《科技评论》也会翻车？那些“失败”的突破性技术们

《麻省理工科技评论》“十大突破性技术”代表了世界科技发展的最前沿和未来方向，曾经成功预测了包括脑机接口、合成生物学、深度学习、CRISPR 基因组编辑等重大技术突破的爆发、商业化及其深远影响，其专业性、权威性和前瞻性都在科技领域有着极高的认可度，相信我们的读者对它也非常熟悉了。

不过，正如中科院院士唐本忠所说的，“几乎没有任何研究课题会完全按照预期发展；如果有，这种研究不会有任何突破、不会给人带来任何惊喜。”今天我们就将聚光灯从光鲜亮丽的技术上移开一会儿，关注下那些由于种种原因沉寂在了时代大潮下的技术，看看为什么会出现这样的情况？它们真的就此“失败”了吗？

特别大，特别响，但……

最近科技大厂的寒潮愈演愈烈，META自然也在其列。扎克伯格一边发文致歉，一边宣布了1.1 万人的 META 史上最大裁员计划，声称“世界没按我的预期进行！”这条兼具悲痛与狂妄的发言所指的，除了新冠疫情的影响之外，自然也很容易联想到其百亿美元豪赌元宇宙的决策，而这一战略的核心之一，就是其于 2014 年以 20 亿美元收购的 Oculus VR 虚拟现实头显。

Oculus VR，元宇宙里再见？

Oculus Rift 2014 年入选了“十大突破性技术”，声称其“视觉沉浸式界面将带来新的娱乐方式与交际手段”，它最大的一个突破在于，高质量的虚拟现实硬件的价格已经便宜到了 C 端市场可以承受的地步。诚然，与动辄十万美金的前辈相比，Oculus 的成本控制得很好，也掀起了一次 VR 技术的浪潮。不过，其最近一次冲上热搜，却是八月份扎克伯格在社交媒体上晒出 META 元宇宙 Horizon Worlds 中的自拍遭到“群嘲”，其图形质量和建模细节被网友与十几年前的古早游戏放在一起对比，他的化身（avatar）“甚至没有腿！”可以说，新一代的 Oculus Quest 2 虽然改善了 VR 眩晕等用户体验问题，但放在元宇宙的尺度下，其图形质量受限于算力和成本等因素仍然与 2D 游戏有很大差距，更别提扎克伯格愿景中的沉浸感了。

图丨来源：扎克伯格 Instagram

不过，正如扎克伯格自己所说，META的策略是“先让尽可能多的人用上这些工具，假以时日，再建立起一个更好的生态系统”，Quest 2 的销量已经接近了 1500 万台（2022 年 5 月数据），Oculus 系列 VR 头显产品的市场份额也占到了全球市场的80%，这固然与他们十亿人 VR 互联的梦想相去甚远，但要说是彻底失败，显然是为时过早的。

谷歌气球，让网络飞一会儿

互联网已经是我们日常生活中不可分割的一部分，就和水、电一样。不过，时至今日，世界上仍有超过 35 亿的人处在“断网”状态，主要分布在众多偏远地区。究其原因，这些地区或出于地理条件限制，或由于人口稀少、业务量小，导致通信基站、电力系统和光缆等基础设施薄弱，建设、运营成本过高而投入产出比低下，网络服务堪称“奢侈品”。

这样的背景下，谷歌于 2013 年推出了谷歌气球Project Loon 计划，试图通过飘浮在平流层的大型氦气球建立空基无限网络，为世界偏远地区提供网络覆盖。它的好处在于可以避免光纤网络、通信基站高昂的时间和铺设成本，可以用稳定可靠且价格低廉的方式向这些地区送去互联网服务。

图：谷歌气球和自动发射台丨来源：Project Loon

为实现长续航、稳定的气球网络，谷歌在气球技术、材料科学、导航通信上做出了多项创新，才最终打破了气球专家等各界人士对于其可行性的质疑，不仅保证无动力系统的气球借助自然风在平流层实现精准导航，还能在高速运动的情况下维持区域网络覆盖所要求的气球矩阵密度，其中一个气球甚至绕地球转了 19 圈，在天上足足待了 130 天。

