非常中肯，深度学习距离「人工智能」的目标还太远了，但以深度学习为核心的解决方案已经在许多领域生根发芽。今年其实有人担心神经网络、人工智能的第三次寒冬是不是快要来了，但既然包括神经网络模型在内的各种机器学习方法除了学术界的广泛研究之外也还得到了企业的广泛使用，那么所谓寒冬就不用害怕。
这个夏天，很热。而且以后的夏天也会像以前的夏天一样，充满故事。
《A PROPOSAL FOR THE DARTMOUTH SUMMER RESEARCH PROJECT ON ARTIFICIAL INTELLIGENCE》PDF 下载：https://jmc.stanford.edu/articles/dartmouth/dartmouth.pdf
雷锋网 AI 科技评论报道。
