20 世紀 80 年代的時候，硅谷是一個神奇的地方。這里發生了很多奇妙的事情，很多人在這里賺得盆滿缽滿。這些都與計算機的奇跡有關，它將改變很多東西。

計算機中有大量的應用程序擺在他們面前：徹底改革辦公室工作，通過電腦游戲實現娛樂，改變溝通、購物和使用銀行系統的方式。但那時計算機笨拙、緩慢且昂貴。除非計算機的速度或價格能再突破幾個數量級，否則這些事情都無法實現。

但根據摩爾定律：從 20 世紀 70 年代起，集成電路上可容納的晶體管數量約每 18 個月會增加一倍。如果這條定律成立，未來將十分美好。市場期待的這些應用程序將會被解鎖，錢也會滾滾而來。

到了 20 世紀 90 年代中期，這個定律起作用了。計算機變得越來越快，軟件變得越來越復雜，每年必須要升級才能跟上進度。新一代 CPU 的速度明顯快于前代產品，新一代軟件產品的速度卻明顯慢于前代產品，但性能更加強大。

總的來說，通過定期升級新硬件，軟件在保持同樣速度（或更快）工作，但提供的功能越來越多。大多數增益是由于時鐘速度的提高（1990 年初時鐘頻率是 33Mhz，到 2000 年可達 1Ghz），因此沒有必要重寫任何程序來增加計算能力，在新的計算機中一切都運行得很快。

到 20 世紀 90 年代后期，一種新的處理器問世了：圖形處理單元（GPU）。這些處理器與常規 CPU 不同。它們的芯片經過優化后執行 3D 圖形渲染，芯片內部具有許多并行執行工作的小內核。最初它們作為附加的加速器出售，但很快就與常規顯卡集成了（Nvidia - Riva TNT）。游戲畫面更加優質，運行速度也快多了。硅谷的大亨們再次大賺一筆。

上世紀 90 年代末（左）和 21 世紀初（右）的計算機內部視圖，大小和組件相似，但功能可能強大幾千倍。

但到了 2000 年初，情況開始有所不同。互聯網泡沫開始破裂，很多人損失了很多錢。此外，提高時鐘速度的舊策略遇到了一些障礙：為了提高切換速度，電路的工作電壓必須保持相對較高。

這會導致芯片升溫。隨后的速度增益會受到散熱能力的限制。為了維持現狀，CPU 制造商開始增加芯片中的執行內核數量。但是為了利用這種并行性，必須重寫大部分軟件。由新一代芯片帶來的神話不再，發展速度變慢。

更糟糕的是，大部分事情不再需要更快的速度了。大部分軟件堆棧已經成熟，應用程序已經固化，人們不再需要新的 CPU 或每年增加 2 倍的內存。如今大部分辦公室工作都可以在 35 美元的 Raspberry Pi 上完成。

甚至游戲領域的游戲機也基本飽和。這些游戲機的售價甚至低于成本價格，初始投資可以通過游戲中的隱藏費用收回。而游戲計算機為大多數人提供了方便簡潔的界面和令人滿意的游戲體驗。這對硅谷來講是一個問題，硅谷發展的腳步開始放緩。

到 2000 年中期，另一項便利的發明出現了——智能手機。雖然 PC 市場明顯放緩，但這類新產品發展迅速，從 2007 年至今推出的各種型號的 iPhone 將這個產業推向了頂峰。對于智能手機，關注點并不是 CPU 速度，而是功耗（電池壽命）和傳感器/屏幕的質量。

在過去的 10 年中，相機和屏幕確實取得了很大的進步，但除了主要玩家蘋果公司之外，硅谷大亨們并沒有因此獲利多少。相反，硅谷專注于軟件方面的業務，如 Uber、Netflix 等利用新平臺的服務公司。

但從一開始就很明顯，智能手機的激情不會永遠燃燒。事實上，到 2018 年，大多數人意識到他們不需要每兩年購買一臺價值 1000 美元的智能手機，而且就像之前的 PC 電腦一樣，舊型號的智能手機對大多數應用來說都夠用。這導致蘋果股票在 2018 年秋季遭受重創，使其估值遠低于 1 T 美元。

隨著各種市場的枯竭，硅谷需要一些新的策略——能夠與 90 年代 PC 革命匹敵的那種。它將使全新的應用成為可能，并對新產業造成沖擊和破壞。這重新喚起了對芯片的需求——需要更上一層樓的計算能力。到 2012 年，兩個絕佳機會浮現了：區塊鏈和人工智能（AI）。

區塊鏈（最初在 2010 年被稱為比特幣），其想法是通過刪除分類賬（銀行）來完全取代金融系統，并提供一種建立遠程交易的自我認證手段。構建區塊鏈的方式還需要大量的計算能力，以計算所謂的共識機制。這就是硅谷喜聞樂見的：一個高利潤的全新應用領域，此外還需要大量新芯片來滿足計算需求。

人工智能大約在 2012 年出現在硅谷的世界，當時一位不知名的加拿大人 Geoff Hinton 與他的學生一起在連接模型和神經網絡的秘密空間中工作了 30 年，使用在 GPU 上實現的深度神經網絡吊打了 ImageNet 目標分類競賽的對手。

與區塊鏈一樣，這項技術開啟了一系列新應用，并且需要大量的新芯片。硅谷中的許多人很快就看到了它的潛在價值，資金開始源源流入其中。

自 90 年代最后一個神經網絡寒冬以來，神經網絡學者們很快注意到這個契機，不再在大學里「冬眠」。他們被邀請到硅谷參加一場聚會。

這種多層感知機的新化身在短期內頻頻給眾人帶來驚喜：目標識別和分割、語音識別、機器翻譯變得越來越好。這些新功能很快被擁有海量數據的公司（如 Google 或 Facebook）所吸收。但這種興奮很快就過去了。

