几天之前，国内科技媒体，尤其是AI媒体之间刷屏了一篇文章。其原作者是机器视觉专家Filip Piekniewski ，标题叫做《AI Winter is Well on its Way》。这篇文章在国内有各种翻译的版本，并配了很多标题。但主旨差不多是一样的：“深度学习完了！AI寒冬又要来了！”
深度学习真的完了吗？
无论是国内还是国外，在社交媒体上“看热闹就不嫌事大”属于一种基本操作。所以这篇文章还是短期内引发了大量关注。
比如我们会看到国内一些媒体以这篇文章为依据，开始提出人工智能要完了；人工智能脱下皇帝新衣等等观点。
可是这篇文章究竟是否靠谱呢？
用大神Yann LeCun的评价，这篇文章的观点属于“非常无知very uninformed”。
确实其中也有不少近似常识错误的部分，不是很值得讨论。
比如文章中认为：深度学习要糟糕的证据之一，是深度学习专家们发的相关推特越来越少了。文章中还煞有介事地分析了吴恩达发推特的数量……
这个论证逻辑实在有点牵强，一个技术诞生好几年后，当然难以与它刚刚面世时的流量热度相提并论。而且另一方面，似乎全世界的人均发推数也在大幅下降……
但我们未尝不能把目光放的更远一点：比如客观来看，反深度学习思潮已非一日之寒。
各种关于深度学习的争论，以及对其泡沫的怀疑，在近半年间尘嚣之上。
这当然不会完全没有道理。而且围绕在深度学习身旁的争议，经常有着复杂的动机和话语背景。而被媒体，尤其是翻译后媒体所展示出来的，不过是冰山一角而已。
那么或许我们可以从那篇《AI寒冬就要来了》的文章里，去观察一下这场“深度学习的王座保卫战”。或许这可以给我们一些线索，来判断AI之冬到底是远在天边还是触手可及。
Filip Piekniewski对深度学习的质疑一共有这么几项证据：
关于深度学习的推特在减少……这个我们就不多聊了。
大公司对AI的兴趣正在消退。
深度学习没有证实“架构可以无限延展”的传闻。
接二连三出现的自动驾驶事故让深度学习失去价值。
这四大证据，得出的结论就是AI寒冬就像股市崩盘一样，很快就会发生。
不得不说，这个逻辑链里的槽点还是相当密集的。
自动驾驶事故，是深度学习的锅吗？
首先来我们回到备受争议的自动驾驶事故。
Filip Piekniewski认为，Uber在坦桑尼亚州撞死人的那起事件，直接证明了深度学习的无效性。原因在于报告显示，AI系统没有认出视线范围内的行人。
这个推论乍听起来有理有据的，但仔细一想绝对可谓强行甩锅。
这就像一辆车因为发动机熄火导致发生了车祸，那么原因可能有很多，比如：车主没有好好保养；汽车制造商有质量问题；汽车零部件生产商有问题；甚至是意外因素。
实在很难想象把原因甩给内燃机技术，以及相关学术界。
当然，深度学习目前可不像内燃机一样经过了千锤百炼。
但脱离具体的解决方案与算法、零部件、车载系统、厂商之间的技术差异等等因素，去质疑宏观技术，似乎也是不妥。更何况深度学习也难以被视为无人驾驶场景中的最核心技术。
比如Uber的事故率可谓出名的高，但Waymo的事故率却出名的低。那么究竟他们都使用的某种技术不行，还是厂商不行呢？这大概不是个难以回答的问题。
换个角度想，假如深度学习非常炸裂，达到了毁天灭地的程度，于是无人驾驶就成熟到可以不经过任何测试与研究，马上就取代人类司机安全上路了吗？好像也不是。
所以把个别厂商的安全事故要甩给大家都用的底层技术，实在有点甩锅的嫌疑。
大公司放弃人工智能了吗？
Filip Piekniewski提出大公司对人工智能的兴趣正在衰退。
比如有媒体报道谷歌正在不知道拿DeepMind怎么办（这篇文章之后没多久，谷歌I/O大会里又着重强调了DeepMind的技术）,而DeepMind和OpenAI这两个深度学习王牌公司如今静悄悄的没什么声音,结论是Facebook和谷歌开始展露出从AI撤退的意图。
那这个意图可能确实有点太隐晦了。
就像Yann LeCun批评的那样，谷歌、Facebook和微软这样的大公司，近期对AI的加注和加速招聘人才都是显而易见的。
这个时间段最有代表性的可能是微软，最近凭借一通紧密关联AI的神操作，微软股价涨出了新高。
谷歌和Facebook，甚至亚马逊的进一步AI化都非常明显。而谷歌，可就连军方AI项目都那么地不离不弃。
文章提到了另一点：DeepMind在AlphaGo之后就没有什么惊人表现了。
当然每个人对于惊人的定义是不同的，但从我们的角度看，DeepMind这两年在强化学习和仿生AI的研究上，成果是非常显著的。
它与谷歌能否长期兼容当然是另一个商业层面的问题，仅仅就技术表现而言，绝不可能每一个技术进步都有AlphaGo的传播性和公关价值。
