我国的人工智能才刚起步，最多只能说做了一些基础性工作，如语言识别，智能机器人、无人驾驶、深度学习、计算机视觉等等，远没达到预期目标，与日本、美国等西方国家还有很大差距，所以也谈不上什么泡沫破灭。

就拿题主所说的深度学习为例。深度学习的技术原理定义如下：

”1.构建一个网络并且随机初始化所有连接的权重；

2.将大量的数据情况输出到这个网络中；

3.网络处理这些动作并且进行学习；

4.如果这个动作符合指定的动作，将会增强权重，如果不符合，将会降低权重；

5.系统通过如上过程调整权重；

6.在成千上万次的学习之后，超过人类的表现；”

网络机器人。如果深度学习成功，机器人可以代替人类进行涉及安全的生产活动，如，具有核幅射的加工实验、矿山的井下劳动、高空作业等等重复性工作。现在基本没做到。

一些研究机构热衷于象棋、围棋的深度学习，并频发论文，以示突破。这只是简单的理论。

前一段时间，核工业的一个公司，为了简验核材料的一些属性，找到我们公司，要买一套加工设备，附加机器人自动上料、卡装、加工、取料、回收一整套系统。这其中的每一步操作都要准确无误，在一个封闭的屋子完成。

我们找了几家机器人研发公司、深度学习做的很有成就的公司、国内卡具专业公司，希望一起作此项目，但大都没有实战能力，或者没有技术储备。

这件事情从一个侧面说明，我们的理论是肤浅的，没有真正地深入到需要它的领域。真正在一线工地上从事重复劳动、日夜奋战的工人师傅，他们急需要被具有”深度学习”水准的机器人所替代。

深度学习，在成千上万次的学习之后，超过人类的表现。很容易做到吗？

国产扫地机的表现，可能大家都很失望。按照成熟的深度学习的原理，一个扫地机，工作在一个网络里，这没问题。在对整个屋子进行了长达一年多的学习之后，依然是懵懵懂懂，要么跑到地毯上动不了，要么在桌、椅腿之间卡住了，要么吭哧吭哧地一定要爬上障碍物。

深度学习，绝不是几个数学算法那么简单，一定要应用于实际解决问题，从一个行业，扩展到大多行业，逐渐使产品成熟，达到为人民服务的目的。

随着我国经济的高速发展，人民生活进入全面小康，对人工智能有着迫切的需要。

一些老年人乘公共交通，如何刷卡，或经常忘带卡，是经常遇到的事，如果到处都能支持人脸识别，并且与银行帐户挂钩，还会有此烦恼吗？

垃圾分类，现在基本靠人来手动分拣，如果能根据AI的计算机视觉原理，让机器自动分拣，岂不又快又卫生、又节省人力？

随便都能想很多AI的用途，关键在于落地，把理论用于实践中。

总结：深度学习只是AI的一个分枝。AI的语言识别、智能机器人、无人驾驶、计算机视觉等等诸多分枝也需要广大科研工作者潜心细致的研究并使其产业化。

技术需要螺旋式提高，尚未深入研究技术，就认为有泡沫，是很肤浅的、非专业的表现。需要在某一领域沉下心来，深入研究，争创世界一流，才是广大AI科研工作者应有的态度。

不可否认，人工智能发展到现在这个阶段，的确存在一定程度的泡沫，比如:宣传成分夸大，AI企业估值偏高，落地价值场景有限等问题。

但这个阶段，如果再说泡沫破灭，显然就有一些过于悲观了。

我们可以先从相对专业的维度，看看2012—2018年在人工智能尤其是深度学习相关领域取得的一些关键突破，按照时间段来划分，简单介绍一下:

2012年：应用AlexNet和Dropout 方法处理ImageNet

2013年：使用深度强化学习玩转 Atari 游戏

2014年：采用“注意力”的编码器-解码器网络及Adam自适应矩估计优化器

2014/2015年：生成对抗网络（GAN）

2015年:残差网络（ResNet）

2017年：Transformer模型

2018年：BERT和微调NLP模型

2019/2020年及之后：BIG语言模型，自监督学习……

所以说，深度学习领域，一直在不断的发展，并且几乎每年都有取得重大突破的技术。

• 下面是东方林语录制的一段五分钟左右视频，对“人工智能的冬天”是否会到来，专门做了一个更详细的解释，点击即可进入下方视频:

{!-- PGC_VIDEO:{\"thumb_height\": 720, \"vid\": \"v02016430000bsl0j9vi4l13h3spejog\

