计算能力提升瓶颈
最初，计算机性能的增强主要依靠时钟频率的增加。90年代初，计算机的时钟频率只有33兆赫兹，但到了2000年，这个数字已经超过了1千兆赫兹。当时，无需对程序进行调整，新购置的电脑就能让软件运行得更快。不过，如今若计算机不能实现速度的指数级增长和成本的降低，许多想法可能无法变为现实。为了持续体验计算性能的飞跃，CPU制造商只得增加芯片内的处理核心数量。
手机市场增长乏力
在过去十年里，相机和屏幕技术有了明显进步，但硅谷在智能手机市场的新增收益并不丰厚。尤其是到了2018年，很多人觉得没有必要每两年就花1000美元买新手机，因为旧手机对大多数应用来说已经足够用了。这一现象表明，智能手机市场已趋于饱和，这与硅谷最初预见的持续增长形成了强烈反差。现在，手机市场已难以再成为利润丰厚的应用领域。
人工智能的崛起
2012年，硅谷目睹了人工智能的迅猛增长。Geoff Hinton，一位加拿大人，和他的学生们在ImageNet竞赛中凭借深度神经网络赢得了冠军，而这个网络是在GPU上运行的。在此之前，Hinton已经在联结主义模型和神经网络领域辛勤工作了30年。这一成就不仅标志着人工智能在硅谷的兴起，也使得深度学习成为了公众关注的中心。之后大家开始寻求用深度学习解决各类问题。
深度学习的局限
深度学习看似能攻克许多难题，但实际上却面临不少局限。它需要依赖海量的数据和强大的GPU来训练更复杂的网络。尽管科学家们已经发表了大量论文，但新技术惊人的局限性仍未被完全揭示。深度学习的训练费用相当高昂，就像训练AI玩游戏一样，可能需要花费数十万美元。而且，深度学习在计算机感知领域虽然取得了一些成就，但并未解决AI的普遍性问题。
自动驾驶的差距
2016年，硅谷人士普遍觉得自动驾驶技术已近成熟，被视为深度学习的关键支柱。尽管汽车能自动驾驶数英里，但与最初的目标相较，仍有不小的距离。尽管计算机内嵌成为汽车发展的潮流，硅谷似乎赢得了这场胜利，但实则离完全自动驾驶的目标还很遥远，这凸显了自动驾驶技术在实际应用中遭遇的难题。
技术炒作与未来
深度学习和区块链的兴起让一些以前觉得不可能的事情变成了现实，例如谷歌的图片搜索功能变得更高效。但现在的技术热潮，就像互联网公司在崩溃前经历的泡沫一样。和谷歌、Facebook等互联网公司经历的情况类似，等到这次炒作热潮结束，区块链或AI领域可能会有重大进展，但这还需要时间的验证。
关于区块链或AI领域能否实现重大突破，大家有何高见？不妨在评论区留言分享。觉得本文对你有所启发，别忘了点赞和将它分享出去。
