|
我感觉是好多因素综合起来水到渠成的事。 第一，2006年hinton把原本不被看好的ann（基于统计模型的贝叶斯学派当时是主流）提升到dnn（所谓深度学习），在论文中解决了训练速度和梯度弥散问题，使得升级后的dnn重获新生。接着大量论文和不同类型的dnn结构在不同领域应用，都取得了成功。 第二，大数据和gpu的发展为dnn的普及提供了弹药。如果仅仅是科研上的流行，其实还不足以引爆ai革命。但经过几十年的发展，互联网上已经积累了大量的图像、语音、视频和文本以及用户行为数据，可以说大数据为dnn提供了充足的语料作为弹药。而gpu则从硬件上缓解了大数据下dnn训练的速度问题，使大数据上的dnn训练变得可行。 第三，硬件、理论和数据都具备的情况下，人才和资金开始自然而然的汇聚在这一领域，成果越来越丰富。rnn、cnn、lstm、attention model、gan越来越多的dnn模型为ai注入了更强大的能力。计算机除了识别图像、语音外，开始有了初步的谱曲、作诗、下围棋、绘画诊断癌症等五花八门的能力……在此情况下，投资和产业界也可以心潮澎湃起来，再一次推高了ai的热度。大公司加大投入和人才储备，若干国家的政府也为之调整了产业政策，一些初级形态的大众消费类的ai产品也开始问世。ai变成最有希望大幅度进一步解放现代化国家的生产力（同时影响工业、农业和服务业）的革命性技术。 第四，伴随ai的热度提升，生物神经科学的科研也借势取得不少突破，尤其是在中枢神经系统的探测手段上有重大突破。人类在未来了解更多大脑工作原理的奥秘后，通过仿生和借鉴，是有将ai推高到强人工智能乃至全面超越生物智能的潜力的。这实际上进一步推高了大家对AI前景的预期。 |
|
|
