什么因素推动了人工智能热潮的到来？

人工智能的发展与数据息息相关，基于计算机、互联网、物联网在数据生成、采集、存储、计算环节的突破，推进了人工智能的发展。

1.核心条件：深度学习算法的突破

深度学习是在机器学习、人工神经网络算法基础上进一步深入拓展的一种革命性算法，它能够将数据分析结构多层化（可多达几百上千层），核心是让机器基于数据自动生成特征量，用提取出的特征量作为下一层的输入数据，逐层提炼出抽象的概念，最后通过监督学习，对概念进行自上而下的验证调整。深度学习之所以意义重大，在于它模拟了人脑逐层抽象的认知过程，突破了机器学习只能人为定义特征量的瓶颈，使模型训练的效率取得了重大突破。不仅如此，通过训练，让机器读懂知识有了突破的希望。早在20世纪60年代就出现了深度学习算法的雏形——多层感知器模型GMDH。2006年，多伦多大学的计算机科学教授杰弗里·辛顿（Geoffrey Hin-ton）提出了在深度信念网络（Deep Belief Nets）基础上的深度学习算法^[7]，极大提高了特征量提取的效率，成为人工智能在图像视觉识别应用方面的理论基础。目前，对于机器的训练与训练小狗的方式类同，通过让机器根据大量计算过程归纳的规律或线索，在人为设定的条件下做出类似于条件反射的反馈。与小狗不同的是，机器的计算速度和掌握的数据量已经超过任何的生物体，在某些特定的场景下，比如在围棋对弈上面已经超过人类顶级选手代表的Alpha Go，它在这一领域所表现的智力已经超过人类。

2.递归神经网络

那么，是不是可以用这样一些机器逐个击破人类的能力点，将其整合起来最终超过人类呢？显然，目前还做不到。首先，深度学习算法只是将数据计算过程更结构化，机器能够懂得的概念和逻辑推理过程都有赖于人类输入的数据量和条件设定，即能让机器实现什么仍由人类掌控；其次，已有的数据仍是不完整的，数据的采集还需要通过物联网发展进一步实现，实现整合机器能力的基础还不具备；最后，人类的智慧能力，比如系统性规划能力，比如创新和创造能力，比如突破已有知识局限进行研究发现的能力等还是机器掌握不了的。

深度学习的数据结构与人类的视觉神经元结构最为接近，因此视觉识别的发展首先出现了重大进展。其中，图像识别领域利用深度卷积神经网络（CNN）将识别错误率降低至15%。随着商业应用的逐步推广和实践，视觉识别在活体识别、影像数据结构化处理及复合特征共同识别准确性方面均有所突破和提升。另外，循环神经网络（RNN）、长短记忆型递归神经网络（LSTM）在语音识别、机器翻译和自然语言处理领域同样表现突出。

深度学习不仅突破了工程学的计算瓶颈，更趋于让机器主动理解输入内容，让机器读懂语言有了一线生机，对于感知智能的发展有着重要的推动作用。

3.数据条件具备

有数据，是计算的前提。人工智能的发展必然需要海量数据作为基础，不仅是数字形式的数据，还包括影像、图片、语言、行为、环境、情绪、社交/交互等多维度的数据。海量数据计算的价值在于突破数据结构和计算假设的限制，数据维度越完整充分，越能计算出具有前瞻性或预测性意义的结果。

互联网的发展积累了大量机器数据，过去几年中，全球的数据量以每年58%的速度增长，未来增速还将加快，预计2020年全球数据总量将达到44ZB（44万亿GB）^[8]。数据化、信息化使得数据能够流通，网络化则实现了数据及时的互联互通，这些都成为人工智能发展的必要条件。不仅企业、个人、政府等使用互联网产生的海量数据能够沉淀并为机器所用，使得供机器训练用的数据级大大提高，为计算机提供了具有丰富“经验”的可能性，而且数据传递环节可以通过网络即时完成，算法性能得到提升的周期将缩短。随着传感器的开发和应用，物联网的普及将使数据积累范围进一步扩大到环境数据、行为数据等。

