过去几年，媒体对人工智能(AI)和机器学习技术的评论铺天盖地。可以这样说，在计算机科学领域，从来没有这么多的人说过这么多荒谬的话，而他们却没有那么多相关的专业知识。对于20世纪80年代从事尖端硬件的人来说，这令人费解。

在本月的《大西洋月刊》(The Atlantic)上，知名知识分子、畅销书《Sapiens and Homo Deus》的作者Yuval Harari描述了AI将对民主产生的影响。也许这篇文章最有趣的地方是Dr Harari博士对当前人工智能技术能力的非凡信心。他将谷歌旗下的DeepMind棋类软件描述为“有创造力”、“富有想象力”，甚至是“天才的本能”。与此同时，BBC的纪录片《The Joy of Al documentary》发现，Jim Al- khalili教授和DeepMind创始人Demis Hassabis描述了一个看似人工智能的系统是如何“做出了真正的发现”，“实际上能够提出一个新想法”，并制定了“它自己直觉得出的战略”。

随着大量的夸张和拟人化被用来描述本质上是愚蠢的和机械的系统，现在可能是一些回归基本硬件现实检查的好时机。关于计算机技术的讨论往往通过神话、隐喻和人类对通过计算机屏幕呈现给我们的事物的解释来进行。“直觉”、“创造力”和新奇的“策略”等隐喻是新兴神话的一部分。人工智能专家识别出游戏动作的模式并称之为“策略”，但是神经网络不知道什么是“策略”。如果说这里真的有什么“创造力”的话，那就是DeepMind研究人员的创造力，他们设计和管理训练系统的过程。

今天的人工智能系统是通过大量的自动化试验和错误训练出来的;在每个阶段，一种称为反向传播的技术被用来反馈错误并调整系统，以减少将来的错误——从而逐步提高人工智能在特定任务(如国际象棋)上的性能。

目前人工智能、“机器学习”和所谓的“深度学习”系统的有效性激增，在很大程度上是基于这种反向传播技术的应用——该技术最早于20世纪60年代发明，在20世纪80年代中期由Geoffrey Hinton应用于神经网络。换句话说，30多年来人工智能在概念上没有任何重大进展。我们目前在人工智能研究和媒体中看到的大部分是，当大量非常昂贵的计算硬件和复杂的公关活动被抛到一个相当陈旧的想法中时会发生什么。

这并不是说深度思维的工作没有价值。帮助产生新战略和新想法的机器非常有趣——特别是如果机器的操作因其巨大的复杂性而使人类难以理解的话。在我们的世俗文化中，技术的魔力和神秘性是诱人的，而一些神秘的事物的出现在枯燥的理性工程领域是非常受欢迎的。但是谷歌的机器里没有幽灵。

围绕DeepMind机器的所有争论让我想起了20年前由一个非常不同的、可以说更深奥的“机器学习”系统所产生的兴奋。

1997年11月，Adrian Thompson的工作(PDF)——萨塞克斯大学的计算神经科学研究中心的研究员和机器人成为《新科学家》杂志的封面,文章标题是:“原始生物硅——让达尔文主义在电子实验室里自由发展，看看它创造了什么。一个没有人能理解的瘦削、吝啬的机器。”

Thompson的工作引起了小小的轰动，因为他打破了常规，在电子硬件上改进了机器学习系统，而不是使用传统的软件方法。他之所以选择这样做，是因为他意识到，所有数字计算机软件的功能都受到构成每台数字计算机处理大脑的开关的二进制开/关性质的限制。

相比之下，人类大脑中的神经元已经进化到可以利用各种微妙的、几乎深不可测的复杂物理和生化过程。Thompson提出的进化自然选择的计算机硬件通过自动化流程可能会利用所有的模拟真实世界的物理性质(即无级变速)硅介质的计算机的简单数字交换机构建——可能导致让人想起了人类大脑的有效模拟操作组件。他是想法是对的。

Thompson在他的实验室中所做的就是进化出一种FPGA(一种数字硅芯片，它的数字交换机之间的连接可以不断地重新配置)的配置，以便它能够区分两种不同的音频。当Thompson观察FPGA芯片内部，看看开关之间的连接是如何通过进化过程来配置的，他注意到一个令人印象深刻的高效电路设计——仅仅使用了37个元件。

不仅如此，进化出来的电路对数字工程师来说不再有意义。这37个部件中的一些没有与其他部件电连接，但当它们从设计中移除时，整个系统就停止工作了。对于这种奇怪的情况，唯一可行的解释是，这个系统使用了某种神秘的电磁连接，在它的所谓的数字组件之间。换句话说，进化过程招募了系统组件和材料的真实世界模拟特性来执行“计算”。

这让我大吃一惊。上世纪90年代，我还是一名年轻的研究员，同时拥有电子硬件研究和工智能的背景，我发现Thompson的作品令人惊叹。计算机不仅成功地发明了一种全新的电子电路，并超越了人类电子工程师的能力，更重要的是，它似乎为开发更强大的计算机系统和人工智能指明了道路。

Hassabis最初担任领导AI程序员，现已解散的Lionhead Studio的游戏Black＆White

那么发生了什么?为什么Thompson相对默默无闻，而戴密斯·哈萨比斯却让谷歌母公司Alphabet给他的靴子装满了现金，而BBC则制作了颂扬纪录片?答案很大程度上取决于时机。早在上世纪90年代，人工智能就像John Major的内裤一样时尚。如今，人工智能肩负着开启“第四次工业革命”的重任。资本追逐下一件大事。尽管DeepMind数字人工智能系统在模拟复杂的现实世界模拟系统(如天气或人脑)方面不是很有用，但它们无疑非常适合处理来自简单的在线二元世界(由链接、点击、点赞、分享、播放列表和像素组成)的数字数据。

深度思维也得益于对表演能力的理解。DeepMind通过培养技术神秘性来推销其技术和高级人员，但它的演示都是用简单的可计算规则来玩游戏。游戏还有一个优势，那就是对于媒体和普通大众来说，游戏具有高度的关联性和视觉上的趣味性。实际上，这种技术的大多数商业应用都将是相当平庸的幕后商业应用，比如在谷歌保存其计算机的数据中心中优化电能效率。

Thompson和Hassabis当然有一个共同点——除了英国特性——那就是训练和进化他们的系统所需的技能和创造力，但这种对人类技能和创造力的依赖显然是任何“人工智能”或机器学习系统的弱点。他们各自的技术也非常脆弱。例如，Thompson的系统通常在不同于其进化时的温度下停止工作。与此同时，在DeepMind的一款电子游戏系统中，仅仅改变桨的大小就完全破坏了AI的性能。之所以如此脆弱，是因为DeepMind的人工智能软件根本不知道什么是桨——甚至是电子游戏;它的开关只能处理二进制数字。

机器学习系统最近确实取得了长足的进步，但这一进步主要是通过大量传统计算硬件的投入而取得的，而不是通过根本的创新。在不久的将来的某一时刻，将不再可能将任何微小的硅开关塞到硅芯片上。设计效率(即用更少的硬件做更多的处理)将在商业上变得重要，这可能是可进化的硬件最终流行起来的时刻。

将Thompson和Hassabis两种方法相结合的混合系统也可能出现。但无论如何，Harari 博士还得等上一段时间，才能考虑购买一套“创造性”的人工智能系统，从而写出他的下一本畅销书。