自1950年阿兰·图灵在其开创性论文——《计算机器与智能》中首次提出“机器能思考吗？”这个问题以来，人工智能的发展并非一帆风顺，也尚未实现其“通用人工智能”的目标。
然而，该领域仍然取得了令人难以置信的进步，例如：IBM深蓝机器人击败世界上最优秀的象棋手、自动驾驶汽车的诞生，以及谷歌DeepMind的AlphaGo击败世界最佳围棋手……目前的成就展示了过去超过65年来最优秀的研发成果。
值得关注的是，在这段时间存在有详细记录的“人工智能的冬天（AI Winters）”，几乎完全推翻了人们早期对人工智能的美好预期。
导致人工智能冬天的因素之一是炒作与实际的根本进步之间的差距。
过去几年来，有推测称另一个人工智能冬天可能正在来临，那么哪些因素可能引发人工智能的冰川期？
人工智能的周期性波动
“人工智能冬天（AI Winter）”指的是公众对人工智能的兴趣随着商业和学术领域对这些技术的投资逐渐减少的时期。
人工智能最初在20世纪50年代和60年代得到了快速发展。尽管在人工智能方面取得了许多进步，但它们大多还是以学术性为主。
20世纪70年代初，人们对人工智能的热情开始消退，这一灰暗时期持续到1980年左右。
在这段人工智能的寒冬中，致力于为机器开发类人智能的活动开始缺乏资金。
1956年夏天，一群数学家和计算机科学家占领了达特茅斯学院数学系所在大楼的顶层。
在八周的时间里，他们共同想象着一个全新的研究领域。
约翰-麦卡锡(John McCarthy)作为当时达特茅斯大学的一名年轻教授，他在为研讨会设计提案时杜撰了“人工智能”一词。
他认为，研讨会应该探索这样的假说：“人类学习的每一个方面或智能的任何其他特征原则上都可以被精确描述，以至于可以用机器来模拟它”。
在那次会议上，研究人员粗略地勾勒出了我们今天所熟知的人工智能。
它催生了第一个人工智能科学家阵营，“符号主义”是一种基于逻辑推理的智能模拟方法，又称为逻辑主义、心理学派或计算机学派，其原理主要为物理符号系统假设和有限合理性原理，长期以来一直在人工智能研究中处于主导地位。
他们的专家体系在20世纪80年代达到了顶峰。
会议后的几年里，“联结主义”把人的智能归结为人脑的高层活动，强调智能的产生是由大量简单的单元通过复杂的相互联结和并行运行的结果。
它从神经元开始进而研究神经网络模型和脑模型，开辟了人工智能的又一发展道路。
长期以来，这两种方法被认为是相互排斥的，双方都认为自己正在走向通用人工智能的路上。
回顾自那次会议以来的几十年，我们可以看到人工智能研究人员的希望经常破灭，而这些挫折并没有阻止他们发展人工智能。
今天，尽管人工智能正在给行业带来革命性的变化，并有可能颠覆全球劳动力市场，但许多专家仍在思考，今天的人工智能应用是否已经达到了极限。
正如查尔斯·崔(Charles Choi)在《人工智能失败的七种揭示性方式》(Seven Revealed Ways AI Fail)中所描述的那样，当今深度学习系统的弱点正变得越来越明显。
然而，研究人员并没有对人工智能的未来感到悲观。在不久的将来，我们可能会迎来另一个人工智能的冬天。
但这也许正是灵感迸发的人工智能工程师们最终引领我们进入机器思维永恒之夏的时刻。
计算机视觉与人工智能专家Filip Piekniewski一篇《AI凛冬将至》的文章在网上引起了热议。
该文主要对深度学习的炒作提出了批评，认为这项技术远算不上革命性，而且正面临发展瓶颈。
各大公司对人工智能的兴趣其实正在收敛，人工智能的又一次凛冬可能要来了。
人工智能凛冬会到来吗？
自1993年以来，人工智能领域取得了越来越令人瞩目的进步。
1997年，IBM公司的深蓝系统成为第一个打败世界象棋冠军加里﹒卡斯帕罗夫的计算机象棋选手。
2005年，一台斯坦福无人驾驶机器人未经“踩点儿”，便经一条沙漠道路自动驾驶131英里，赢得DARPA自动驾驶机器人挑战赛。
2016年初，谷歌旗下DeepMind的AlphaGo击败了世界最优秀的围棋选手。
在过去二十年里，一切都变了。
特别是互联网的蓬勃发展，让人工智能行业有足够多的图片、声音、视频等各类数据来训练神经网络并进行广泛应用。
但深度学习领域不断扩大的成功依赖于增加神经网络的层数，以及增加用于训练它们的GPU时间。
人工智能研究公司OpenAI的一项分析显示，训练最大的人工智能系统所需的计算能力每两年翻一番，之后的每3-4个月翻一番。
正如尼尔·汤普森(Neil C. Thompson)和他的同事在《深度学习的收益递减》一书中所写，许多研究人员担心，人工智能的计算需求正处于一个不可持续的轨道上。
早期人工智能研究面对的一个普遍问题是严重缺乏计算能力，它们受限于硬件，而不是人类智力或能力。
在过去25年里，随着计算能力显著提高，我们在人工智能方面取得的进步也齐头并进。
然而，面对汹涌而至的海量数据和不断复杂的算法，全球每年新增数据20ZB，AI算力需求每年增长10倍，这一速度已经远超摩尔定律关于性能翻倍的周期。
我们正在接近一个芯片上可以安装晶体管数量的理论上的物理极限。
比如英特尔正在放缓推出新芯片制造技术的步伐，因其难以在节约成本的情况下继续缩小晶体管体积。简而言之，摩尔定律的终点即将来临。
有一些短期解决方案将能确保计算能力的继续增长，从而促进人工智能的进步。
例如，在2017年中期，谷歌宣布，其已开发一款专门的人工智能芯片，名为“云TPU”，该芯片对深度神经网络的训练和执行进行了优化。
亚马逊为Alexa（人工智能私人助理）开发自已的芯片。同时，目前还有众多初创公司试图调整芯片设计，以适应专门的人工智能应用程序。
然而，这些仅是短期解决方案。
当我们用尽了能优化传统芯片设计的方案之后又会怎么样呢？我们会见到另一个人工智能冬天吗？答案是肯定的，除非量子计算能超越经典计算，并找到更为坚实的答案。
但直到目前，可实现“量子霸权”、比传统计算机更加高效的量子计算机还不存在。
如果我们在真正的“量子霸权”到来之前就达到了传统计算能力的极限，恐怕未来还会出现人工智能的又一个冬天。
人工智能研究人员正努力解决的问题日益复杂，并推动着我们去实现阿兰·图灵对人工通用人工智能的愿景。然而，仍存在大量工作要做。
同时，没有量子计算的帮助，我们将很能实现人工智能的全部潜力。
没有人能肯定地说，人工智能冬天是否即将到来。
但是，重要的是要意识到潜在的风险并密切关注迹象，以便我们可以在它确实发生时做好准备。
