过去十年来，在GPU计算、软件算法和专门硬件设计的进步推动下，人工智能和机器学习已成为研究的主要温床。新的数据表明，过去十年中至少有一些算法上的改进可能低于此前预想。

致力于验证各种人工智能算法长期改进的研究人员已经发现了多个情况，即对旧解决方案的小幅更新使它们能够匹配那些本应取代旧解决方案的新方法。小组比较了10年期间发布的81种不同修剪算法，没有发现明显和明确的证据证明在此期间有所改善。

研究人员发现，特别是在某些情况下，老旧更简单的算法一旦调整旧方法以改善其性能，就能跟上新的方法。在一个案例中，对7种基于神经网络的媒体推荐算法进行了比较，结果表明其中6种比较老的、更简单的非神经网络算法差。康奈尔大学对图像检索算法的比较发现，自从更新旧方法后，性能自2006年以来一直没有变化：

这里有几件事我想强调一下。首先，有很多AI方面的进步并不是虚幻的，比如AI视频升级器的改进，或者说在摄像头和计算机视觉方面的注意到的进步。GPU在AI计算方面比2009年时要好得多，2020年的专用加速器和AI专用的AVX-512指令在2009年也不存在。

但我们讨论的并不是硬件在执行AI算法方面是否变得更大或更好。我们讨论的是底层算法本身，以及在一个AI模型中的复杂度有多大作用。实际上，我直接了解到了一些关于这个话题的东西；我的同事David Cardinal和我的同事一直在做一些与AI相关的项目，与我在DS9 Upscale项目中的工作有关。从根本上改进算法是很困难的，很多研究人员没有动力去充分测试一个新方法是否真的比旧方法好，毕竟，如果你发明了一个全新的方法来做某件事情，而不是调整别人创造的东西，看起来会更好。

当然，这也不是说较新的模型没有对该领域做出任何有用的贡献那么简单。如果一个研究人员发现新模型上的优化提高了性能，而这些优化也被发现对旧模型有效，这并不意味着新模型无关紧要。建立新的模型就是当初发现这些优化的方式。

上图就是Gartner所说的炒作周期。人工智能肯定已经经历过一次炒作周期，而且考虑到这项技术对我们这些年从Nvidia、谷歌、Facebook、微软和英特尔等公司看到的核心技术的影响，它将会成为未来的一个讨论话题。在人工智能方面，我们已经看到了各种主题的真正突破，比如教计算机如何有效地玩游戏，以及大量的自驾车汽车研究。主流的消费类应用，目前来看，仍然是相当小众的。

我不会把这篇论文看成是人工智能不过是热空气的证据，但我肯定会对人工智能征服宇宙并取代我们在食物链顶端的说法持怀疑态度。真正的进步，至少在基本的基础原理方面，可能比一些人希望的更难。