《科技評論》也會翻車？那些“失敗”的突破性技術們

《麻省理工科技評論》“十大突破性技術”代表了世界科技發展的最前沿和未來方向，曾經成功預測了包括腦機接口、合成生物學、深度學習、CRISPR 基因組編輯等重大技術突破的爆發、商業化及其深遠影響，其專業性、權威性和前瞻性都在科技領域有著極高的認可度，相信我們的讀者對它也非常熟悉了。

不過，正如中科院院士唐本忠所說的，“幾乎沒有任何研究課題會完全按照預期發展；如果有，這種研究不會有任何突破、不會給人帶來任何驚喜。”今天我們就將聚光燈從光鮮亮麗的技術上移開一會兒，關注下那些由于種種原因沉寂在了時代大潮下的技術，看看為什么會出現這樣的情況？它們真的就此“失敗”了嗎？

特別大，特別響，但……

最近科技大廠的寒潮愈演愈烈，META自然也在其列。扎克伯格一邊發文致歉，一邊宣布了1.1 萬人的 META 史上最大裁員計劃，聲稱“世界沒按我的預期進行！”這條兼具悲痛與狂妄的發言所指的，除了新冠疫情的影響之外，自然也很容易聯想到其百億美元豪****元宇宙的決策，而這一戰略的核心之一，就是其于 2014 年以 20 億美元收購的 Oculus VR 虛擬現實頭顯。

Oculus VR，元宇宙里再見？

Oculus Rift 2014 年入選了“十大突破性技術”，聲稱其“視覺沉浸式界面將帶來新的娛樂方式與交際手段”，它最大的一個突破在于，高質量的虛擬現實硬件的價格已經便宜到了 C 端市場可以承受的地步。誠然，與動輒十萬美金的前輩相比，Oculus 的成本控制得很好，也掀起了一次 VR 技術的浪潮。不過，其最近一次沖上熱搜，卻是八月份扎克伯格在社交媒體上曬出 META 元宇宙 Horizon Worlds 中的自拍遭到“群嘲”，其圖形質量和建模細節被網友與十幾年前的古早游戲放在一起對比，他的化身（avatar）“甚至沒有腿！”可以說，新一代的 Oculus Quest 2 雖然改善了 VR 眩暈等用戶體驗問題，但放在元宇宙的尺度下，其圖形質量受限于算力和成本等因素仍然與 2D 游戲有很大差距，更別提扎克伯格愿景中的沉浸感了。

圖丨來源：扎克伯格 Instagram

不過，正如扎克伯格自己所說，META的策略是“先讓盡可能多的人用上這些工具，假以時日，再建立起一個更好的生態系統”，Quest 2 的銷量已經接近了 1500 萬臺（2022 年 5 月數據），Oculus 系列 VR 頭顯產品的市場份額也占到了全球市場的80%，這固然與他們十億人 VR 互聯的夢想相去甚遠，但要說是徹底失敗，顯然是為時過早的。

谷歌氣球，讓網絡飛一會兒

互聯網已經是我們日常生活中不可分割的一部分，就和水、電一樣。不過，時至今日，世界上仍有超過 35 億的人處在“斷網”狀態，主要分布在眾多偏遠地區。究其原因，這些地區或出于地理條件限制，或由于人口稀少、業務量小，導致通信****、電力系統和光纜等基礎設施薄弱，建設、運營成本過高而投入產出比低下，網絡服務堪稱“奢侈品”。

這樣的背景下，谷歌于 2013 年推出了谷歌氣球Project Loon 計劃，試圖通過飄浮在平流層的大型氦氣球建立空基無限網絡，為世界偏遠地區提供網絡覆蓋。它的好處在于可以避免光纖網絡、通信****高昂的時間和鋪設成本，可以用穩定可靠且價格低廉的方式向這些地區送去互聯網服務。

圖：谷歌氣球和自動****臺丨來源：Project Loon

為實現長續航、穩定的氣球網絡，谷歌在氣球技術、材料科學、導航通信上做出了多項創新，才最終打破了氣球專家等各界人士對于其可行性的質疑，不僅保證無動力系統的氣球借助自然風在平流層實現精準導航，還能在高速運動的情況下維持區域網絡覆蓋所要求的氣球矩陣密度，其中一個氣球甚至繞地球轉了 19 圈，在天上足足待了 130 天。

