神经网络的寒冬真的过去了吗？
在20世纪80年代，计算机技术迅速发展，并彻底改变了办公、娱乐和通讯方式。尽管如此，早期的计算机仍然笨重且昂贵。随着摩尔定律的有效性得到验证，从90年代初到2000年，CPU的时钟频率显著提升，使得软件和硬件都能同步进化。
90年代末期，GPU问世并优化了3D图形渲染能力，提升了游戏画质与速度，进一步推动了科技革命。
然而，进入2000年后，提升处理器性能的传统方法遇到了瓶颈，散热问题限制了时钟速度的增长。于是，CPU制造商转向多核架构来保持计算能力的增长。同时，大部分应用需求趋于稳定，Raspberry Pi 等低成本设备便能满足多数任务。
智能手机曾被视为新的增长点，在2007年苹果推出iPhone后迎来高峰。不过，智能手机市场的繁荣也逐渐达到饱和，促使硅谷寻求新方向。
2012年，区块链和人工智能（AI）成为两个潜在机会。尤其是AI，Geoff Hinton 利用深度神经网络在ImageNet竞赛中取得突破性成果，引发资本流入。
经过长期沉寂之后，神经网络迎来了复兴。通过大规模数据训练和强大GPU支持，AI实现了对象识别、语音识别及机器翻译等方面的进步，并被Google、Facebook等大公司采用。
但到了2018年，深度学习的效果开始显现边际收益递减。尽管投入大量资源进行模型训练，实际性能提升有限。Moravec悖论再次显现，AI虽增强感知能力，却未解决基础智能问题。
自动驾驶汽车作为AI的关键应用场景之一，经历了由热衷到谨慎的过程。事故频发使业界重新审视其现实可行性。
此外，比特币价值暴跌也给区块链领域带来冲击。两者虽有所贡献，但未能再现PC时代的爆发式盈利。
当前看来，这两种技术趋势或许难以为继，可能需待新一轮创新才能催生真正变革。
