作为天下主要经济体之一的日本，在现在这轮各国竞相介入的AI革命当中险些是悄无声息。我们基本看不到来自日本的AI模子——不仅是基础大模子，就连应用层的模子也很少。Open Calm、Rinna等模子都是在日本AI业内压倒一切的模子，但它们在评测中的显示甚至要远逊于OpenAI（开放人工智能公司）已经由时的模子GPT-3.5。与之对应地，日本似乎也没有什么著名的AI企业，既无巨头，也无稀奇精彩的初创企业。这充实说明，日本确着实这一轮的AI革掷中被其他的经济体远远抛在了死后。

事实上，日本在AI的生长史上很长时间内都是一股举足轻重的气力。早在二十世纪六七十年月，日本就已经最先了对人工智能的探索，并取得了一系列令人瞩目的成就。到二十世纪八九十年月，日本不仅在AI的应用上实现了许多的突破，还提出了雄心壮志的“第五代盘算机”设计。更主要的是，那时险些整个AI学界都将深度学习视为异端，而日本保留着大量这个领域的人才，险些成了深度学习的最后碉堡。许多人都以为日本将会引领之后的深度学习革命。

然而，在进入新世纪之后，日本在AI领域的职位却日渐下降。在深度学习革命在全球局限内如火如荼之时，这个曾经的深度学习碉堡却异常平静。直到今天，日本在新一轮的AI革掷中，似乎还没找到自己的位置。

那么，曾经在AI领域*的日本为何会失去已往的三十年？在这背后事实有哪些值得我们借鉴的教训？在未来，日本的AI行业另有翻身的希望吗？

寻路：二十世纪六七十年月

日本的AI生长史至少可以追溯到二十世纪六十年月。那时，人工智能作为一个自力的学科登上历史舞台还没多久，关于这个学科应该做什么、根据怎样的方式生长，人们也还没有任何的共识。只管云云，单凭“缔造类似人类智能”这个愿景，这个崭新的学科就已足够激悦耳心。刚刚从战争中恢复过来的日本很快就看到了该学科的伟大远景，并起劲加入了对其举行探索的行列。

二十世纪六七十年月日本在AI领域取得的主要成就主要显示在两个方面：

一方面是机械人的研发和制造。日本之以是关注这一领域，主要是出于十分现实的思量。作为“二战”的发动者和战败国，日本在战争中损失了大量的人口，并造成了人口结构的扭曲。这导致那时的日本人口相对不足。随着经济的恢复，日本对劳动力的需求暴增，这就使得就业市场泛起了严重的求过于供。

正好，美国的*机公司（Unimation）在1960年研发出了天下上*台工业机械人，这让日本熟悉到用机械人来缓解劳动力不足的可能。早先，日本主要是从美国入口机械人。1968年，日本的川崎重工业团体（下称“川崎”）从*机公司获得了生产允许证，最先了自行生产。一最先，由于缺乏相关的履历，川崎生产的机械人误差许多，但日本的工程师的学习和改善能力异常强，不久后，川崎生产的机械人性能就已经跨越了*机公司自己的产物。在川崎之后，许多日本企业也陆续投入到了机械人的研发和制造中来。到二十世纪七十年月初，日立、东芝、松下等企业都有了自己的机械人营业，相关的配套网络也逐步发展起来。

在工业机械人领域站稳脚跟之后，日本人又将眼光瞄向了更为庞大的人形机械人。1973年，日本早稻田大学乐成制造出人形机械人WABOT-1。差异于那些只能完成牢靠义务的工业机械人，WABOT-1由肢体控制系统、视觉系统和对话系统组成，它不仅可以模拟人类行动，凭证周围环境做出反映，甚至还能与人举行简朴的语言交流。可以想象，在谁人时代，这款产物是具有相当震撼效应的。

