第一节
人工智能技术的现状分析
一、乐观还是悲观
在人类所创造的工具中，人工智能技术是目前为止人类使用过的最高级、最具吸引力的工具之一。从语音识别到人脸识别技术等，人工智能已经在很多方面具备超越人类能力的技术潜力，并且在可以预见的未来能够代替大量的重复性工作。
人工智能技术正在改变我们的生活。图像识别、算法推荐这类已经成熟的人工智能技术如今已经被广泛运用到了各行各业，自动驾驶、问答推理等尚不完全成熟的人工智能技术也在逐步从实验室走向商业界，显示出了其未来潜在的商业价值。这些来自方方面面的人工智能技术，已经不同程度地取代了过去的工作、学习、生活模式。在金融领域，“智能投研”“智能投顾”“智能推荐”也已经不再是一个概念，而是实实在在被各大金融机构成功实践的场景，甚至已经潜移默化地影响了很多人接受金融服务的方式。
我们一方面对人工智能技术抱有如此美好的展望，但同时我们也不得不洞察其悲观的一面。首先，人工智能技术并不单纯是算法模型本身，它还需要有相应的基础硬件设施的支持（芯片、集群算力），算法模型的输入支持（大数据）等。人工智能技术的发展需要其他相关的高科技行业共同繁荣作为支撑。也就是说，我们并不能奢求人工智能技术在输入数据、硬件设施没有突破性进展之前，在一夜之间实现突飞猛进的进步。其次，人工智能技术离目前人们所期待的通用人工智能（Artificial general intelligence）还有相当遥远的距离。通用人工智能指的是机器能够像人一样思考、行动和学习。目前的人工智能技术还仅仅停留在“弱人工智能”的层面，也就是针对某一特定任务，给予机器相应的数据进行模型训练，让机器在特定领域具备完成某些工作的能力。虽然在一些子领域，如元学习（Meta Learning）的研究者，他们研究的就是让机器学会如何学习，但这离通用人工智能还有相当远的距离。如果说把通用人工智能比作是目前人类的进化层次，那么目前的人工智能技术还只进化到了具备基础视觉的多细胞生物层面罢了。
在人工智能领域，乐观与悲观的声音同在，你可以在很多地方听到很多“唱衰”或者“追捧”人工智能的言论。在我看来，以一种历史视角对人工智能“从哪里来，到哪里去”有整体性的了解，这对理解人工智能技术是有益的，这样的视角能够让人们以更理性的态度审视技术的发展。你将会注意到，技术本身有一条缓慢的演进路线，只是舆论对于技术总是时而过分乐观，时而过分悲观，令人看不清那条隐于迷雾之下的演进路线。这也正是在本章第一节的主题：我希望探讨的是人工智能的“过去、现在与未来”——也就是从其过去的技术发展、目前的技术进展以及未来的技术发展可能性出发，帮助我们理解技术，拨开当下的迷雾，而不局限于目前某种或者某几种最火的人工智能技术。
二、繁荣还是寒冬
人工智能的发展之路相当曲折。像所有新兴技术一样，“人工智能”这一概念从一出现就几乎必然地会受到人们关注——正如现在人工智能所享受的热度一样。但出于同样的原因，人们通常会对一项新兴技术抱有不切实际的幻想，甚至相信技术能够一步到位，解决曾经“难于上青天”的问题。当人工智能褪去其神秘的面纱，人们发现它无非一些统计学、数学、计算机科学的结合，当人们发现人工智能技术并非他们想象中那样，并不能达成“造物主般的奇迹”时，对人工智能的追捧和关注就会随着人工智能的祛魅而减少。随之而来的，是资金越来越少地投入、人才越来越多地流向其他领域，人工智能领域走进“技术的寒冬”。
在“技术的寒冬”中，某些长期无法产生效益的研究方向会被淘汰，剩下的研究方向慢慢转化成为某些业界能够使用的技术。而“漫长的寒冬”何时会结束？直到下一个极具突破性的应用出现，人们又会突然对技术产生十足的热情，重新对它抱有新的幻想……“繁荣——寒冬——繁荣——寒冬”这一过程就是这样不断循环往复的。
本书无意像一本专门介绍人工智能发展史的书一样，将人工智能的发展路径展现在你的面前。这样做或许有助于大家更好地理解“人工智能如何一步一步走到今天”，但可能对于“人工智能应该如何赋能金融”这一问题帮助甚微。
因此，在阐述人工智能发展时，我更愿意思考这样的问题：从人工智能发展历史中，我们能总结出怎样的经验教训？这些教训对“赋能金融”有怎样的启迪？从技术进步、商业落地、发展规划三个方面，我分别做了些总结供读者参考：
1.技术本身受到多种外部条件的约束
硬件设备（决定人工智能领域能用的算力）、投入资金（资源）、大众关注（人才）……各种因素都会对技术产生影响，最终决定技术发展的路径。从3～5年的时间长度看，人工智能技术中的某一算法、模型变得不受关注、不再重要，这是相当常见的事情。许多技术可能需要有多年的沉淀期。
2.具体商业落地和业务价值对技术的发展至关重要
一些听上去新颖的词语，可能会在短期内为业务开展带来某些优势和资源，但从长期来看这样的优势是不可持续的。真正解决商业问题的技术才是能受到关注的技术。例如，在人工智能第二次浪潮中，专家系统就受到了工业界的青睐，相对来说这类的规则系统并没有那么“智慧”，但因为能够解决具体的业务需求，所以带动人工智能领域有了突飞猛进的进展。
3.最初设定的技术框架或发展规划往往并不适用
这一过程中要习惯于不断地调整方向，灵活应对，绝对不能将最初设定的技术方案、技术规划一成不变地执行。另外，当学界已经出现了新的、具备潜力的技术时，这一时间段往往正是布局的时间，从学界的技术进步到工业界的商业成熟应用往往需要3～5年的时间。