谷歌气球于 2015 年入选了“十大突破性技术”，有望为全球 35 亿“离线”的人们带来大量教育和就业机会，堪称科技向善的典范之一。2014 年夏天，巴西东北部偏远地区的一所小学中，学生们终于在一堂地理课上用上了互联网，老师借助维基百科和在线地图向孩子们传授了更多、更直观的知识，而这“在气球飘过来之前”是不可能的；2017 年 10 月，谷歌更通过紧急发射多个气球，帮助遭受飓风蹂躏的波多黎各恢复了通信，使得各种人道主义救援工作得以顺利开展，让当地的 10 万居民连上了网。

图：一只谷歌气球正从内华达州飞向波多黎各驰援丨来源：Project Loon

谷歌气球原本的商业模式设想是在为偏远地区海量“离线”人群提供低廉网络服务的同时，也向他们投放广告以维持收支平衡。然而很可惜，虽然有很多激动人心的实例，这一计划从未真正实现盈利。2021 年 1 月，谷歌宣布关闭该项目，称没有找到一种方法来降低成本，从而建立一个长期、可持续发展的业务模式。谷歌气球“坠落”了，而马斯克的“星链”计划则带着同样的愿景，由于“可回收火箭”（2016 年入选“十大突破性技术”）的出现在持续推进。也许，全球通网的梦，会以另一种形式延续下去。

传感城市，智能、不智慧？

2017 年，与谷歌同属 Alphabet 旗下的 Sidewalk Labs 为多伦多提出了一个野心勃勃的计划，要在其Waterfront 湖滨工业区落地一个以高科技从头设计的Quayside 项目，让城市变成一个完整的大智慧体，通过一个巨大的传感器网络收集、监控各种信息，包含空气质量、噪声水平以及人们的行为等数据，并基于这一无所不在的数字层来辅助城市中一切关于设计、政策、活动等的决策，并通过自动交通优化、机器人出租车、自动垃圾收集和加热人行道等方式解放劳动力，提升居民的生活品质。

传感城市于 2018 年入选了“十大突破性技术”，结合了人工智能、传感器、物联网、大数据等技术来建设一个拥有自己“操作系统”的智慧社区，并通过开源的形式鼓励企业为其开发各类服务。设想很美好，技术也非常华丽，不过这一计划似乎从一开始就有一些“水土不服”，当地居民对这一“互联网+”的社区愿景并不十分感冒，反而对私营企业收集日常生活活动数据、控制公共街道和交通这种“不够尊重居民隐私”的行为感到反感甚至愤怒，事实证明，加拿大人对这些行为的“容忍度远低于美国人”。

2020 年 5 月，Sidewalk Labs 以“全球新冠疫情带来的前所未有的经济不确定性”为由中止了该计划，而公众争议在此前已经持续了两年多的时间，这座设想中的“数据富集”的城市，始终未能回答“人们为什么会想住在这里”的问题。目前多伦多市的 Quayside 2.0 计划目前已经启动，关注点从数据回归到了“风、雨、鸟鸣和蜜蜂”，希望建立一个真正宜居的伊甸园。而 Quayside 项目注定将成为智慧城市理念中浓墨重彩的一笔，或许下一次，技术需要更好地响应人类的需求。

图：Quayside 2.0丨来源：Waterfront Toronto

如果我们把时间尺度放大一点……

上述的技术都算不上成功，那么，它们就真的从此消亡了吗？答案是，不一定。

深度学习，几经沉浮的奥德赛

如今，AI 已经走进千家万户，以至于回想起来我们都无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 年入选“十大突破性技术”的深度学习。《麻省理工科技评论》在当时的节点上，成功且准确地预测了该技术在几年内的爆发，而这样的趋势愈演愈烈，直到现在也没有减缓的迹象。然而，深度学习即便在当时也并不是很新鲜的事物，反而是由来已久。