另一方面是对早期神经网络理论的探索。1958年，康奈尔大学教授弗兰克·罗森布拉特（Frank Rosenblatt）发现晰一个名叫“感知机”（Perceptron）的早期神经网络模子，并用它乐成完成了识别手写字母的义务。虽然“感知机”的乐成在相当水平上向人们展示了神经网络的应用远景，但围绕着它的争论也随之而来。在关于它的众多质疑中，参数调整是十分主要的一个质疑。我们知道，神经网络性能的优劣险些完全取决于其模子的参数，但由于模子的运作自己是一个黑箱，以是人们想通过调整参数来优化模子性能将变得十分难题。尤其是当模子参数越来越多、模子层数越来越大时，其难题将呈几何级数上升。事实上，也正是由于在很长一段时期内人们都没能找四处置这个问题的方式，以是那时的大部门AI学者都放弃了这个手艺路径，转投了那时更为热门的符号主义。

不外，就在大部门学者将神经网络弃之如敝屣时，一些日本学者则矢志不渝地对此举行连续研究。其中，孝顺*的两位学者有两位：一位是甘利俊一（Shunichi Amari）。1967年，他提出了“随机梯度下降法”（Stochasti Gradient Descent，简称SGD）。这个方式每次在训练数据集上选择一个样本或者一小批样本举行模子训练，通过对损失函数盘算梯度，根据负梯度偏向对模子参数举行更新。这一方式的提出，为破解神经网络的调参问题提供了有力的思绪。多年以后，辛顿（Geoffrey Hinton）提出了“反向流传算法”（Backpropagation）来训练模子，而其最初的灵感就是来自SGD。另一位学者则是福岛邦彦（Kunihiko Fukushima）。他的主要孝顺在于对神经网络架构的探索。他于1979年提出，并在1980年实现的“神经认知机”（Neocognitron）模子就是厥后“卷积神经网络”（Convolutional Neural Networks,CNN）的雏形。

豪赌：二十世纪八九十年月

到了二十世纪八十年月，符号主义的看法成了AI领域公认的主流。符号主义以为人类认知和头脑的基本单元是符号，而认知历程就是在符号示意上的一种运算。因此，要实现人工智能，就必须模拟这种符号运算。最初，符号主义者们主要致力于探索用符号举行知识示意，并通过演绎来举行推理。而到了二十世纪八十年月，爱德华·费吉鲍姆（EdwardA Feigenbaum）最先将领域知识和符号推理联系了起来，从而形成了一套被称为“专家系统”的手艺路径。

什么叫“专家系统”呢？通俗地说，它是一种模拟人类专家解决领域问题的盘算机程序系统。这种系统有大量领域专家水平的知识与履历，并能够凭证系统中的知识与履历举行推理和判断，模拟人类专家的决议历程，从而解决那些庞大的问题。当一个专家系统包罗的知识库越大时，它可以解决的问题就越多，能力也就越壮大。而为专家系统准备知识的历程就被称为“知识工程”。

与“深度学习”（Deep Learning）相比，“专家系统”在知识获取上有很大的差异。“专家系统”的知识需要人来输入，因而“知识工程”的主体是人，而“深度学习”则是由盘算机通过神经网络来自行学习，因而它更多是机械自己在学习。虽然从直观上看，让人来输入知识显然不如让机械自己学习来得利便，但在那时的手艺条件下，人们还没有找到调治神经网络参数的良方，算力上也不足够，因而“深度学习”险些无人问津，而“专家系统”则独领风骚。

很快，“专家系统”对AI领域的周全统治也伸张到了日本。但与美国差其余是，这个历程在日本是以一种政府主导的方式完成的。

从二十世纪七十年月最先，经济实力迅速膨胀的日本就实验运用国家主导的方式对一些要害的手艺领域举行攻关，从而一举抢占全球手艺的制高点。早先，日本用这种方式取得了一系列的乐成，其中最经典的案例就是在动态随机存取存储器（DRAM）的研发历程中实现了伟大突破，从而让日本成了那时天下上最为*的芯片大国。在实现了这些胜利后，日本政府立刻将眼光瞄向了那时炙手可热的盘算机行业，试图抢在美国和欧洲之前开发出“第五代盘算机”。

