簡述人工智慧三次浪潮中各階段出現低潮的原因是什麼? 人工智慧的未來

1、自1956年的夏天誕生於達特茅斯會議之後，人工智慧業已經歷三次浪潮。第一次浪潮中，人們驚呼著“人工智慧來了”、“再過十年機器會超越人類”，陸續發明了首款感知神經網路軟體，證明了數學定理。

2、第二次，隨著上世紀80年代Hopfield神經網路和BT訓練演算法的提出，出現語音識別、語音翻譯計劃等以及日本提出的第五代計算機。然而，由於未能真正進入人類日常生活之中，前兩次浪潮最終歸於沉寂。

3、如今第三次人工智慧浪潮的興起，得益於深度學習技術的突破。該技術是一種需要訓練大型神經網路的“深層”結構，且每層可以解決不同方面的機器學習。其特點是，無需再依賴於硬體程式碼和事先定義的規則，而是依靠模擬人類大腦的神經網路系統，從案例和經驗中習得演算法。

4、“人工智慧的不同技術應用處於不同階段。其中，語音識別處於推廣和普及階段，三至五年之後，計算機的語言識別能力會超過人類。10年之內，視覺方面的影象識別也會發展得非常好。無人駕駛汽車領域，已經能夠實現一些類似能夠分析過去的人工智慧功能。具有有限記憶的人工智慧，正處於實驗室研究階段。”沈向洋指出，“然而，具有自我意識的人工智慧，離我們還有很遠的距離。”

5、神經網路、深度學習等技術架構早已存在多年，它們之所以在近5至10年產生飛躍，得益於資料、硬體和演算法的改變。

6、根據IDC數字領域報告顯示，至2020年，每年資料量將達到44ZB（1ZB合1萬億G），5年內年複合增長率將達到141%。隨著資料量的增長，神經網路便會更有效率，機器語言可解決的問題數量也在增加。

7、硬體能力的提升，增強了神經網路產生結果的速度與準確率。有別於傳統基於資料中心架構的CPU，GPU與並行架構的使用能夠更快訓練機器學習系統，通過使用影象晶片，網路能夠更快迭代，以確保訓練的準確性；諸如微軟和百度使用的特製矽FPGA，能夠令深度學習系統做出更快推斷；超級計算機的計算能力，則可幫助探索深度學習的進一步可能性。

8、在更加豐富的資料量、更優質的硬體能力的前提下，如今的研發更多是面向演算法，例如伯克利的Caffe、谷歌的TensorFlow和Torch這類開源框架。

9、儘管取得了巨大的技術進展，以深度學習為驅動力的人工智慧技術更多仍停在分類、聚類和預測階段，如：影象、文字、語音的識別、對比尋找相似專案，或基於相關資料進行預測等。然而，能夠完全複製人類獨立學習、決策能力等在內智慧的通用人工智慧（或說強人工智慧），還僅僅停留於理論想象之中。

10、它的瓶頸更多體現在計算能力不足上。目前，類似全腦模擬的技術已經被用於實現通用人工智慧的目標，然而其所需的計算力遠遠超出當前的技術能力。未來隨著量子計算機取得突破，該瓶頸方才有望打破。中科院5月3日宣佈，我國科學家成功構建世界首臺超越早期經典計算機的光量子計算機，並實現了十個超導量子位元的高精度操縱，打破此前美國保持的記錄。量子計算是利用量子相干疊加原理，在原理上具有超快的平行計算和模擬能力，可以為經典計算機無法解決的大規模計算難題提供有效解決方案。中國科學技術大學教授潘建偉團隊利用自主發展的綜合性能國際最優的量子點單光子源，通過電控可程式設計的光量子線路，構建了針對多光子“玻色取樣”任務的光量子計算原型機。

11、但光量子計算機在人工智慧的廣泛應用，仍有很長的一段路要走。