谷歌氣球于 2015 年入選了“十大突破性技術”，有望為全球 35 億“離線”的人們帶來大量教育和就業機會，堪稱科技向善的典范之一。2014 年夏天，巴西東北部偏遠地區的一所小學中，學生們終于在一堂地理課上用上了互聯網，老師借助維基百科和在線地圖向孩子們傳授了更多、更直觀的知識，而這“在氣球飄過來之前”是不可能的；2017 年 10 月，谷歌更通過緊急****多個氣球，幫助遭受颶風蹂躪的波多黎各恢復了通信，使得各種人道主義救援工作得以順利開展，讓當地的 10 萬居民連上了網。

圖：一只谷歌氣球正從內華達州飛向波多黎各馳援丨來源：Project Loon

谷歌氣球原本的商業模式設想是在為偏遠地區海量“離線”人群提供低廉網絡服務的同時，也向他們投放廣告以維持收支平衡。然而很可惜，雖然有很多激動人心的實例，這一計劃從未真正實現盈利。2021 年 1 月，谷歌宣布關閉該項目，稱沒有找到一種方法來降低成本，從而建立一個長期、可持續發展的業務模式。谷歌氣球“墜落”了，而馬斯克的“星鏈”計劃則帶著同樣的愿景，由于“可回收火箭”（2016 年入選“十大突破性技術”）的出現在持續推進。也許，全球通網的夢，會以另一種形式延續下去。

傳感城市，智能、不智慧？

2017 年，與谷歌同屬 Alphabet 旗下的 Sidewalk Labs 為多倫多提出了一個野心勃勃的計劃，要在其Waterfront 湖濱工業區落地一個以高科技從頭設計的Quayside 項目，讓城市變成一個完整的大智慧體，通過一個巨大的傳感器網絡收集、監控各種信息，包含空氣質量、噪聲水平以及人們的行為等數據，并基于這一無所不在的數字層來輔助城市中一切關于設計、政策、活動等的決策，并通過自動交通優化、機器人出租車、自動垃圾收集和加熱人行道等方式解放勞動力，提升居民的生活品質。

傳感城市于 2018 年入選了“十大突破性技術”，結合了人工智能、傳感器、物聯網、大數據等技術來建設一個擁有自己“操作系統”的智慧社區，并通過開源的形式鼓勵企業為其開發各類服務。設想很美好，技術也非常華麗，不過這一計劃似乎從一開始就有一些“水土不服”，當地居民對這一“互聯網+”的社區愿景并不十分感冒，反而對私營企業收集日常生活活動數據、控制公共街道和交通這種“不夠尊重居民隱私”的行為感到反感甚至憤怒，事實證明，加拿大人對這些行為的“容忍度遠低于美國人”。

2020 年 5 月，Sidewalk Labs 以“全球新冠疫情帶來的前所未有的經濟不確定性”為由中止了該計劃，而公眾爭議在此前已經持續了兩年多的時間，這座設想中的“數據富集”的城市，始終未能回答“人們為什么會想住在這里”的問題。目前多倫多市的 Quayside 2.0 計劃目前已經啟動，關注點從數據回歸到了“風、雨、鳥鳴和蜜蜂”，希望建立一個真正宜居的伊甸園。而 Quayside 項目注定將成為智慧城市理念中濃墨重彩的一筆，或許下一次，技術需要更好地響應人類的需求。

圖：Quayside 2.0丨來源：Waterfront Toronto

如果我們把時間尺度放大一點……

上述的技術都算不上成功，那么，它們就真的從此消亡了嗎？答案是，不一定。

深度學習，幾經沉浮的奧德賽

如今，AI 已經走進千家萬戶，以至于回想起來我們都無法相信它的普及也就是近十年的事情而已，而其核心，就是 2012 年入選“十大突破性技術”的深度學習。《麻省理工科技評論》在當時的節點上，成功且準確地預測了該技術在幾年內的爆發，而這樣的趨勢愈演愈烈，直到現在也沒有減緩的跡象。然而，深度學習即便在當時也并不是很新鮮的事物，反而是由來已久。