所谓第五代盘算机，来自那时盛行的对盘算机生长阶段的一种划分方式。最初，这种方式的阶段划分依据主要是盘算机接纳的电路工艺。按此尺度，*代盘算机使用的主要是电子管，第二代盘算机使用的是晶体管，第三代盘算机使用的是集成电路，第四代盘算机使用的则是超大规模集成电路。

日本通产省于1978年委托时任东京大学盘算机中央主任的元冈达（Tohru Moto-Oka）对第五代盘算机举行探索。1981年，元冈达向通产省提交了一份长达89页的讲述。讲述以为：第五代盘算机可能并不是被硬件工艺的突破界说，而是被系统架构和软件的创新界说。通过软硬件的连系，第五代盘算机应该能像人一样与用户举行交互。在那时的手艺条件下，这种未来的新型盘算机应该是一个搭载着伟大的知识库的硬件化专家系统。

投资界LP周报 | 一举要投12家GP；985大学争做VC

现在看来，元冈达的看法着实是过于超前了——事实上，他对于第五代盘算机的展望就是现在各大巨头们正在竞相实验的AIPC（人工智能电脑）。但在谁人日本自信心爆棚的年月，它立刻获得了通产省的认可。通产省很快就决议牵头启动第五代盘算机的开发事情。

不外，在这一切最先前，还需要解决一个棘手的问题，即第五代盘算机应该接纳什么架构。在元冈达的讲述中，他提出了六种先进的架构：逻辑程序机、函数机、关系代数机、抽象数据类型机、数据流机，以及基于冯诺依曼机的创新机。对于这六种架构，学界和业界都已经有了一些探索。其中，函数机的探索是相对来说最成熟的。好比，初创公司Symbolics已经在函数机上取得了不小的成就，它的软件性能已经可以比一样平常机械凌驾两三倍。因此，那时日本的不少专家也倾向于基于函数式编程语言LISP的函数机入手举行突破。然而，以渊一博（Kazuhiro Fuchi）为代表的一些专家则力主攻关基于逻辑程序语言Prolog的逻辑程序机。关于渊一博为什么会坚持这一看法，有一些解读以为，渊一博这么做实在是出于一个不足为外人性的缘故原由：LISP是美国人提出的，而Prolog不是。因此，日本人为了实现“日本*”的梦想，就不能沿着美国人的老路走。虽然这种看法听起来异常不理性，但遐想到时代靠山，这又似乎是最合理的一种注释。

最终，在渊一博等人的力主之下，基于Prolog的逻辑语言机被确立为了日本认定的第五代盘算机的偏向。随后，日本通产省团结几大公司，一起确立了第五代盘算机研究所（Instituteof New Generation Computer Technology），并任命渊一博为该所的所长，统一协调研发事宜。渊一博从那时的各大公司和研究机构抽调了40位精壮手艺职员，号称“四十浪人”来举行详细研发。为了对项目提供有力支持，通产省设计在十年内投入四亿五万万美元的资金，同时由介入项目的公司也提供对应资金举行配套。

为了开发第五代盘算机，日本险些是动用了举国之力。在这一政策的影响之下，这个时代的日本AI界也自觉地团结到了为这一目的服务的队伍中来。很自然地，专家系统成了日本AI界义无反顾的手艺路径。那么，日本的这场豪赌乐成了吗？谜底是否认的。

只管在日本政府的热捧之下，第五代盘算机的看法看似很热，相关的钻研会不停，论文层出不穷，但真正的手艺研发却举步维艰。这一点很洪水平上是由专家系统的特征决议的。如前所述，专家系统要足够壮大，就必须举行重大的知识工程。而为了保证输入了这些知识的盘算机可以和人实现自然交互，还需要对交互的规则举行明确的设定。至少在谁人时代，这是异常难题的。在现实中，一个词、一句话可能有种种差其余意思，机械应该接纳哪种意思，要视情境而定。对于逻辑语言来说，每一个情景的划定，就是一个逻辑条件。因此，要用这种语言来实现自然语言，其需要加入的逻辑规则将是海量的，而再要机械凭证相关的知识输出用户需要的内容，则更是难上加难，手艺上基本无法实现。与此同时，日本经济高歌猛进的势头也急转直下，日本政府也不再有足够的实力来支持项目。最终，在提出了一些并不乐成的样机之后，日本的第五代盘算机项目以失败了结。

