AI时代重思马克思系列——劳动、资本和机器: 人工智能产业的政治经济学史(5)深度学习:AI产业的第二个时代
作者：微信文章本系列由个人译选自英文书籍《自动化与自主性——AI工业时代的劳动力、资本和机器》，仅作学习参考，不做任何商用用途。
深度学习：AI产业的第二个时代
1987年，来自并行分布式处理（PDP）小组的杰弗里·辛顿（Geoffrey Hinton）从圣地亚哥迁至多伦多的加拿大高等研究院（CIFAR），在政府资助有限、仅带领一小群学生的情况下继续机器学习研究。机器学习当时并非热门领域。到21世纪初，“专注于神经网络的研究人员数量已缩减至不足半打”（Allen 2015）。此时正值“网络2.0”时代——以用户生成内容激增、面向普通用户的易用性提升为核心特征的应用与网站兴起（DiNucci 1999, 32）。
更多后来成为AI巨头的公司此时开始涌现。2000年，百度成立，专注互联网搜索；2004年，社交网络Facebook上线。2006年，辛顿及其团队展示了后来被称为“深度”机器学习的技术——因其使用了拥有上千层的人工神经网络（LeCun et al. 2015, 436–444; He et al. 2016）。层数的叠加使深度学习系统能从数据中挖掘更复杂、更具层级性的模式（LeCun et al. 2015, 436）。当CIFAR的研究人员完善这一深度学习新方法时，全球经济几乎陷入崩溃。
2007-2008年的金融危机由美国次级房贷、房地产泡沫引发，又被高频算法交易、银行的高风险贷款行为放大，最终导致全球经济崩盘。尽管巨额政府救助避免了银行全面倒闭，但2009年大衰退仍席卷全球。尽管这场危机看似基于金融，与AI产业关联不大，实则不然——它与2000年互联网泡沫破裂一脉相承，而今日多家AI巨头当年也卷入了那场泡沫。经济学家卡洛塔·佩雷斯（Carlota Perez, 2009）指出，两次危机应视为同一叙事的不同篇章：“第一次基于技术创新，第二次基于金融创新，后者由信息技术与互联网推动、加速并全球化”（802）。衰退缓解后，科技公司崛起，但普通工人的境遇并未改善：2009年后，仅美国就流失数十万岗位，贫富差距显著扩大，财富向最富裕家庭集中（美联储，2014）；全球范围内，自20世纪80年代起劳动在国民收入中的占比持续下降（经合组织，2012；国际货币基金组织，2017）。
当世界仍在衰退余波中挣扎时，辛顿团队通过一项突破性的语音识别应用，证明了深度学习的潜力（Hinton et al. 2012）。关键突破在于图形处理器（GPU）——原本为电脑游戏设计的高性能芯片，恰好适配深度学习所需的密集并行计算。企业也逐渐意识到，如何捕获在线活动与移动设备使用产生的海量数据，用于训练机器学习模型（Kelly 2014）。
接下来几年，机器学习市场开启，AI产业开始形成其当代形态。早期，资本急需能从事机器学习的人才。CIFAR的大多数研究人员将自己的研究拆分成初创公司，其中许多被科技巨头收购。辛顿与两名学生亚历克斯·克里泽夫斯基、伊利亚·苏茨克维于2012年成立DNNresearch公司，推广深度学习在图像识别与语言处理领域的应用。DNNresearch在2013年被谷歌收购前，曾获得这家科技巨头60万美元奖励。同年，辛顿被谷歌大脑聘为杰出研究员。克里泽夫斯基与苏茨克维也被谷歌聘用，而辛顿的其他学生扬·勒昆与鲁斯兰·萨拉胡丁诺夫则分别于2013年被聘为Facebook AI研究组负责人，2016年被聘为苹果AI研究项目负责人。同样曾在CIFAR与辛顿共事的约书亚·本吉奥，于2015年被IBM聘用。
追踪这些进展，《经济学人》（2016）指出“人工智能终于开始兑现承诺”。到2016年，几乎所有硅谷科技巨头都开设了内部AI研究实验室，谷歌CEO桑达尔·皮查德等科技企业领袖宣布从“移动优先”转向“AI优先”计算（D’Onfro 2016）。就连通用电气、IBM等可追溯至20世纪中叶的传统企业，也开始关注AI研发并将其融入生产流程（Woyke 2017; Boyle 2017）。
与此同时，中国开始大规模投入AI研究。李开复（2018）将2016年DeepMind的AlphaGo击败中国围棋冠军柯洁的事件，称为中国政商两界的“斯普特尼克时刻”——此前他们对AI兴趣寥寥，此事后开始全力布局。随后几年，中国最大的科技公司百度、腾讯、阿里巴巴转向AI；中国政府也发布AI规划，出台政策并投入数十亿美元资金。截至本系列撰写时，AI产业正处于第二个繁荣时代。尽管AI产业仍相对年轻且规模有限，但机器学习已为新自动化浪潮提供工具——资本寄望其能“捕获降低劳动力成本、提高产量、提升质量、减少停机时间等收益”（Statista 2019, 11）。
至此，本系列勾勒了AI产业的政治经济史：自诞生起，AI就与资本、国家、军事深度交织，并非纯粹的学术或概念产物；它始终被作为自动化技术动员，尽管尚未实现倡导者期待的“递归能力”（即自我迭代的智能）。早期AI推广者的希望因专家系统的局限破灭（专家系统效率低下，无法成为有效的自动化工具）；但机器学习可能改写这一局面：它通过从数据中自动提取算法完成任务的方式实现自动化，开启了一条全新的自动化路径。这一话题将在后面的部分深入探讨。
页:
[1]