目前，数据储存于多类型组织中，以谷歌、阿里巴巴、腾讯为代表的企业拥有用户上网行为、交易行为、社交数据等。同时，这些企业也在布局获取更多维度的数据。另有一些企业或社会组织会关注企业级数据的获取，帮助用户做数据挖掘或提供解决方案。数据资源合作共享、产业联盟或政府主导的数据资源库都将成为数据发展的下一步趋势。数据量的积累和整合应用必将是人工智能发展的重要基础。数据存储等发展条件已具备，还需政府、企业、科研机构等的共同推进。(www.xing528.com)

4.计算能力的突破

CPU是PC的“动力源”。曾经一个CPU一次只能执行一个程序，随着多核CPU的出现，每个核可以同时分别处理一个程序任务，因此大大提升了单PC的性能。海量数据一般存储于大型服务器集群，海量数据计算效率提升需要提升并行计算能力，尽管是多核CPU，当任务进一步分解和细化，并需要同时运行的时候，CPU的能力的局限非常明显。

人工智能算法的运行需要快速的计算执行能力，才能实现数据结果的时时反馈和迭代推进，从而表现出“智能”。2009年，GPU（图形处理单元）开始由吴恩达及斯坦福大学团队用于物体识别算法的训练^[9]，由于GPU本身就具备并行处理数百万像素图片的能力，且有相当高的存储带宽，与CPU相比更具备执行大规模计算的条件，为并行计算提供了硬件基础。并行计算是类似于人类大脑信号传导的方式，上千亿个神经细胞组成的神经元网络构成了最强大的信息处理系统，为深度学习提供了基础。GPGPU（General ProcessingGPU，通用计算图形处理器）的出现，满足了深度学习算法处理海量数据的需求。尤其在算法训练阶段，并行计算提升了运算速度，通过不断计算调整模型，使算法训练迭代的时间周期更短。举例来说，使用一个GPU集群能够将一亿节点量级的神经网络的所有级联可能性的运算时间缩短到1天，而使用1000个CPU则需要耗费数周。

人工智能的三大核心基础中，计算能力发展目前领先于数据积累和算法突破。未来，量子计算和高性能神经元芯片的出现，将使算法自我迭代的能力进一步提升，助推人工智能的发展。

5.从计算智能走向感知智能

人工智能能够实现的人类能力，将经历计算智能、感知智能和认知智能三个阶段。

计算智能表现在，机器能够像人类一样计算、传递信息，通过模仿人类的某一思维方式为机器赋予计算能力。神经网络、遗传算法等就是计算智能的代表，能够帮助人类快速存储和处理海量数据，是认知智能和感知智能的基础。

感知智能是为机器加入感知设备和功能之后，机器能够像人类一样听懂和看懂，并采取行动，实现数据解读方式的突破。2013年，深度学习算法在语音识别和视觉识别上取得突破，识别率已接近人类水平。2015年，微软在ImageNet数据集中的识别表现已超越同样实验条件下人类辨识照片的平均水平^[10]，是感知智能发展历史上的一个重大里程碑，标志着人工智能进入感知智能时代。通过深度学习和海量的数据处理，机器开始帮助人类高效地完成“看”和“听”的任务，例如，可以认出罪犯的摄像头，可以听懂语音指令的机器人等。这标志着人工智能进入感知智能时代。实际应用包括，可以认出罪犯的摄像头，可以听懂语音指令的机器人。

认知智能是让机器像人类一样思考，实现数据应用方式的突破。到了认知智能阶段，人类希望机器能够根据实际情况，主动采取行动，其价值在于，可以全面辅助或替代人类重复性的工作。典型应用包括完全自动驾驶的汽车、自主行动的机器人等。

目前，人工智能处在由计算智能向感知智能发展的阶段。随着传感器的大规模应用、网络传输速度的进一步提升和感知算法的优化，机器对外界信号的感知和处理将变得更加准确。由于算法缺少重大突破，从感知智能到认知智能还有很长一段路要走。