第五代盘算机项目的失败对于日本AI界来说是伟大的袭击。它不仅让巨额的研发经费付诸东流，更是把整个AI界都带偏了偏向。原本，日本在神经网络和深度学习方面有很强的秘闻，但在周全为第五代盘算机服务的靠山下，全社会的资源都在向专家系统这一起径倾斜，甚至连福岛邦彦这样的大佬都很难申请到需要的经费。日本在神经网络上的优势最先逐渐消退。

落伍：二十一世纪

深度学习的渊源险些可以追溯到AI学科确立之初，“感知机”等模子就是其先驱。然而，由于手艺条件的限制，这一支手艺路径一直处于边缘状态。甚至连辛顿这样的*学者很长时间都只能坐冷板凳。

2006年，运气的齿轮发生了转动。那一年，辛顿和其学生西蒙·奥辛德罗（Simon Osindero）揭晓了一篇主要的论文《一种深度置信网络的快速学习算法》（A Fast Learning Algorithm for Deep Belief Nets），建议行使GPU（图形处置器）来提升训练神经网络的速率。这篇论文的揭晓，让许多人熟悉到用GPU来突破算力瓶颈的可能性，因而神经网络研究在幽静多年后，终于重新迎来了生气。为了让人们脱节对这个学科的偏见，辛顿还专门为这类研究重新起了一个名字，“深度学习”的台甫就由此而来。

到2012年，深度学习终于向全天下展示了自己的气力。那年，一个名叫Alex Net的神经网络模子以 15.3%的低错误率赢得了Image Net大规模视觉识别挑战赛。这个成就，足足比之前的错误率纪录降低了一半。这让整个AI界熟悉到，随着算力瓶颈的突破，或许深度学习才是未来AI的生长偏向。于是，大批的资源、人才都最先涌入这个领域，而这个领域也迎来了发作性的增进。2016年，基于深度学习的AlphaGo模子就击败了人类*的围棋选手。2017年，Transformer架构又横空出世，基于这一架构，人们最先了天生式AI模子的研发。而几年之后，ChatGPT（OpenAI谈天机械人）又进一步引领了天生式AI革命。绝不夸张地说，在已往的十几年中，深度学习简直是在率领整个AI界一起狂奔。

在这段时间内，日本发生了什么呢？正如我们之前看到的，实在日本在很早就有深挚的神经网络研究秘闻，像甘利俊一、福岛邦彦等学者都是这个领域当之无愧的先驱。事实上，在二十世纪八十年月，当险些全天下都甩掉了神经网络之时，另有不少日本学者坚持做这方面的研究。据“深度学习革命三杰”之一的杨立昆（Yann Le Cun）回忆，1988年他构想“卷积神经网络”（Convoltional Neural Networks,CNN）时，能够查到的文献险些都是日本人写的。然而，正是这样一个神经网络秘闻深挚的国家，在深度学习革命到来之时，却泛起了相关人才青黄不接的征象。天下押注第五代盘算机带来的导向作用很可能是一个要害缘故原由。事实，在研究专家系统的收益肉眼可见识高于神经网络时，谁又会选择这样一个冷门专业呢？而当第五代盘算机的梦想在二十世纪九十年月最终破碎后，日本爽性削减了对整个AI学科的资金扶持，这就导致了*秀的人才基本不愿意进入这个领域。