事實上，深度學習的核心神經網絡自誕生之初，便是跨學科交叉的產物。1943 年，心理學家 McCulloch 和數理邏輯學家 Pitts基于對大腦神經活動的研究，提出了神經網絡模型和神經元的第一個數學模型——MP 模型，為后來的研究工作打下了基礎，開創了一個新時代。

1958 年，Frank Rosenblatt 教授基于 MP 模型提出了感知機模型（perceptron），通過單計算層為其增加了學習功能，并付諸實踐。這一突破引發了神經網絡領域的第一次浪潮，不過卻在 1969 年被證明只能解決線性可分問題，且否定了多層神經網絡訓練的可能性，甚至有專家提出了“基于感知機的研究終將失敗”的觀點。此后的十多年，該領域的研究基本處于停滯狀態。

圖：Frank Rosenblatt丨來源：Division of Rare and Manuscript Collections

20 世紀 80 年代，計算機得到了飛速的發展，算力相較以前有了質的飛躍，也為神經網絡領域帶來了新的機遇。1986 年，被稱為“深度學習之父”的 Geoffrey Hinton（杰弗里·辛頓）等提出了一種按誤差逆傳播算法訓練的多層前饋網絡——反向傳播網絡（Back Propagation Network, BP 網絡），解決了一些原來的單層感知器無法解決的問題。這一突破有力地回擊了之前的質疑，更引領了神經網絡研究的第二次高潮。

不過，當時的 BP 算法有著梯度消失的問題，隨著神經網絡隱藏層數目的增加，其分類的準確率反而會下降。同時，礙于當年極其有限的算力，各種淺層機器學習模型相繼被提出，如支持向量機（SVM）等，深度模型的研究也被學界冷落，再次迎來了長達十幾年的低谷。當時，僅有辛頓等極少數學者在研究這一領域，而研究氛圍糟糕到甚至出現了一種說法，也即如果你想在頂刊上發表有關深度神經網絡的研究，論文中最好避免出現“神經網絡”的字樣。

圖：Geoffrey Hinton丨來源：DEV Community

情況直到 2006 年才有了轉機，辛頓在這一年首次提出了“深度學習”，并給出了 BP 算法梯度消失問題的解決方案。2012年，辛頓帶領團隊參加 ImageNet 圖像識別比賽，其深度學習算法一舉奪魁，性能碾壓第二名SVM 算法。其背后，不僅計算機的發展指數級地提升了算力，互聯網的高速發展也積累了此前無法想象的海量數據，可以用于算法的調試和模型的訓練。自此，深度學習終于迎來了新一輪的爆發，逐漸在許多領域取代了傳統的統計學機器學習方法，成為人工智能中最熱門的研究領域。之后，生成對抗網絡（入選 2018 年“十大突破性技術”）帶來了又一個爆發性增長點，AlphaGo 則轟動世界，極大地擴大了深度學習的影響力。

深度學習的發展歷史悠久，幾經波折，以至于有人做出了圖表來直觀地顯示它的沉浮。我們能看到，在一個較大的時間尺度上，科技創新的進程并非線性發展，而是呈一種螺旋上升的態勢。同時，深度學習爆發的背后，不僅有生命科學領域的神經科學和腦科學的進步，更有著來自計算機芯片尤其是GPU 技術、互聯網普及積累的海量數據，以及控制論、算法等多種技術的支持。可以說，一個科技領域的爆炸式增長，大多是多學科交叉、跨學科融合的結果，看清多點突破的結構性發展對我們的判斷至關重要。

圖：深度學習發展史丨來源：《深度學習研究綜述》

現在讓我們試試把它們放到一起……

如今，科技領域的學科交叉愈演愈烈，如果說以前的交叉與融合或多或少帶著前沿探索的隨機性和靈機一動，現在則已經成為科技從業者的普遍共識，儼然是科技發展的主流趨勢了。比如 DeepMind 令人印象深刻的 AlphaFold 2 (AI 折疊蛋白質 2022 年入選“十大突破性技術”）就是一個很好的例子，是生命科學與信息技術、人工智能的結合，目前已經可以用 AI 預測幾乎所有的蛋白質結構，賦能生命科學研究，加快研究進展的同時也減輕了科研人員的負擔。