据说，一项新技术的产生和成熟，将经历一个被称为“Gartner曲线”的过山车式的发展轨迹。然而，人工智能的发展轨迹，却远比这一点更为引人注目，到目前为止，可以说三起三落，当然，这一次三落还未到来，也未必会到来。

在博士期间，我从事语音方面的其他研究工作，并在毕业后开始到 MSRA继续从事语音方面的工作，我已经从事了十几年。尽管我们的两个院长——李开复老师和洪小文老师都来自语音研究领域，但并没有改变这个项目当年在全院最鸡肋的地位。由于当年，各种人工智能应用能够真刀真枪上阵的不多。不要再往互联网世界里提自己是做“人工智能”的了，那简直就是无地自容，就像在两会期间偷看了个毛片。事实上，这段时间，正是人工智能发展的第二阶段。

看历史，能知兴衰。为探索人工智能的发展前景，我们就人工智能前三个发展阶段中的三个阶段进行简要回顾。

一个或几个年头的达特茅斯会议，提出了“智能智能”这一主题，旨在使逐渐成熟的计算机可以取代人来解决某些感知、认知甚至决策问题。如此令人惊叹的课题，也很快吸引了众多学者的目光，相关的研究也开展得如火如荼。就是第一个。

初学时，学者们解决人工智能问题的思路，是以人为师，通过专家制定规则的方式，教机器下棋，认字甚至语音识别。以现在的眼光看，这种方法完全是南辕北辙——尽管人类的听觉器官非常发达，但却无法总结提炼其中的规律。就这样，人工智能的美好愿景迎来了残酷的现实，学者们发现解决问题的路还很远，围观群众也一度认为学者们的人工智能是骗子。

既然靠人指导不行，那就祭出“实事求是”的法宝，从数据中找出统计规律。基于这种数据+统计的方法，一些比较简单的问题，如人脸识别，手写识别，以及在当时最困难的问题——大词表连续语音识别方面，统计方法也在实验室里创造了前所未有的“基本可用”的系统。至此，我们感到找到了解决人工智能问题的基本思路。就在第二天。

第四，数据+统计模型的方法盛行之后，很快也遇到了瓶颈：数据量的增加并不总是会带来识别率的提高。自然地，我们早就知道“深度模型”比“浅层模型”有更强的学习能力，无奈这种模型的计算成本极高，只能望洋兴叹。以语音识别为例，在“基本可用”与“实用”之间的鸿沟，十几年来并未跨越，于是大家又一次变得悲观，觉得人工智能还只是一个梦。第二次降落。

第二次落幕后，继续坚持在“深度神经网络”这一前沿的学者寥寥无几，因为没有人能做到这一点。在这些人中，有一个老 JeffreyHinton，他和他的学生 Alex，发现用 GPU来计算神经网络，可以大大提高速度，所以这个模型可能真的很实用。只要实际应用，深度模型就能疯狂地吸收数据的优点，从而给语音识别、图象识别等领域带来飞跃性的进步。这是第三次。

这是业界所见的第三个例子，当然，比我们前面提到的内容要大得多。但不必太过担心，因为不管这些巨头们过去是黑产，是卖假货还是抢劫，他们都在摇身一变，成为人工智能的忠实拥护者和行业先锋——尽管他们的数学也只有初中毕业水平。去年，当我听到一个这样的上市公司老板大喊大叫要投入数千万美元搞人工智能时，不禁心生感慨：修脚的可以挂妙手回春的锦旗，但千万别说自己做精准医疗！

尽管第三代人工智能的确有了质的发展，但鉴于这些沉渣泛起的人工智能从业者，我觉得第三代人工智能还是会到来，只是不是怀疑行业本身，而是自我净化。

而且人工智能的行业发展趋势，由于数据量大、计算力强的基本方法已经成熟，未来的发展路径也很明确：在数据储备充足、商业价值明确的情况下，人工智能将迅速发展，在这样的行业中，投入到该行业中将会很好；而在医疗、教育等领域，由于电子数据的整理和积累还需时日，可能还需要较长的时间，才能实现。