本文摘要：在深度自学的领域里，最重要的是数据和运算。

在深度自学的领域里，最重要的是数据和运算。谁的数据更加多，谁的运算更加慢，谁就不会占有优势。因此，在处理器的自由选择上，可以用作标准化基础计算出来且运算速率更慢的GPU很快沦为人工智能计算出来的主流芯片。

可以说道，在过去的几年，特别是在是2015年以来，人工智能大爆发就是由于英伟达公司的GPU获得广泛应用……一、人工智能与深度自学2016年，AlphaGo与李世石九段的棋士决斗毫无疑问引发了全世界对人工智能领域的新一轮注目。在与李世石对战的5个月之前，AlphaGo因打败欧洲棋士冠军樊麾二段，棋士等级分下降至3168分，而当时名列世界第二的李世石是3532分。按照这个等级分数对局，AlphaGo每盘的胜算只有大约11％，而结果是3个月之后它在与李世石对战中以4比1大胜。

AlphaGo的自学能力之慢，让人惊恐。1．人工智能：让机器像人一样思维自AlphaGo之后，“人工智能”沦为2016年的热词，但早在1956年，几个计算机科学家就在达特茅斯会议上首次明确提出了此概念。

他们梦想着用当时刚经常出现的计算机来结构简单的、享有与人类智慧某种程度本质特性的机器，也就是我们今日所说的“强劲人工智能”。这个无所不能的机器，它具有我们所有的感官、所有的理性，甚至可以像我们一样思维。人们在电影里也总是看见这样的机器：友好关系的，像星球大战中的C－3PO；恶魔的，如终结者。

强劲人工智能目前还只不存在于电影和科幻小说中，原因不难理解，我们还不了构建它们，最少目前还敢。我们目前能构建的，一般被称作“很弱人工智能”。

很弱人工智能是需要与人一样，甚至比人更佳地继续执行特定任务的技术。例如，Pinterest上的图像分类，或者Facebook的人脸识别。这些人工智能技术构建的方法就是“机器学习”。

2．机器学习：使人工智能现实再次发生人工智能的核心就是通过大大地机器学习，而让自己显得更为智能。机器学习最基本的作法，是用于算法来解析数据、借此自学，然后对真实世界中的事件作出决策和预测。

与传统的为解决问题特定任务、软编码的软件程序有所不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中自学如何已完成任务。机器学习最顺利的应用领域是计算机视觉，虽然也还是必须大量的手工编码来已完成工作。以辨识暂停标志牌为事例：人们必须手工撰写形状检测程序来辨别检测对象是不是有八条边；写出分类器来辨识字母“S－T－O－P”。

用于以上这些手工撰写的分类器与边缘检测滤波器，人们总算可以研发算法来辨识标志牌从哪里开始、到哪里完结，从而感官图像，辨别图像是不是一个暂停标志牌。这个结果还算数不俗，但并不是那种能让人为之一振的顺利。

尤其是遇上雾霾天，标志牌显得不是那么清晰可见，又或者被树遮盖一部分，算法就无法顺利了。这就是为什么很长一段时间，计算机视觉的性能仍然无法相似到人的能力。它过于脱节，过于更容易不受环境条件的阻碍。

本文来源：万向娱乐-www.cunyua.com