当然，值得注意的是，DeepMind确实正在越来越少提出深度学习相关的技术，反而强化学习正在成为这家公司新的关键词。
泡沫与不确定性，确实弥漫在DL身旁
整体而言，这篇刷屏文章中相对靠谱的一个怀疑，是关于深度学习的框架延展性问题。
13到16年间，确实弥漫过很多对深度学习的过分吹捧，并且其中很大部分来自于科学家。
其中一个论调，是深度学习的特殊性让其架构可以无限增长，于是智能也就会停不下来地几何级扩张。
但在实践中，这显然不靠谱。首先是无限增长架构效果并不一定好，这在很多过分复杂的模型中都得到了印证；其次过于复杂的架构，同时也意味着巨大的能耗和庞大的数据需求量，这都是今天无法负担的。
这类赤果果的打脸，在深度学习身上已经发生了不少。
由于深度学习技术提出时，确实让学术界和产业界看到了非常可观的延展空间，以及把很多抽象能力计算化的可能。
而在竞技、视觉以及自然语言翻译等领域，深度学习也的确带来了不可替代的提升。
于是无论圈内还是圈外，关于深度学习就是那个“终极算法”，人类可以借由DL一路达到通用智能等等言论蜂拥而至。而深度学习之所以被很多科学家反感，这些反常识的言论其实占据了主要原因。
这些言论和乐观估计是否带来了资本和商业市场上的泡沫呢？
可以说是绝对有的，而且恐怕美国比中国更甚。这些因素，加上深度学习技术一些无法被攻破的先天不足：比如严重的黑箱性、数据依赖性，以及对动态模拟的不足等等，共同组成了一个不稳定空间。
尤其在AI尝试走向商业化的时候，这些不稳定或许会发展为定时炸弹。好在目前来看，商业应用初级深度学习的技术红线，还有非常遥远的距离。
即使是“反深度学习联盟”中最大的旗帜Marcus也认为，在功能架构上来说，深度学习可能是今天最好的解决方案，虽然它有这样或那样的问题。
深度学习失效了，AI冬天就会到来吗？
最后一个我们需要弄清楚的问题，是假如深度学习失效，或者至少不再那么红火，那么AI之冬是不是就一定不远了？
历史上人类经历过两次AI之冬，尤其80年代的AI寒冬，给当时已经相对完整的产业结构带来了致命的打击。到底有没有第三次，这或许是每个相关者都关注的问题。
这里最大的问题，可能是深度学习失宠和AI之冬的必然联系：到底是“苍天已死，黄天当立”，还是“苍天已死，大家完蛋”？
目前来看，似乎前者出现的概率要比后者更高。即使最终在某个产业节点，一些突发因素证明深度学习是一种架子很大但实际没什么用的技术，那么好像今天等着上位的“备胎”也有不少。
比如上面提到了，DeepMind正在大举投身对于强化学习的研究，并且跃跃欲试想要搞些大事情。不久前他们通过对大脑中海马体的模仿，用强化学习技术达成了在无地图情况下自动导航。效果已经非常惊人了。
深度学习之父Geoffrey Hinton似乎也对这个“亲儿子”不太满意。他和团队正在努力提出胶囊网络技术，这被广泛视作未来可以补充甚至挑战深度学习地位的算法实现方式。
此外，小数据学习、GAN等方案都在尝试在某些领域补充深度学习的缺憾。
《冰与火之歌》告诉我们，铁王座上经常换人，但七国还是那个七国。
深度学习不被宠爱与AI寒冬的逼近，似乎二者间缺少必然的逻辑联系。尤其在深度学习的商业化潜力，还远远没有被逼尽的情况下。
推翻深度学习，目前还不那么容易
综上所述，由于深度学习这东西生来伴着太多的光环，而且太多科学家与企业主为它说过很明显的大话。那么很多同行在这门技术不那么活跃的情况下，赶紧出来“打脸”一番，似乎也是可以理解的。
需要注意的是，无论吹嘘深度学习可以连接通用智能；还是将其成败与吴恩达每天少发了0.15条推特联系到一起，显然都是带着立场和情绪的。
或许相对客观对深度学习技术的评价是这样的：生来惊艳，并且先天不足。
但在产业与工程化层面，今天想要推翻深度学习的主流地位似乎更加困难。原因在于80分不等于0分，深度学习以及衍生技术解决的是一个机器识别、仿生模态感知与机器理解能力从无到有的进步。
这个进步之下，有大公司的巨额投注、国家与政府的跟进，也有感知智能打开的商业想象空间，以及商业智能与各行各业的结合可能。这些技术起点和整个商业市场相比，目前全世界的渗透率都还很低。
这也意味着，即使深度学习不再在技术端继续增长，那么把产业潜力释放干净，也还需要一个漫长的时间轴。
另一方面，目前所谓以推翻深度学习为目标的技术，往往是在补充深度学习的不足，并且大多比较初级。它们未来是否真的是非此即彼的关系，目前还是未知数。
归根结底，深度学习可能还要在它所谓的“王座”上再坐一会。而媒体和反对者想要得出AI寒冬的结论，可能还需要多花些努力才行。