事实上，深度学习的核心神经网络自诞生之初，便是跨学科交叉的产物。1943 年，心理学家 McCulloch 和数理逻辑学家 Pitts基于对大脑神经活动的研究，提出了神经网络模型和神经元的第一个数学模型——MP 模型，为后来的研究工作打下了基础，开创了一个新时代。

1958 年，Frank Rosenblatt 教授基于 MP 模型提出了感知机模型（perceptron），通过单计算层为其增加了学习功能，并付诸实践。这一突破引发了神经网络领域的第一次浪潮，不过却在 1969 年被证明只能解决线性可分问题，且否定了多层神经网络训练的可能性，甚至有专家提出了“基于感知机的研究终将失败”的观点。此后的十多年，该领域的研究基本处于停滞状态。

图：Frank Rosenblatt丨来源：Division of Rare and Manuscript Collections

20 世纪 80 年代，计算机得到了飞速的发展，算力相较以前有了质的飞跃，也为神经网络领域带来了新的机遇。1986 年，被称为“深度学习之父”的 Geoffrey Hinton（杰弗里·辛顿）等提出了一种按误差逆传播算法训练的多层前馈网络——反向传播网络（Back Propagation Network, BP 网络），解决了一些原来的单层感知器无法解决的问题。这一突破有力地回击了之前的质疑，更引领了神经网络研究的第二次高潮。

不过，当时的 BP 算法有着梯度消失的问题，随着神经网络隐藏层数目的增加，其分类的准确率反而会下降。同时，碍于当年极其有限的算力，各种浅层机器学习模型相继被提出，如支持向量机（SVM）等，深度模型的研究也被学界冷落，再次迎来了长达十几年的低谷。当时，仅有辛顿等极少数学者在研究这一领域，而研究氛围糟糕到甚至出现了一种说法，也即如果你想在顶刊上发表有关深度神经网络的研究，论文中最好避免出现“神经网络”的字样。

图：Geoffrey Hinton丨来源：DEV Community

情况直到 2006 年才有了转机，辛顿在这一年首次提出了“深度学习”，并给出了 BP 算法梯度消失问题的解决方案。2012年，辛顿带领团队参加 ImageNet 图像识别比赛，其深度学习算法一举夺魁，性能碾压第二名SVM 算法。其背后，不仅计算机的发展指数级地提升了算力，互联网的高速发展也积累了此前无法想象的海量数据，可以用于算法的调试和模型的训练。自此，深度学习终于迎来了新一轮的爆发，逐渐在许多领域取代了传统的统计学机器学习方法，成为人工智能中最热门的研究领域。之后，生成对抗网络（入选 2018 年“十大突破性技术”）带来了又一个爆发性增长点，AlphaGo 则轰动世界，极大地扩大了深度学习的影响力。

深度学习的发展历史悠久，几经波折，以至于有人做出了图表来直观地显示它的沉浮。我们能看到，在一个较大的时间尺度上，科技创新的进程并非线性发展，而是呈一种螺旋上升的态势。同时，深度学习爆发的背后，不仅有生命科学领域的神经科学和脑科学的进步，更有着来自计算机芯片尤其是GPU 技术、互联网普及积累的海量数据，以及控制论、算法等多种技术的支持。可以说，一个科技领域的爆炸式增长，大多是多学科交叉、跨学科融合的结果，看清多点突破的结构性发展对我们的判断至关重要。

图：深度学习发展史丨来源：《深度学习研究综述》

现在让我们试试把它们放到一起……

如今，科技领域的学科交叉愈演愈烈，如果说以前的交叉与融合或多或少带着前沿探索的随机性和灵机一动，现在则已经成为科技从业者的普遍共识，俨然是科技发展的主流趋势了。比如 DeepMind 令人印象深刻的 AlphaFold 2 (AI 折叠蛋白质 2022 年入选“十大突破性技术”）就是一个很好的例子，是生命科学与信息技术、人工智能的结合，目前已经可以用 AI 预测几乎所有的蛋白质结构，赋能生命科学研究，加快研究进展的同时也减轻了科研人员的负担。

 

为您发布产品，请点击“阅读原文”