科學家們是經過訓練的專業人士，他們在各種提案中夸下海口，現在得到了更好的客戶——風險資本家的青睞。這些風投家喜歡這些能徹底改變一切的美好故事，他們的廢話檢測能力比政府的資助機構低得多，只要在 NeurIPS 會議上發表一篇論文，就足以讓他們放棄對科學家的各種必要調查。

此外，人工智能是一個空間，在這個空間中，通過添加一些想象力就可以輕松地將童話故事提升到一個新水平，與一些著名的科幻電影相比，這使得我們像是處在一個驚人的拐點。這是 AI 最終將會到達的點，在這個點上，AI 的提升將會超出我們的想象——奇點。這導致了「FOMO（害怕錯過）」現象。曾經，即使是上面提到的那些政府資助機構也會成為 AI 承諾下的受害者，然后每次都會導致資金凍結，所以稱為「AI 寒冬」。

但是硅谷買下了這個故事，并創造了有史以來最大的人工智能夏季盛宴。他們買下它時毫不猶豫。研發中心、非營利實驗室和初創公司開始壯大，哪怕剛從大學畢業的深度學習科學家們沒有任何行業經驗。

初創公司蓬勃發展，承諾在機器人、自動駕駛汽車、無人駕駛飛機等領域創造各種各樣的奇跡。所有問題的解決方案應該都是深度學習，在更多的數據和更大的 GPU 上訓練更深的網絡。它的工作方式很神奇，只需要更多的數據和更多的計算。于是盛宴開啟。

到 2018 年，一些人開始意識到事情可能不會一直這樣發展下去。真實世界中的目標識別或分割所得的收益開始迅速遞減。雖然這些模型受到大量數據和強大機器的訓練，但在性能方面只獲得了有限的提高，在某些情況下甚至根本沒有獲得提升。科學家們做了自己最擅長的事：他們沒有一味制造產品，而是撰寫大量論文，還有一些人研究了新技術的局限性。

在深度學習應該帶來科技革命的所有方向中，只有一個方向不斷帶來好的結果——玩游戲。這是因為游戲可以在計算機上實現，并且產生的數據比在現實世界的應用程序中獲得和標記的數據要多幾個數量級。在許多情況下，僅僅訓練玩游戲的智能體就可能花費數十萬美元（僅僅是電力和計算硬件）。

但是同樣的技巧在實際問題中并不適用，因為帶標簽的數據非常昂貴，而且經常甚至不能完全代表當前問題。在人工智能的狂熱中，被逐漸遺忘的 Moravec 悖論，正變得比以往任何時候都更加明顯。

盡管深度學習為廣泛的計算機感知領域注入了新鮮血液，但它甚至沒有觸及人工智能的基本問題。即使在無法輕易獲得大量標記數據的計算機感知應用中，基于（具有手工特征的）經典算法的精心設計和優化在現實應用中更容易開發和執行。

人工智能技術進步的試金石是自動駕駛汽車的發展。到 2016 年，硅谷的許多人都相信這項技術幾乎準備就緒，并且將成為深度學習的關鍵支柱之一，畢竟汽車已經實現在沒有干預的情況下行駛數英里。總部位于硅谷的汽車制造商特斯拉甚至開始將這一還未正式上線的功能出售。

到 2019 年初，這些做法基本開始放緩，因為出現幾起關于銷售 vaporwave 的訴訟。與此同時，對于許多自動駕駛汽車公司而言，2018 年是艱難的一年，因為相繼出現了亞利桑那州 Uber AV 車禍致死案和特斯拉的幾起自動駕駛致死事故。

至此，即使在硅谷，人們也開始意識到，讓一輛完全自動駕駛的汽車像出租車一樣到處行駛仍然需要很長的時間。很明顯，汽車將繼續內置電腦，從這個意義上說，硅谷已經贏了，但這與之前的夢想相去甚遠。

2018 年，比特幣的價格從近 2 萬美元跌至 4 千美元以下，跌幅超過 80％。

在 2018 年，硅谷的另一個大賭注面臨崩盤——區塊鏈的最重要產品比特幣價值下跌超過 80％。許多人損失了很多錢，人們對加密貨幣的熱情一落千丈。

深度學習和區塊鏈都是非常有趣的技術，它們使以前不可能的事情變成了可能。Google 圖片搜索比以前好多了。風格遷移技術也是非常酷的工具。機器翻譯已經足以讓你在外國找到路，但距離翻譯詩歌還很遠。但這些改進似乎都不足以獲勝，無法證明硅谷的大賭注。它們看起來都不像 90 年代瘋狂的計算機熱潮一樣，那么有利可圖。

至于人工智能，這種炒作周期與之前并沒有太大差別。我們讓計算機做一些看似只有受過教育的成人才能做的事，但后來才意識到這些計算機甚至無法處理嬰兒或動物都能解決的事情。如果我們繼續陷入同樣的陷阱，AI（通用人工智能）將仍然是一個白日夢。

未來很難預測，但這兩個賭注看起來都是死局，至少目前如此。也許就像谷歌和 Facebook 等互聯網公司崩潰之后出現的情況一樣，當前炒作周期的結束將會在區塊鏈或所謂的人工智能產生類似的累積獎金。但就像曾經一樣，只有極少數人會贏，大多數人會滿盤皆輸。