並非泡沫，而是復兴。九十年代時的神经网络，只有三層，而且在CPU上跑是龟速。2012年時AlexNet 用兩颗GPU把这个鸿沟打破了, 它有九层之多，而且赢了ImageNet比赛。

正如强化学习牛人Sutton教授讲的，我们70年来取得的最大成果都是基于算力的突破。我们用的算法都是几十年前的反向传递，強化学习也有几十年历史了。最近的突破都是摩尔定律带来的。

你很幸运，你毕业后将見到摩尔定律的终点。只憑算力的时代已快过去了，君不见OpenAI的GPT3模型用了一千兩百万美元来做训练，雖然结果比GPT2好，可写剧本、写小说、写假新闻、甚至写简单的程序，但它並不是强人工智能。

MIT的学者也说这是算力能带领我们走的路的尽头，之后大家要重思强人工智能之路，应该不是算力为王的、而是参考至高者的设计：人腦。我有信心：强人工智能指日可待，五至十年内可能会出现。这一个浪潮短期内退不下去，反而是强人工智能出现后人类何以自処才是问题。

这一轮的人工智能，以深度学习为代表。近阶段，表面能从媒体看到的，都是某些研究机构又推出了某某算法的自嗨。好像能普及的就是人脸识别等为数不多的应用。

这里实际存在一个鸿沟，制约着行业发展。

那就是如何深入不同领域？

这一轮的人工智能，在近几年确实存在炒作、泡沫，但起点的实践，大众知道的是AlphaGo战胜了人类围棋冠军。稍微了解技术的，应该知道，实践起点是Alexnet的提出，在Imagenet图片识别竞赛中，以超出第二名10个百分点的成绩夺冠。这在技术领域是个飞跃！

而此轮的突破，短期不会有泡沫，长期会是深入到社会的各个领域。深度学习的突破，是能够有效处理人类感知数据，图片、视频、声音、文字，而这些带来的是人类的能力扩展。由于这些数据是高维数据，传统方法效果有限，特别是海量数据处理时，模型会容易退化。

而本轮的深度学习，本身的可解释性还不强，也就是人们还不能完全掌握。目前，在初期的泡沫散尽，深度学习并没有破灭，而是在默默深入不同领域，也就是不同领域。

因为在人工智能进入领域时，不是人工智能专业人员能独立完成，而需要各行业内的参与、主导。

打个比方，也许就是静水流深。

而作为此轮热潮的开始事件，AlphaGo使用的技术，明确说是强化学习，而不是简单的深度学习。强化学习理论艰深，也许是网上讨论少的原因。强化学习过程，很像一个婴儿的成长，它能自己去学习、探索，这才是本轮人工智能的深化。目前所说的深度学习，实际只是一种新的数据处理方式，在简单使用到现实，比如大家只能见到人脸识别。不要因为看到的只有人脸识别，就认为人工智能智能做这个。

人工智能最重要的是深度学习，深度学习的关键是大数据。大数据有两个主要的要求：一是数据量特别大，几千万，几亿，几十亿，等等；二是特别丰富的多样性，比如人脸，几十亿人就有几十亿张不同的脸；

人类的智慧就是建立在记忆和记忆模式的基础上。数据就是机器的记忆，而模式，规律却需要从大量的数据中去提取。这波人工智能，在今日头条上就有充分的应用，你的喜好，从有关你的数据中早就提取出来了；运用人工智能技术的新型银行，对原有的银行形成巨大冲击，银行系统纷纷用大数据人工智能技术取代了信贷员；证券交易所大厅里的举牌员已让位于人工智能系统；律师的工作，因人工智能系统效率有了几倍的增长；大数据人工智能系统必将替代医生诊病，大众教育引入大数据人工智能技术必将使教育逐步走向针对每个人的因才施教，和科学的评价体系；……。

现在都是在搞算法和人脸识别，语音识别和智能其实搭不上边，习惯就好，技术需要时间变革，没那么快！

本来就不能处理复杂任务，但是可以处理简单任务

人工智能是第四次革命，每一项革命总有开始和结束的时间，总有被淘汰的时候，人工智能是工业和互联网的升级版，在近50年内不会被淘汰，近十年人工智能，机器人在各领域会将集中爆发，这将是人类最幸福的时刻，大家都是受惠者

泡沫太大，人工智能是不能代替一切的

用人工智能武装的杀人机器到了你面前，你就知道这一轮是不是泡沫了