日本的背运还不止于此。原本，在日本的经济实力如日中天之时，许多日本企业曾到美国开办实验室，它们曾在当地招揽和贮备过大批的AI人才。其中，最有代表性的就是NECLab，它由著名的日本电气株式会社（Nippon Electric Company，NEC）于1988年在硅谷确立。曾经，包罗杨立昆、瓦普尼克（Vladimir Vapnik）、伯托（Leon Bottou）、龚怡宏等在深度学习领域举足轻重的人物都曾经供职于NECLab。然而，这些人才一个也未能被日本所用，而是先后出走，为美国和中国的深度学习事业作出了伟大的孝顺。之以是会有这样的效果，一是由于NECLab自己的导向有误，只重理论，不重现实，这让本应高度与实践连系的AI人才毫无用武之地。二是它的治理十分僵化。好比杨立昆就因去普林斯顿大学讲学未经报备而遭到了实验室向导的指斥。在这种情形下，NECLab固然就很难留住人才。

海内人才断层，外洋人才又留不住，这些缘故原由加在一起，就导致了日本在深度学习高歌猛进之时，*地错失了这次革命。只管这几年，日本政府已经发现了问题，最先实验用政策激励AI的生长。“冰冻三尺非一日之寒”，至少到现在为止，这个曾经的未来科技大国仍然在最近的天生式AI大潮中处于一个无关紧要的位置。

迷思：日本的AI生长另有戏吗？

日本事实另有没有时机乐成实现逆袭，重新成为AI大国呢？在我看来，时机依然是存在的。现实上，只管日本现在在基础AI模子和应用上都暂时处于周全落伍状态，但它的历史积累决议了它在应用层面是具有相当潜力的。

日本AI生长的一个可能偏向是具身AI。通俗地说，就是将AI智能体（AIgent）与机械人连系起来，让机械人能够和人交流，并根据人的指示完成庞大的义务。从历史看，日本在机械人领域的积累异常深挚。正如我们前面看到的，从二十世纪七十年月起它就最先了人形机械人的探索。直到最近，它在这个赛道依然保持着相对*的职位。好比，本田的阿西莫（ASIMO）机械人就广受市场赞誉，但从性能上看，它的显示甚至交于比它晚出许多年的类似产物（不外，它也有其弱点，就是着实太贵了）。可以想象，若是将一个类似GPT的模子植入到这样的机械人中，它的显示将会异常惊艳，其市场空间也十分可期。固然，除了制作这样高端的机械人之外，日本还可以行使其先进的机械人手艺开发一些玩具级其余机械人，并让它们搭载AI。这样的产物，或允许以有很好的销路。

另一个可能偏向是行业大模子。现在，主要的AI企业大多是在开发通用大模子方面竞争，但实在市场上真正的需求却是行业专用的大模子。不外，到现在为止，行业大模子的生长并不算好，究其缘故原由，就是现在的AI企业在行业层面的积累都太少，相关的数据积累十分缺乏。日本由于已往在专家系统领域的押注伟大，有许多行业知识库的积累。若是可以将专家系统与现在的天生式AI模子举行有机的连系，那么其开发出的行业大模子的性能可能会相当好。

一旦有日本的AI企业率先从类似的领域提议突围，并真正实现了盈利，那么日本全社会对AI兴趣的低迷就会被扭转，人才也会陆续重新回到这个领域。加之相关政策的支持，以及之前积累的手艺根底，日本未必不能在一个相对较短的时期内重新成为一个AI大国。

结语

日本在神经网络研究上起步很早，积累很深，但倒在了“深度学习革命”的黎明前。纵向产业政策的扭曲作用不容忽视。在AI这样一个手艺路径多元，各条手艺路径之间竞争猛烈的行业，要展望哪一条路径会最终胜出是极为难题的。尤其是在“范式转换”作用的影响下，差异手艺路径的优劣更是随时可能发生逆转。面临这样的情形，用纵向产业政策去选定一个手艺偏向扶持就险些是一场豪赌。一旦失败，其成本将是伟大的。日本的教训是凄惨的。

若是昔时日本接纳了横向产业政策，一方面，对所有的手艺路径都给予一些支持，让甘利俊一和福岛邦彦们都有相对足够的经费深入自己的研究。另一方面，通过政府的协调，将一些热门领域的研究和机械人等日本传统的优势连系起来。那么，今天日本的AI生长很可能是另外一番情景。