1901年，天文学家、数学家Simon Newcomb表示，人类不可能造出比空气更轻的飞机。1908年，莱特兄弟的飞机试飞成功。
二战过后，美国人公开表示，长距离火箭遥不可及。没过多久，俄罗斯的巨型火箭率先进入了外太空。
时间转到今天。当AI浸入各行各业的同时，对AI的质疑也纷至沓来。AI寒冬是否又会再次到来呢？OpenAI的联合创始人兼CTO Greg Brockman在近日的一次演讲中发表了他的看法：
不想看视频的同学，可以阅读下面的文字哟~~~
“AI最终能达到什么样的高度，我现在还无法下一个定论。但目前的质疑呢，我看大多是不靠谱的！”
他从“科学发展史”、“AI发展史”、“深度学习的极限”和“算力极限”四个方面阐释了他的论点。
科学发展史
有啥疑问，直接找专家呀！他们的观点大多错不了。
但历史一遍遍证明，专家们错得可是太离谱了。
在1901年天文学家、数学家Simon Newcomb表示，比空气更重的飞机是完全不可能的。于是在1908年 他知道了莱特兄弟的飞机。
没关系，他承认这是可能的，但是他认为，这永远不可能商业化，因为这样的飞机不可能扩大到可以容下一个乘客和一个飞行员。于是又被啪啪打脸了。
二战后，美国人和俄罗斯人都关注了德国的V-2科技，这两国都想做同一件事那就是建立ICBM（An intercontinental ballistic missile，洲际弹道导弹），这意味着他们要扩大原本V-2火箭的规模十倍以上，造一个200吨的火箭。
美国人看到这，认识这完全不可能，就在接下来的五年里完全放弃了长距离火箭。
俄罗斯人说，可以没问题，因为我们就是要造一个巨型火箭。当太空比赛开始时，俄罗斯人说，看吧，我们已经有这个巨型火箭了！于是，俄罗斯人率先进入了外太空。
专家们在很多方面确实有很多先见之明，但是不能因为有人说了一些什么，就终止了某一领域的研究。
AI发展史
接下来，让我们来回顾一下AI发展史。
AI是一个讲究潮流的领域，这个领域里有多种多样的潮流。比如，某一个十年非常流行SVM（支持向量机），下一个十年，又流行别的模型了。
现在我们正处于最新潮流中，下一个十年又会流行别的。这话没错，这个过程是持续的，目前看不到尽头。那就让我们来挖一挖，这几十年AI到底经历了哪些潮流。
1959年，perceptron（感知机）被公开发表了。不止科学杂志疯狂报道，连纽约时报也写到：“像感知机这样神奇的东西，有一天它能识别人叫出他们的名字，并且在多种语言间实时翻译。”
1960年代，以Marvin Minsky和Papert为代表的人强烈反对感知机，发起各种运动，并且最终成功了。
在1969年他们表了一本书，里面证明了多种感知机无法解决的基本问题。
因此所有研究经费断供，所有基金断供。AI第一次寒冬来临。
这一波经费究竟被用到了哪里了？很大一部分其实被用来构建更大的电脑了。
二十年后的80年代，反向传播开始流行。
有趣得是，反向传播吸引来的人不是计算机科学家，而是认知科学家。他们真正激动的不是关于如何建造大型系统，如何拓宽这些技术的边界，而是关于理解大脑。他们非常乐意接受这样一种人造的系统，能够对他们的研究有那么一点关联。
由于算力的限制，反向传播一度也经历了大量质疑。但今天，在空前算力的支持下，反向传播将AI带到了全新高度。
深度学习的极限
所以，深度学习发展的极限是什么呢？
有很多人已经对此发表过看法了。一个很好的例子是，去年一位杰出的深度学习评论家说：深度学习模型将永远不能学会长距离规划，不论你用多少数据去训练它。
今年，我们在Dota比赛里展示了OpenAI Five，也就是Dota系统的长期规划能力。
一个月后，那个评论家又说，你可以用足够密集的空间样本来解决任何问题，但只有当你的数据量很小的时候才有趣。
我认为，看看过去几年结果的具体例子是很有启发性的，然后让我们想想：人们对之前的深度学习的局限性有什么看法，对之后的又有什么看法？
在深度Q学习出现之前，我们感觉深度学习仅仅是关于静态数据集的。突然，我们把神经网络投射到屏幕上面，然后给出一个分数，然后它开始能够玩转这些简单的游戏。
再举个例子。之前人们说，深度学习只会感知，永远也做不到最难的自然语言处理任务比如翻译。结果又被打脸了。
我们也许可以得出这样的结论，深度学习会取代所有的监督学习，并且在这些特定的领域内胜过人类的聪明才智。比如AlphaGo，比如我们的Dota工作。强化学习仅通过自身就能解决这个难以置信的难题。
当然，你仍然可能会产生这样的质疑：我们如何把这个东西应用到现实世界中去？强化学习是不是只会玩游戏呢？无论任务是怎么样的，我们都需要有一个完美的模拟器吧。
今年，我们用Dota系统训练了一个机器人，真的就是用Dota系统来指向这个环境。然后，我们可以教会这个机械手臂操纵小方块，这是一个人类程序员无法完成的任务——制造这种机械手的公司做这个已经有20年了，现在每年大概才卖出10个，因为没有程序员能实现这样的功能。
所以，你甚至不需要一个完美的模拟器，你只需要一个刚好能够完成手头上任务的模拟器。
我想我们都听过这个说法，人工智能的进步有三大支柱：计算、算法和标记数据。
但是现在，如果你再看一遍这个说法，你会发现“标记数据”其实也不是必要的。
比如今年，自然语言处理（NLP）领域最新研究表明，你可以让一个模型在大量无监督文本上学习，然后使用非常少量的监督数据进行了微调，这样你就能够在各种各样的NLP任务之间设置最先进的技术水平。
所以说，深度学习的极限真的很难被定义。
算力极限
最后，我们再来看看算力极限，这大概是近年来限制AI发展的关键要素之一。
如果我们看看过去六年里发生了什么，就会发现计算经过了一个疯狂爆炸式的增长。每三个半月，我们的算力就会翻一倍。
怎么理解增长速度呢？就像在2012年的时候，你的手机电池只能坚持一天。在2018，它就能坚持800年的时间，到2023年，它能坚持一亿年的时间。
再换一种方式来理解，一个2023年的未来系统在30秒内消耗的计算量，将会相当于我们今天的Dota系统一个月的计算量。
这个数字太疯狂了，看起来有点不可理喻，但是这样的事情其实已经发生了。20世纪90年代的大规模成果之一TD GAM，在一个现代的GPU上计算大约只需要5秒钟。
所以我们把这些事情合起来看，可以得到的结论是：我们也很难去界定算力的极限。
我们真的很难说有什么是做不成的，这意味着我们需要开始积极主动的思考，这些系统将会给世界带来什么样的影响？
在畅想人工智能时，我们应该少依靠直觉，多依靠证据和假设。
我们都在创造自己认为的会对未来产生巨大影响的技术，所以我们要对这事情好好负责！
